基于深度學(xué)習(xí)的輕量級人臉檢測模型研究

周立廣 韋智勇

【關(guān)鍵詞】深度學(xué)習(xí);輕量級;人臉檢測;人臉特征

【中圖分類號】TP391.41;TP181【文獻標識碼】A【文章編號】1674-0688（2021）06-0057-03

隨著全球人工智能技術(shù)的高速發(fā)展，生物識別技術(shù)成為該領(lǐng)域的研究熱點，其主要是利用人體皮膚、人臉、指紋等特征作為技術(shù)識別的方式，其中，人臉識別為主要的識別方式，該方式具有精準性、唯一性、有效性特點，這種特點是無法進行模擬和仿制的。目前，人臉識別技術(shù)已逐步運用于各個領(lǐng)域當(dāng)中，傳統(tǒng)的識別技術(shù)也逐步被其替代。同時，這項技術(shù)的精準度在進一步提高。人臉識別算法總體上經(jīng)歷了3個發(fā)展階段，即由早期的空間幾何算法發(fā)展到人工特征算法，直到發(fā)展到今天的深度學(xué)習(xí)算法。深度學(xué)習(xí)算法應(yīng)用廣泛，并且在很多領(lǐng)域中都有深入研究，尤其是基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的人臉識別算法，其發(fā)展迅猛，主要是通過不同的人臉特征進行向量提取，并進行深度學(xué)習(xí)，即通過識別算法把人臉特征存儲在向量庫中，向量庫的數(shù)據(jù)量越大，識別的準確率也就越高。

1 關(guān)于深度學(xué)習(xí)的相關(guān)理論

1.1 深度學(xué)習(xí)技術(shù)

人工智能是目前全球IT行業(yè)研究的熱點，而深度學(xué)習(xí)技術(shù)是其中一項重要內(nèi)容，內(nèi)涵非常豐富，是一門跨領(lǐng)域的信息技術(shù)，該技術(shù)通過智能設(shè)備模擬學(xué)習(xí)的方式進行，從激勵響應(yīng)和模型優(yōu)化到對激勵的結(jié)果進行數(shù)值判斷。隨著全球信息技術(shù)的高速發(fā)展，深度學(xué)習(xí)技術(shù)發(fā)展也日新月異，在視頻、語音識別方面獲得了實質(zhì)性突破。借助深度學(xué)習(xí)技術(shù)可以讓機器自動感知周圍環(huán)境，提高設(shè)備的智能化，從而提高工作效率。深度學(xué)習(xí)主要由神經(jīng)網(wǎng)絡(luò)研究發(fā)展而來，它是由多個感知器集成的深度學(xué)習(xí)系統(tǒng)，系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。深度學(xué)習(xí)的過程主要分為兩個部分，首先訓(xùn)練每層的神經(jīng)單元，然后再采用“喚醒-睡眠”算法進行優(yōu)化和調(diào)整，從而使系統(tǒng)“感知”到“確認”緊密融合，深度訓(xùn)練順序主要分為自下而上和自上而下兩種模式。

圖1 基于深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 人臉檢測與識別

人臉檢測與識別技術(shù)屬于一種生物識別技術(shù)，該技術(shù)先通過人臉圖像確定圖像的形狀、顏色、大小等信息，然后對圖像進行人臉區(qū)域定位，動態(tài)獲取人臉的特征信息，通過人臉目標檢測算法計算，與基礎(chǔ)庫的信息進行比較，可以得出識別者的身份及相關(guān)信息。目標檢測算法目前有多種形式，例如One-stage算法、SSD算法等都屬于目標算法。另外，在人臉識別方面，主要采用人臉匹配算法，人臉匹配主要分為“一對一”和“一對多”兩種方式，“一對一”主要是直接判斷兩張圖是否為同一個人的臉，而“一對多”則是從人臉庫中提取相關(guān)的多個數(shù)據(jù)進行再次匹配，目前“一對一”方式較為常用。人臉檢測與識別技術(shù)目前已廣泛運用于各個行業(yè)，不僅提高了各行業(yè)的工作效率，而且提高了數(shù)據(jù)的安全性和可靠性。

1.3 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)技術(shù)主要通過計算機網(wǎng)絡(luò)進行模仿生物的神經(jīng)系統(tǒng)，該系統(tǒng)具有非線性、非穩(wěn)定性和非平衡性特點，目前使用最多的是卷神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由神經(jīng)傳導(dǎo)模型演變而來，該神經(jīng)系統(tǒng)包含特征提取神經(jīng)元和抗形變神經(jīng)元兩種神經(jīng)元，分別起到卷積核濾波和激活池化操作的作用，可有效提取人臉圖像信號及其時間序列。在神經(jīng)傳導(dǎo)算法中，反射傳播算法目前為最佳算法，該算法可大幅提升系統(tǒng)性能。今后，隨著計算機網(wǎng)絡(luò)技術(shù)的快速發(fā)展，以及云計算、大數(shù)據(jù)發(fā)展的推動，神經(jīng)網(wǎng)絡(luò)算法會有一個全新的突破。

