多角度人臉檢測優(yōu)化研究

高見

（揚州市職業(yè)大學 江蘇省揚州市 225000）

1 序言

伴隨著當前公眾環(huán)保意識的提高和信息技術(shù)的發(fā)展，人臉識別技術(shù)在我們?nèi)粘Ｉ钇鸬降淖饔迷絹碓蕉鄻踊５请S著人臉識別的普及，各種各樣的問題也隨著出現(xiàn)，常見的就有人臉角度問題、光照問題、面部多余問題等等，這一方面對人臉識別技術(shù)的進一步應(yīng)用做出了考驗，另一方面也是對相關(guān)企業(yè)的技術(shù)創(chuàng)新進行了檢查。本文正是以當前人臉識別的需求識別出發(fā)，以YOLOV2 神經(jīng)算法為基礎(chǔ)，進而構(gòu)建起完整的識別模型，為當前環(huán)節(jié)人臉識別的需求現(xiàn)狀提供了參考依據(jù)。

2 YOLOV2算法闡述

人臉識別的需求在各個時間段呈現(xiàn)不同的狀態(tài)，所以在進行相關(guān)算法的選擇時要注意對識別方法選擇，常用的識別方法包括德爾菲法、神經(jīng)網(wǎng)絡(luò)、時間序列發(fā)、機器學習、回歸分析法、彈性系數(shù)法和灰色識別法等等，在對各種方法進行分析和討論之后，最終決定使用神經(jīng)網(wǎng)絡(luò)中的YOLOV2 算法來構(gòu)建相關(guān)的模型。

YOLOV2 算法起源于上世紀末的YOLOV1 算法，經(jīng)過幾十年的發(fā)展在各個領(lǐng)域之中均有著廣泛的應(yīng)用，是當前神經(jīng)網(wǎng)絡(luò)模型的代表。YOLOV2 算法的本質(zhì)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，特點是能夠依照誤差逆向傳播法對相關(guān)的網(wǎng)絡(luò)進行訓(xùn)練，最終得到與期望向量最大程度接近的輸出向量。本次實驗的所應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法模型的基本流程可以分為以下幾個步驟：

首先，將相關(guān)的學習參數(shù)和權(quán)初始化為績效的隨機數(shù)，設(shè)置相關(guān)的偏置；第二，是設(shè)置期望輸入和加輸入；第三，是對相關(guān)輸出層和隱層的輸出進行計算；第四，是對相關(guān)輸出層和隱層的連接權(quán)值進行調(diào)節(jié)后改變訓(xùn)練樣板；第五是確定是否訓(xùn)練終止，如果不終止訓(xùn)練，就重復(fù)第二到第四步驟，如果終止訓(xùn)練則進行第六步；第六，相關(guān)實驗的迭代次數(shù)+1，直到迭代終止，如果選擇繼續(xù)迭代，重復(fù)第二到第六步驟，如果選擇終止迭代，則輸出相應(yīng)的輸出向量。

3 實驗變量分析

本次數(shù)據(jù)來源基于某人臉識別企業(yè)的內(nèi)部數(shù)據(jù)，某門禁企業(yè)的使用人數(shù)為7.664 人，選取樣本的時間為2020年4月25日，當天某人臉識別系統(tǒng)的回饋整體數(shù)據(jù)樣本為9000 條。本實驗將這些參數(shù)統(tǒng)共劃分為記錄編號（id）、1 小時內(nèi)某企業(yè)人臉識別的整體需求量（y）、某人臉識別企業(yè)投放業(yè)務(wù)的正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow），共9 個特征變量。

圖1：YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識別模型的拓撲結(jié)構(gòu)示意圖

3.1 數(shù)據(jù)庫選擇

本次設(shè)計的YOLOV2 算法人臉識別數(shù)據(jù)庫采用YOLOV2 網(wǎng)絡(luò)為基礎(chǔ)，作為一種面向?qū)ο蟮年P(guān)系型數(shù)據(jù)庫，YOLOV2 網(wǎng)絡(luò)支持在標準數(shù)據(jù)庫系統(tǒng)中管理相關(guān)數(shù)據(jù)，一方面能夠?qū)崿F(xiàn)數(shù)據(jù)的完整性，另一方面能夠保證使用過程的安全?；诒敬卧囼瀸嶋H情況，筆者將YOLOV2 算法人臉識別數(shù)據(jù)庫系統(tǒng)的構(gòu)建分為如下幾步：

首先是針對該本次試驗的人臉識別系統(tǒng)信息數(shù)據(jù)進行搜集和整理，針對不同的分類完成格式、單位和尺度的統(tǒng)一，最終將該本次試驗的YOLOV2 算法人臉識別編程有效的字段名和表頭；其次是完成Geodatabase 的構(gòu)建，依照流域的實際情況將不同的圖層進行分類和儲存；第三是把剩下的數(shù)據(jù)儲存到access 屬性的二維表數(shù)據(jù)庫中，同時完成分類和編碼；最后是完善YOLOV2 網(wǎng)絡(luò)各版塊的構(gòu)建和相應(yīng)的管理系統(tǒng)。本次采樣的信息可以分為正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）。YOLOV2 網(wǎng)絡(luò)的構(gòu)建主要是為了服務(wù)本次試驗的長江流域水系統(tǒng)，所以需要依靠圖像頻譜來獲取相關(guān)的人臉知識并進行存儲?；谏鲜鰣D像處理的人臉識別方式很容易受到相應(yīng)的干擾，在將數(shù)據(jù)錄入Geodatabase 數(shù)據(jù)庫之前需要對人臉識別的方式進行相應(yīng)的優(yōu)化，來幫助數(shù)據(jù)庫更好的甄別檢測數(shù)據(jù)的準確性。這一方面需要針對外界干擾信號或者偽造信號的原理進行分析，另一方面需要針對Geodatabase 數(shù)據(jù)庫的缺陷來制定相應(yīng)的優(yōu)化方案，從根本上對這個問題進行解決就需要針對Geodatabase 數(shù)據(jù)庫的特性設(shè)置相應(yīng)的識別和糾錯能力。

