基于深度學(xué)習(xí)理論的人臉識(shí)別技術(shù)應(yīng)用綜述*

李玲俐

（廣東司法警官職業(yè)學(xué)院 廣州 510520）

1 引言

生物特征識(shí)別是利用計(jì)算機(jī)技術(shù)，通過采集人的生物特征樣本進(jìn)行人的身份識(shí)別。心理學(xué)家20世紀(jì)50年代開始研究人臉識(shí)別，60年代后，慢慢發(fā)展成一種重要的生物特征識(shí)別技術(shù)。區(qū)別于指紋、虹膜等其他生物識(shí)別，人臉識(shí)別技術(shù)具有直觀、非接觸性、方便采集、交互性強(qiáng)、可擴(kuò)展性的優(yōu)點(diǎn)［1］，成為大數(shù)據(jù)時(shí)代背景下的生物特征識(shí)別中一個(gè)非常熱門的研究領(lǐng)域，被廣泛應(yīng)用于門禁考勤、訪問控制、欺詐檢測(cè)、公安刑偵、智能支付等領(lǐng)域。

人臉技術(shù)雖然取得了一些研究成果，但由于人臉的不同姿態(tài)、表情以及光線、遮擋、角度、分辨率等因素，識(shí)別率和準(zhǔn)確性會(huì)降低，影響了人臉識(shí)別的研究效果。目前，傳統(tǒng)的人臉識(shí)別技術(shù)已經(jīng)不能解決各類復(fù)雜因素下的人臉識(shí)別問題，實(shí)際應(yīng)用面臨諸多挑戰(zhàn)。隨著深度學(xué)習(xí)的發(fā)展和廣泛應(yīng)用，人臉識(shí)別研究有了很大的突破，其自身適應(yīng)性、精確性和智能度得到很大提升。本文從傳統(tǒng)人臉識(shí)別方法面臨的技術(shù)問題出發(fā)，闡述深度學(xué)習(xí)理論及其在人臉識(shí)別中的應(yīng)用，并對(duì)未來的發(fā)展進(jìn)行展望。

2 傳統(tǒng)人臉識(shí)別方法面臨的問題

傳統(tǒng)的人臉識(shí)別方法主要有以下幾種。

1）基于幾何特征［2］的方法。最簡(jiǎn)單的人臉識(shí)別方法，將人臉的眼睛、鼻子、嘴巴等重點(diǎn)部位和這些部位的形狀、位置進(jìn)行比較來判別。該方法主要依賴特征提取的準(zhǔn)確度，但由于形狀、位置等特點(diǎn)不能精確體現(xiàn)出人臉圖像中的非線性因素，該方法的識(shí)別度和可靠性較低。

2）基于代數(shù)特征［3］的方法。通過主成分分析（Principal Component Analysis，PCA）［4］、線性判別分析（Linear Discriminant Analysis，LDA）［5］等方法獲取特征，對(duì)圖片的灰度特征作代數(shù)變化處理，或者通過分解人臉圖像構(gòu)成的矩陣來實(shí)現(xiàn)。采用降維策略，線性結(jié)構(gòu)時(shí)具有強(qiáng)大的功效，但面對(duì)非線性結(jié)構(gòu)時(shí)，識(shí)別效果降低。

3）基于模型的方法。將人臉圖像與數(shù)據(jù)庫(kù)中所有的模板記錄進(jìn)行對(duì)比，選取最相似的模板作為待處理圖像的分類。但數(shù)據(jù)庫(kù)中圖片數(shù)量是有限的，而且對(duì)背景、表情、光線、角度等條件很敏銳。這種理想狀態(tài)的方法不適用于現(xiàn)實(shí)場(chǎng)景。

4）基于局部保值映射（Locality Preserving Projection，LPP）的方法。為克服非線性方法中存在的缺點(diǎn)，浙江大學(xué)何曉飛教授提出了LPP。降低空間維度的同時(shí)，能準(zhǔn)確得到圖像的局部特征結(jié)構(gòu)，但不能提取圖像的原有特征結(jié)構(gòu)［6］。

5）基于神經(jīng)網(wǎng)絡(luò)［7］的方法。包括卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，采用降維方式，從原圖中自動(dòng)學(xué)習(xí)特征，但面對(duì)巨大的網(wǎng)絡(luò)參數(shù)時(shí)，訓(xùn)練時(shí)間加長(zhǎng)導(dǎo)致效率降低，或者產(chǎn)生過度擬合，使得測(cè)試準(zhǔn)確性下降。因此，不適合現(xiàn)實(shí)應(yīng)用。