2 算法模型和數(shù)據(jù)集

人臉識別算法有很多種，在深度算法中也存在多種方式，隨著近幾年的高速發(fā)展，該項技術(shù)也穩(wěn)步提升，而每種識別算法所對應(yīng)的網(wǎng)絡(luò)模型和訓(xùn)練集都存在差異，因此都各有優(yōu)缺點。為此，建立一個具有差異性的算法模型和訓(xùn)練集非常重要，這對后續(xù)研究工作進展起到?jīng)Q定性的作用 [1]。

2.1 算法模型

目前，基于深度學(xué)習(xí)的人臉檢測算法層出不窮，但許多開發(fā)者基于自身利益考慮，不公開算法的源代碼。通過對目前公開源代碼的算法進行逐一分析，VGGFace算法的精確度是最高的，該算法主要運用在模型識別和特征投影兩個方面，由于網(wǎng)絡(luò)中卷積層存在各自不同，使得網(wǎng)絡(luò)訓(xùn)練工作量較大 [2]。因為VGGFace的運行環(huán)境對硬件配置有很高的要求，所以要想在移動設(shè)備上運行是比較困難的，并且在運行過程中的訓(xùn)練和特征提取都會占用大量時間，相比之下，Caffe-face由于網(wǎng)絡(luò)規(guī)模小、特征參數(shù)少，屬于輕量級，可以在移動設(shè)備和一些小型設(shè)備中使用，而且該算法的精確度也很高。另外，在公開源代碼的算法中，有一種算法為Lightened CNN，該算法具有學(xué)習(xí)率高和迭代次數(shù)小的優(yōu)點，也是目前精確度較高的算法模型之一。

2.2 詞匯表達與分類訓(xùn)練

如果在人臉特征提取過程中出現(xiàn)滯后現(xiàn)象，可采用聚合方式進行處理，即采用視覺詞匯表達的方式進行，整個過程把人臉特征用視覺詞匯先表達出來，把詞匯集存儲在指定的庫中，并建立相應(yīng)的詞匯圖，該項流程完成后，每臺設(shè)備進行深度學(xué)習(xí)的目標可以實現(xiàn)。首先通過分類器對設(shè)備進行訓(xùn)練，然后用測試集測試設(shè)備的訓(xùn)練程度，目前大多采用多層傳感器解決分類問題，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)采用梯度算法，可解決無法識別線性數(shù)據(jù)的問題，使識別范圍進一步擴大。同時，用于識別的設(shè)備還可通過反向傳播算法精準地統(tǒng)計出整個神經(jīng)系統(tǒng)中神經(jīng)元的實時數(shù)量，可進一步改進整個系統(tǒng)，提升系統(tǒng)的工作效率。

2.3 并行架構(gòu)設(shè)計

如果神經(jīng)網(wǎng)絡(luò)采用并行方式進行設(shè)計，可提升整個網(wǎng)絡(luò)的詞匯表達效率，加強圖像識別能力，但由于對設(shè)備訓(xùn)練的方式多種多樣，極易出現(xiàn)梯度擴散現(xiàn)象，導(dǎo)致訓(xùn)練難度進一步加大。為了解決這一問題，目前采用無標簽數(shù)據(jù)對每個設(shè)備單獨進行分層次訓(xùn)練，先對底層網(wǎng)絡(luò)進行訓(xùn)練，把訓(xùn)練結(jié)果作為樣本，再進入下一層的網(wǎng)絡(luò)訓(xùn)練中，整個過程僅需要少部分帶標簽的數(shù)據(jù)進行細調(diào)，這樣可以大幅度提升整個神經(jīng)網(wǎng)絡(luò)對人臉識別的準確度及效率。

2.4 數(shù)據(jù)集

基于深度學(xué)習(xí)的輕量級人臉檢測模型一般都要通過大數(shù)據(jù)技術(shù)的積極配合，有些數(shù)據(jù)可通過外界或其他途徑獲取，如可以通過互聯(lián)網(wǎng)、監(jiān)控視頻、個人證件、生活照片等方式獲取，由于這些數(shù)據(jù)格式千差萬別，需要分別進行數(shù)據(jù)轉(zhuǎn)換才能使用，且轉(zhuǎn)換過程必須按同一標準進行。在進行深度學(xué)習(xí)人臉檢測模型研究中，要求對人臉數(shù)據(jù)建立一個數(shù)據(jù)集，并且對這些數(shù)據(jù)進行大數(shù)據(jù)分析，本文主要應(yīng)用兩種數(shù)據(jù)集，一種是CASIA-WebFace，另一種是UMDfaces，為網(wǎng)絡(luò)訓(xùn)練做預(yù)先的準備，這樣可提高人臉檢測的準確性。