表1：檢測測試數(shù)據(jù)訓(xùn)練結(jié)果

表2：檢測訓(xùn)練數(shù)據(jù)評價結(jié)果

3.2 模型構(gòu)建

基于上述9 個特征變量，本次試驗YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識別模型的構(gòu)建步驟如下所示：首先在構(gòu)建模型之間需要對YOLOV2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識別模型的拓撲結(jié)構(gòu)進行分析和設(shè)置，其拓撲結(jié)構(gòu)如圖1所示，YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識別模型的結(jié)構(gòu)特點為其輸入層、隱層和輸出層三層都可以完成由n 維到m 維的映射，進而可以將60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）、30°人臉（30°face）作為本次識別模型的特征變量，將1 小時內(nèi)某企業(yè)人臉識別的整體需求量（y）作為本次實驗識別模型的目標變量；其次是對隱含層內(nèi)的神經(jīng)元數(shù)量和最大迭代次數(shù)進行設(shè)置，根據(jù)本次人臉識別模型的需求，本實驗將最大迭代次數(shù)設(shè)置為300，將隱層神經(jīng)元的數(shù)量設(shè)置為150，在對數(shù)值的計算方面選擇了相關(guān)大規(guī)模數(shù)值計算表現(xiàn)較好的L-BFGS 算法進行計算；最后根據(jù)圖1 的相關(guān)拓撲結(jié)構(gòu)代入相關(guān)的參數(shù)，其中Xn 代表相應(yīng)的特征變量，Y 代表1 小時內(nèi)某企業(yè)人臉識別的整體需求量，Wn 則代表了相關(guān)的閾值。

4 仿真實驗與結(jié)果分析

4.1 模型識別預(yù)處理

基于上述人臉識別企業(yè)的數(shù)據(jù)，將其引入相關(guān)實驗平臺后，本次試驗可以分為三個步驟：

首先引入超參數(shù)k 作為網(wǎng)絡(luò)的增長率。網(wǎng)絡(luò)的增長率表示每一個系統(tǒng)輸出的特征圖的個數(shù)為k 個，為了防止網(wǎng)絡(luò)變得太寬，并且提升網(wǎng)絡(luò)的計算效率，將k 值限制成一個較小的整數(shù)。在YOLOV2中將每一個系統(tǒng)輸出的特征圖的個數(shù)設(shè)置為32，即k=32。實驗證明，當k 值是一個較小的正整數(shù)時，網(wǎng)絡(luò)的表現(xiàn)性能也更好；然后引入瓶頸層。YOLOV2 采取密集連接的方式，雖然每一層產(chǎn)生k個特征圖，但是整個網(wǎng)絡(luò)產(chǎn)生的特征圖的數(shù)量是巨大的。為了控制YOLOV2 網(wǎng)絡(luò)中特征圖的數(shù)量，在網(wǎng)絡(luò)的構(gòu)建中引入了瓶頸層；最后對網(wǎng)絡(luò)進行壓縮。通過壓縮過渡層中的特征圖，增強模型的緊湊性。在YOLOV2 中，當系統(tǒng)包含m 個特征圖時，網(wǎng)絡(luò)中隨后的過渡層產(chǎn)生的特征圖的個數(shù)為θm。同時將θ 的值設(shè)置為0.5，即過渡層將前一個系統(tǒng)產(chǎn)生的特征圖的數(shù)量減半。

4.2 識別結(jié)果

在采用了四種激活函數(shù)的情況下，對模型進行評估，檢測訓(xùn)練數(shù)據(jù)評價結(jié)果如表1所示，檢測測試數(shù)據(jù)訓(xùn)練結(jié)果如表2所示。因此，YOLOV2 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為Tanh 函數(shù)基于已經(jīng)找到的人臉識別模型，選擇正臉人臉1 的數(shù)據(jù)集，以face、60°face、Medium shadow、Small shadow、Big shadow、30°face、90°face 為特征變量，id 作為編號，過濾掉其他的無關(guān)變量。結(jié)果表明，基于YOLOV2算法的密集連接的網(wǎng)絡(luò)結(jié)構(gòu)相比于YOLOV1 網(wǎng)絡(luò)，不僅能夠提取到更為細粒度、更為抽象的人臉特征，而且使得網(wǎng)絡(luò)提取到的人臉特征在整個任務(wù)中最大化地被網(wǎng)絡(luò)利用，并學習到新的人臉特征，提升人臉檢測算法的性能。

5 總結(jié)

總而言之，YOLOV2 網(wǎng)絡(luò)是當前人臉識別系統(tǒng)構(gòu)建領(lǐng)域的重要工具，將之組合不僅能夠挖掘傳輸識別過程中各個已有數(shù)據(jù)之間的潛在關(guān)系，更能快速地構(gòu)建起相關(guān)的預(yù)測模型。當然本次研究也存在著許多的不足，雖然對YOLOV2 網(wǎng)絡(luò)在當前人臉識別系統(tǒng)構(gòu)建應(yīng)用中存在的問題進行了分析，但仍不夠深入，希望將來能有機會繼續(xù)對人臉識別系統(tǒng)構(gòu)建的問題進行研究，進而為我國相關(guān)領(lǐng)域的發(fā)展做出貢獻。