6）基于稀疏表示［8～9］的方法。人臉識(shí)別中采用稀疏信號(hào)表示來處理問題，使得特征選擇變得簡(jiǎn)單。但是，如何正確地計(jì)算稀疏表示是關(guān)鍵，而且該方法不能進(jìn)行主動(dòng)學(xué)習(xí)，必須要人工設(shè)置［6］。

由于非線性因素的影響，加上人臉識(shí)別自身的復(fù)雜性，訓(xùn)練大規(guī)模的人臉數(shù)據(jù)集、算法和計(jì)算性能等的制約，傳統(tǒng)人臉識(shí)別方法存在的這些缺陷，極大降低了人臉識(shí)別的精度，間接導(dǎo)致很多研究者放棄使用這些方法。

3 人臉識(shí)別中引入深度學(xué)習(xí)技術(shù)

3.1 深度學(xué)習(xí)概述

深度學(xué)習(xí)也稱為深度神經(jīng)網(wǎng)絡(luò)，其概念來自多倫多大學(xué)的Geoffrey Hinton等于2006年在《Science》上發(fā)表的一篇文章［10］，通過神經(jīng)網(wǎng)絡(luò)模擬人腦的學(xué)習(xí)過程，采用無(wú)監(jiān)督預(yù)訓(xùn)練方法，借鑒人腦的多層抽象思維對(duì)文本、語(yǔ)音、圖像等數(shù)據(jù)或?qū)嶋H對(duì)象完成抽象表述，將特征提取器和分類器整合到一個(gè)學(xué)習(xí)架構(gòu)中［11］，進(jìn)行特征提取時(shí)要避免過多的人為干預(yù)。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中對(duì)數(shù)據(jù)進(jìn)行自動(dòng)學(xué)習(xí)的一種方法，“深度”表現(xiàn)在能對(duì)特征進(jìn)行多次變換，深度的出現(xiàn)和快速發(fā)展，使得人們?cè)诤芏嘌芯亢蛻?yīng)用中能夠從樣本中無(wú)監(jiān)督地學(xué)習(xí)到更能體現(xiàn)數(shù)據(jù)的本來特征［12］。輸入原始數(shù)據(jù)到模型中，再對(duì)模型進(jìn)行學(xué)習(xí)，得到適合分類的、具有表達(dá)性和推廣性的特征表示［12］。常用的深度學(xué)習(xí)模型為多層神經(jīng)網(wǎng)絡(luò)，能逐層地對(duì)復(fù)雜數(shù)據(jù)進(jìn)行特征提取，其功能非常強(qiáng)大。

深度學(xué)習(xí)網(wǎng)絡(luò)的高層語(yǔ)義特征表現(xiàn)很突出，遇到缺少標(biāo)記數(shù)據(jù)或大數(shù)據(jù)集等不易解決的問題時(shí)，能自動(dòng)調(diào)整非監(jiān)督數(shù)據(jù)來提高性能。深度學(xué)習(xí)算法已被大量應(yīng)用在模式識(shí)別、圖像分類、計(jì)算機(jī)視覺、人臉識(shí)別等領(lǐng)域并獲取了極好的效果。

3.2 深度學(xué)習(xí)理論與人臉識(shí)別技術(shù)相結(jié)合

深度學(xué)習(xí)炙手可熱主要包括三個(gè)原因：1）創(chuàng)新的算法；2）高計(jì)算機(jī)處理能力；3）能夠訓(xùn)練大規(guī)模的數(shù)據(jù)集。

深度學(xué)習(xí)通過模擬人類大腦神經(jīng)系統(tǒng)來處理消息，能較好地解決人臉識(shí)別中存在的復(fù)雜問題。在深度學(xué)習(xí)模型下，對(duì)大數(shù)據(jù)分析借助圖形處理器構(gòu)成的運(yùn)算系統(tǒng)實(shí)現(xiàn)，能夠直接從原圖中學(xué)習(xí)具有判斷性的人臉特征。在海量人臉數(shù)據(jù)時(shí)代，基于深度學(xué)習(xí)的人臉識(shí)別無(wú)論在速度還是準(zhǔn)確性方面都已經(jīng)取得了最好的效果［1］，對(duì)深度學(xué)習(xí)的理論研究和人臉識(shí)別的實(shí)際應(yīng)用具有極其重要的意義。

4 深度學(xué)習(xí)在人臉識(shí)別中的研究與應(yīng)用

目前已有多種深度學(xué)習(xí)模型，最重要的兩種方法是深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），下面主要介紹這兩種模型在人臉識(shí)別上的研究與應(yīng)用。