2.5 測試結(jié)果

對系統(tǒng)的數(shù)據(jù)集進行有效統(tǒng)計分析，如果采用面部圖像數(shù)據(jù)集進行測試，準確度為0.95，數(shù)據(jù)回收率為0.94，其數(shù)據(jù)精準度為0.935;如果采用面部表情數(shù)據(jù)集進行測試，準確度為0.98，數(shù)據(jù)回收率為0.978，其數(shù)據(jù)精準度為0.971。根據(jù)測試結(jié)果得出，利用面部圖像數(shù)據(jù)集測試精準度為0.935，而利用面部表情數(shù)據(jù)集測試精準度為0.978，并且，如果人臉圖像背景較暗時，精準度也降低，本項目在今后的研究中將進行持續(xù)改進，對特征算法進行改進和優(yōu)化，使該算法適用環(huán)境范圍更加廣泛。

3 人臉檢測預(yù)處理和特征參數(shù)

3.1 人臉檢測預(yù)處理

對于深度學(xué)習(xí)的人臉檢測算法，在算法模型確定的同時，用于訓(xùn)練的數(shù)據(jù)集也要確定下來，根據(jù)算法的要求，必須對人臉數(shù)據(jù)進行預(yù)處理，對特征參數(shù)進行融合分析。通常情況下，人臉圖像都含有大量的冗余數(shù)據(jù)信息，如圖像背景、光線強度等，這些信息對人臉檢測有不良影響，使得檢測的準確度下降，同時檢測的時間也會延長，而人臉信息預(yù)處理會提高整個算法模型的精度?；谏疃葘W(xué)習(xí)的人臉檢測算法可自動學(xué)習(xí)人臉的特征信息，這樣可提升人臉檢測效率，縮短檢測時間，比傳統(tǒng)的人臉檢測算法有一定提升。在目前的人臉檢測算法中，MTCNN算法在人臉預(yù)處理中效率較高，為了使人臉歸一化質(zhì)量提高，可采用仿射變化方式 [3]。之后，根據(jù)CASIA-WebFace和UMDfaces這兩個數(shù)據(jù)集，把這些數(shù)據(jù)特征進行統(tǒng)一的數(shù)據(jù)整理和分析，得出人臉的數(shù)據(jù)特征。

3.2 人臉特征參數(shù)

人臉檢測的第二個步驟是人臉特征提取和融合，在提取人臉圖像的數(shù)據(jù)后，通過算法先對圖像數(shù)據(jù)進行預(yù)處理，同時提取出人臉的特征參數(shù)，這樣可作為深度算法輸入的最終圖像。目前，有一種人臉檢測算法是基于卷神經(jīng)網(wǎng)絡(luò)的，該網(wǎng)絡(luò)結(jié)構(gòu)屬于分層結(jié)構(gòu)，對各種數(shù)據(jù)模型進行數(shù)據(jù)特征提取，如果在降維上有好的效果，則在特征提取上效果更佳。PCA算法是一種多角度的人臉算法，對具有維數(shù)較高的特征進行降維，以此判定下一步數(shù)據(jù) [4]。在得到人臉模型的基礎(chǔ)特征后進行比較，各個特征和維度千差萬別，這樣會導(dǎo)致特征融合的差異性，由于不同數(shù)據(jù)模型的權(quán)重各不相同，為了解決這一問題，必須先進行降維處理，降維后要重新分析模型的精度是否有變化，進而測試該模型的組合特征。

4 基于深度學(xué)習(xí)的輕量級人臉檢測模型

4.1 系統(tǒng)設(shè)計

針對人臉識別所對應(yīng)的各種外部環(huán)境，把深度學(xué)習(xí)算法融入其中，設(shè)計出基于深度學(xué)習(xí)的輕量級人臉檢測算法模型。本系統(tǒng)具有功能擴展性、穩(wěn)定性、高效性等特點，整個系統(tǒng)的功能設(shè)計內(nèi)容如下。

（1）節(jié)目管理模塊。該模塊功能主要用于節(jié)目的日常管理，如節(jié)目編輯、數(shù)據(jù)保存、輸入輸出管理等，對待檢節(jié)目進行實時監(jiān)測，并保存相關(guān)的監(jiān)測信息，對節(jié)目進行識別并做好標記與分段，有效存儲人臉識別的特征信息。

