基于大數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在課堂人臉識(shí)別應(yīng)用

湯雙霞

（廣州番禺職業(yè)技術(shù)學(xué)院，廣州511483）

0 引 言

大數(shù)據(jù)技術(shù)的興起和大范圍推廣與普及，能夠直接影響到各領(lǐng)域信息技術(shù)的發(fā)展。大量數(shù)據(jù)的更新?lián)Q代，亟需對(duì)不同類型的數(shù)據(jù)庫提供有效技術(shù)支撐。為合理應(yīng)用相關(guān)數(shù)據(jù)信息，就需要明確數(shù)據(jù)信息蘊(yùn)含的價(jià)值。卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前研究人工智能的先進(jìn)技術(shù)，并已廣泛應(yīng)用在語音識(shí)別、計(jì)算機(jī)視覺等方面。深度學(xué)習(xí)，作為人工神經(jīng)網(wǎng)絡(luò)技術(shù)的分支之一，其模型設(shè)計(jì)屬于深層次學(xué)習(xí)結(jié)構(gòu)。而卷積神經(jīng)網(wǎng)絡(luò)，則能夠?qū)Ψ蔷€性結(jié)構(gòu)展開進(jìn)一步的研究，對(duì)于復(fù)雜函數(shù)的表達(dá)加以分析，同時(shí)，深度學(xué)習(xí)還能夠?qū)⒌蛯哟翁卣鞒橄?、整合并轉(zhuǎn)變?yōu)楦邔有畔⑴c決策。經(jīng)過研究得出：分布式特征，能夠發(fā)揮高強(qiáng)度學(xué)習(xí)樣本集的功效。因此在當(dāng)下研究中，嘗試運(yùn)用深度學(xué)習(xí)技術(shù)，其長(zhǎng)足優(yōu)勢(shì)之一就是可推動(dòng)人臉識(shí)別技術(shù)的創(chuàng)新、改進(jìn)與飛躍式進(jìn)步。將其運(yùn)用在高校課堂中，通過收集教師課堂人臉數(shù)據(jù)，即可充分發(fā)揮大數(shù)據(jù)、深度學(xué)習(xí)的最大應(yīng)用價(jià)值。對(duì)此，本文擬做研究闡釋如下。

1 人臉識(shí)別技術(shù)的發(fā)展

1.1 傳統(tǒng)人臉識(shí)別技術(shù)總述

上溯至十八世紀(jì)，相關(guān)科研人員就對(duì)人臉特征、身份識(shí)別進(jìn)行分析和研究。相關(guān)研究人員表示，曾經(jīng)備受推崇的人臉幾何結(jié)構(gòu)特征研究方法，在將其付諸實(shí)施時(shí)的效果卻并不理想，因此仍有待后續(xù)的深入研究與開發(fā)，以滿足實(shí)際場(chǎng)景的需求及達(dá)到設(shè)計(jì)應(yīng)用目標(biāo)。人臉識(shí)別領(lǐng)域中，麻省理工學(xué)院Turk提出了富有時(shí)代意義的處理策略，也就是特征人臉識(shí)別方法。這一方法的使用，吸引了較多研究人員在此基礎(chǔ)之上進(jìn)行不斷的研創(chuàng)與革新，眾多的新型識(shí)別方法也陸續(xù)涌現(xiàn)。人臉識(shí)別算法的完善，將使所得人臉圖像更為清晰，但其中涉及的首要問題就是方法的實(shí)用性。一些研究人員對(duì)魯棒性人臉識(shí)別方法，如：光照、姿態(tài)、遮擋等做出分析，對(duì)非理想條件下自然場(chǎng)景的人臉圖像予以識(shí)別處理。通常情況下，人臉識(shí)別包括多個(gè)類型，主要有：幾何特征、模板匹配，以及統(tǒng)計(jì)分析和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)等。

1.2 神經(jīng)網(wǎng)絡(luò)技術(shù)研究概述

神經(jīng)網(wǎng)絡(luò)理論首次面世后，就有研究人員隨后提出了自組織映射神經(jīng)網(wǎng)絡(luò)，通過該網(wǎng)絡(luò)可在圖像內(nèi)容中聽到較大的噪音，還會(huì)發(fā)現(xiàn)部分遮擋狀況。此后，則有研究人員開始將卷積神經(jīng)網(wǎng)絡(luò)、自組織映射神經(jīng)網(wǎng)絡(luò)有機(jī)聯(lián)系起來，由此即構(gòu)建出混合神經(jīng)網(wǎng)絡(luò)。研究發(fā)現(xiàn)，卷積網(wǎng)絡(luò)對(duì)圖像平移、尺度的自適應(yīng)性較弱，但是這對(duì)于加強(qiáng)網(wǎng)絡(luò)的性能卻尤為有利，并在ORL人臉數(shù)據(jù)庫上取得了較好的效果。值得一提的是，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、以及動(dòng)態(tài)鏈接結(jié)構(gòu)的使用，將能有效區(qū)別不同的人臉特征。與神經(jīng)網(wǎng)絡(luò)模型相似的方法有很多，如：時(shí)滯神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)，以及Hopfield網(wǎng)絡(luò)。與其它人臉識(shí)別方法相比，神經(jīng)網(wǎng)絡(luò)模型無需耗費(fèi)人工去實(shí)現(xiàn)算法設(shè)計(jì)、研究，自動(dòng)學(xué)習(xí)數(shù)據(jù)集即可。而且，利用該方法還可提取到優(yōu)秀的人臉特征表達(dá)、圖像模式規(guī)律。綜上論述分析可知，神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別研究中占據(jù)著優(yōu)勢(shì)地位，此外也表現(xiàn)出較強(qiáng)的魯棒性。但是，神經(jīng)網(wǎng)絡(luò)缺乏嚴(yán)格理論驗(yàn)證、解釋，需要經(jīng)過較多人臉圖像學(xué)習(xí)，訓(xùn)練的速度較慢。

2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成情況的分析

卷積神經(jīng)網(wǎng)絡(luò) CNN［1］，為經(jīng)多層感知機(jī) MLP基礎(chǔ)上完善獲得。在生物神經(jīng)科學(xué)領(lǐng)域之上發(fā)展而成，能夠模擬貓視覺皮層的感受野。這一感受野區(qū)，對(duì)輸入空間分子區(qū)的敏感度較高，同時(shí)可均勻地覆蓋于整個(gè)視野區(qū)。卷積神經(jīng)網(wǎng)絡(luò)層間的連接方式，需要進(jìn)行卷積計(jì)算，將其與前饋神經(jīng)網(wǎng)絡(luò)相比，研究可知?jiǎng)t存在著較大的差異性?？偟卣f來，前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的連接方法為全連接，也就是：神經(jīng)元結(jié)點(diǎn)的輸出值均為所有輸入信號(hào)向量不同維度加權(quán)總和。而卷積計(jì)算則為輸入信號(hào)向量維度加權(quán)總和。全連接、卷積的連接情況對(duì)比，詳見圖1。

圖1 全連接、卷積連接情況的分析Fig.1 Analysis of full connection and convolutional connection

3 課堂人臉識(shí)別系統(tǒng)實(shí)現(xiàn)過程

人臉識(shí)別系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)流程如圖2所示，研究可知其整體設(shè)計(jì)主要可分為4個(gè)階段，對(duì)其分述如下。

（1）部署人臉圖像采集環(huán)境。

（2）進(jìn)行人臉檢測(cè)／識(shí)別的數(shù)據(jù)獲取、分析、比對(duì)。

（3）進(jìn)行課堂專注度分析。

（4）導(dǎo)入課堂過程數(shù)據(jù)，形成課堂過程專注度分布分析。

圖2 人臉識(shí)別系統(tǒng)實(shí)現(xiàn)過程Fig.2 Implementation of face recognition system

至此，研究可得本項(xiàng)目的系統(tǒng)結(jié)構(gòu)設(shè)計(jì)如圖3所示。由圖3可知，本系統(tǒng)主要由5個(gè)部分組成，分別是：教室前端學(xué)情（人臉）數(shù)據(jù)采集單元、人臉檢測(cè)服務(wù)器、人臉比對(duì)服務(wù)器、學(xué)情分析呈現(xiàn)平臺(tái)、數(shù)據(jù)存儲(chǔ)環(huán)境。

圖3 人臉識(shí)別系統(tǒng)結(jié)構(gòu)Fig.3 Face recognition system architecture

4 結(jié)束語

卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域中，獲得了較好的效果，當(dāng)前在較多項(xiàng)目中有著出色表現(xiàn)。本文構(gòu)建2個(gè)不同的卷積神經(jīng)網(wǎng)絡(luò)，通過試驗(yàn)顯示網(wǎng)絡(luò)模型特征提取能力較佳?？梢姡溟g存在競(jìng)爭(zhēng)，然而如果沒有獲得最佳的識(shí)別能力，對(duì)于設(shè)計(jì)過程將產(chǎn)生決定性影響，會(huì)直接降低識(shí)別的準(zhǔn)確性。經(jīng)不同的網(wǎng)絡(luò)比較，能夠看出對(duì)網(wǎng)絡(luò)性能的影響較大。此后工作，建議深入研究深層網(wǎng)絡(luò)模型在復(fù)雜人臉圖像中應(yīng)用的效果情況。此外，對(duì)深度網(wǎng)絡(luò)應(yīng)加強(qiáng)訓(xùn)練，解決相關(guān)問題，進(jìn)行更寬泛意義上的仿真的試驗(yàn)。卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，應(yīng)用于視頻監(jiān)控工作中，實(shí)現(xiàn)人臉識(shí)別研究，盡管識(shí)別效果頗佳，但在諸多方面仍有很大的改進(jìn)空間，如：復(fù)雜環(huán)境下人臉識(shí)別、系統(tǒng)計(jì)算效率、添加人臉跟蹤模塊等。