（2）數(shù)據(jù)功能模塊。在深度學(xué)習(xí)的人臉識別系統(tǒng)中，數(shù)據(jù)處理是本系統(tǒng)的核心功能，主要對視頻中的數(shù)據(jù)進行有效處理，即對與人臉信息無關(guān)的內(nèi)容予以刪除，有效信息予以保存，同時將人臉的輪廓、位移進行細微調(diào)整，把調(diào)整好的數(shù)據(jù)傳輸?shù)缴疃葘W(xué)習(xí)系統(tǒng)中，通過一系列算法，得出人臉的檢測結(jié)果。另外，數(shù)據(jù)處理還可通過反復(fù)迭代的運算形式進一步優(yōu)化系統(tǒng)功能。

（3）工作模塊。該功能主要包括信息管理、系統(tǒng)參數(shù)維護、權(quán)限管理等，日常工作管理的主要內(nèi)容包括日常任務(wù)、信息查詢、數(shù)據(jù)下載、數(shù)據(jù)審核等，在各個日常任務(wù)中數(shù)據(jù)審核是最主要的功能，一般是通過人工方式進行，按照最初的設(shè)想，識別方式為自動識別，對識別結(jié)果進行人工審核。

（4）流程管理模塊。該功能主要是先下載即將進行檢測的視頻，對錄像進行初步的視頻處理，包括視頻的格式、人臉特征信息、環(huán)境信息等，將處理完成后的數(shù)據(jù)保存到檢測系統(tǒng)的數(shù)據(jù)庫中，系統(tǒng)將該特征信息與特征庫的數(shù)據(jù)信息進行匹配，將匹配結(jié)果以人工方式輸出，同樣也經(jīng)過人工復(fù)核，這樣可確保檢測的準確性。

4.2 特征訓(xùn)練

本算法經(jīng)過上述環(huán)節(jié)后，即將進行最后的一個步驟，即特征訓(xùn)練，這是基于深度學(xué)習(xí)的輕量級人臉檢測算法的關(guān)鍵步驟，主要是在建立深度融合的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進行組合特征訓(xùn)練。該網(wǎng)絡(luò)結(jié)構(gòu)主要包含輸入層和全連接層，輸入層組合特征主要為FA和FB兩種，F(xiàn)B的維數(shù)是FA的3倍，維度的不同使得后續(xù)的特征參數(shù)也不相同，特征訓(xùn)練、人臉特征參數(shù)、分類層和網(wǎng)絡(luò)神經(jīng)元數(shù)量對應(yīng)3個全連接層，訓(xùn)練和測試方式都在Caffe框架內(nèi)實現(xiàn)，訓(xùn)練方法主要包括模型及參數(shù)的設(shè)置和訓(xùn)練方式，測試主要采用梯度下降法 [5]。

4.3 算法測試

為了確?；谏疃葘W(xué)習(xí)的輕量級人臉檢測模型的精準性，用兩個不同人臉的數(shù)據(jù)信息進行檢測，評價指標采用ROC標準，從實驗數(shù)據(jù)來看，本文的算法與其他算法進行各項指標對比，如果訓(xùn)練較小，準確率分別為98.9%和93.42%，可以看出，本文算法的檢測效果較好，基本上達到了預(yù)期目的。另外，通過進一步的測試分析，對人臉進行最全測試集中，效果也是最好的，如果能把這兩個優(yōu)點結(jié)合，在此基礎(chǔ)上進行相應(yīng)改進，則可能效果更好，可提高權(quán)重值。

5 結(jié)語

隨著深度學(xué)習(xí)技術(shù)不斷創(chuàng)新，人臉檢測技術(shù)將往更高的方向發(fā)展，人臉檢測技術(shù)是目前各行業(yè)廣泛運用的安全技術(shù)之一，不同的學(xué)習(xí)模型則存在不同的檢測精度。本文通過人臉檢測預(yù)處理和特征參數(shù)融合兩個過程，得到了基于深度學(xué)習(xí)的輕量級人臉檢測模型，它具有高精確度、檢測時間短、安全可靠的特點。未來，隨著人臉檢測在精確度及動態(tài)識別技術(shù)的高速發(fā)展，該技術(shù)將會逐步成熟和完善。

參 考 文 獻

[1]崔慶華.基于深度學(xué)習(xí)的人臉識別技術(shù)分析[J].計算機產(chǎn)品與流通，2019，12（16）：63-66.

[2]楊涵.基于深度學(xué)習(xí)的人臉識別算法研究[J].電子設(shè)計工程，2019，27（19）：155-159.

[3]張卓群，曹鐘淼，王慧，等.深度學(xué)習(xí)與人臉識別算法研究[J].軟件，2019，9（12）：138-141.

[4]司琴，李菲菲，陳虬.基于深度學(xué)習(xí)與特征融合的人臉識別算法[J].電子科技，2019，5（8）：78-81.

[5]黃發(fā)揚.淺談基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的人臉識別技術(shù)[J].智能建筑，2019，10（28）：104-106.