4.1 基于DBN的人臉識(shí)別技術(shù)

DBN是第一個(gè)被提出的深度學(xué)習(xí)模型，它由基本結(jié)構(gòu)單元——受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）組成。RBM是深度學(xué)習(xí)中一塊非常重要的奠基石，能夠很好地?cái)M合數(shù)據(jù)，通常用作非線性分類器。RBM在降維、分類、建模和特征學(xué)習(xí)等領(lǐng)域應(yīng)用廣泛。

相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的一個(gè)重要優(yōu)勢(shì)是，很大程度上解決了低層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和精度問題。多層模型進(jìn)行全局學(xué)習(xí)前，DBN會(huì)將神經(jīng)網(wǎng)絡(luò)分解為多個(gè)RBM的層疊，再對(duì)其進(jìn)行逐層訓(xùn)練［13］。DBN為了準(zhǔn)確描述特征結(jié)構(gòu)，能自下而上學(xué)習(xí)各層的抽象特征，與代數(shù)特征方法不同，其特征提取不用人工來選擇，完全采用自動(dòng)學(xué)習(xí)來完成。文獻(xiàn)［13］解決了深度學(xué)習(xí)在人臉識(shí)別姿態(tài)和分辨率上存在的問題。使用DBN在姿態(tài)映射和姿態(tài)分類處理中的應(yīng)用，實(shí)驗(yàn)結(jié)果表明，基于DBN的姿態(tài)映射可以學(xué)習(xí)到側(cè)面人臉圖像到正面人臉圖像的一個(gè)全局映射；基于DBN的姿態(tài)分類可以達(dá)到良好的性能。

DBN的一個(gè)缺陷是直接采用人臉圖像的像素作為學(xué)習(xí)的輸入，往往忽略了人像的局部特征，在姿態(tài)、光線、噪聲等因素的影響下，輸出的特征表達(dá)可能會(huì)對(duì)結(jié)果不利［14］。為了解決這個(gè)問題，文獻(xiàn)［15］通過提取Gabor特征當(dāng)作DBN的輸入來進(jìn)行人臉識(shí)別，識(shí)別率高達(dá)92.7%。文獻(xiàn)［16］也提出一種基于Gabor小波與DBN相結(jié)合的人臉識(shí)別方法，有效提取人像的抽象特征，且很好地降低了姿態(tài)、光線等對(duì)識(shí)別率的影響，實(shí)現(xiàn)了對(duì)人像的準(zhǔn)確識(shí)別。

4.2 基于CNN的人臉識(shí)別技術(shù)

CNN源自多層前向網(wǎng)絡(luò)，通過多次卷積、激函數(shù)、池化等運(yùn)算過程自動(dòng)學(xué)習(xí)特征，是第一個(gè)真正訓(xùn)練成功的多層網(wǎng)絡(luò)結(jié)構(gòu)，數(shù)據(jù)越復(fù)雜，網(wǎng)絡(luò)結(jié)構(gòu)也越深。CNN類似于生物神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)具有局部權(quán)值共享網(wǎng)絡(luò)的特殊性，能降低網(wǎng)絡(luò)模型的復(fù)雜度，減少權(quán)值的數(shù)量［16］。CNN具有特征提取、局部感知區(qū)域、結(jié)構(gòu)層次化、共享卷積核、對(duì)高維數(shù)據(jù)處理無(wú)壓力等特點(diǎn)，而且，CNN訓(xùn)練時(shí)所需參數(shù)數(shù)量比其他神經(jīng)網(wǎng)絡(luò)要少，增強(qiáng)了CNN的實(shí)用性。

CNN不用對(duì)復(fù)雜圖像進(jìn)行預(yù)處理，直接將圖像的像素作為網(wǎng)絡(luò)的輸入，降低了傳統(tǒng)人臉識(shí)別方法中提取特征和分類過程中重建數(shù)據(jù)的復(fù)雜度，多維圖像作為輸入時(shí)其表現(xiàn)更為明顯，使得CNN在圖像識(shí)別等分類學(xué)科領(lǐng)域獲得廣泛的應(yīng)用。

采用CNN模型，文獻(xiàn)［17］在LFW數(shù)據(jù)庫(kù)上的人臉識(shí)別準(zhǔn)確率高達(dá)97.45%，只比文獻(xiàn)［18］中的人類視覺識(shí)別率97.5%略低。通過改進(jìn)，學(xué)習(xí)非線性特征變換減小類內(nèi)變化，并使得不同身份的人像間距保持不變，其在LFW數(shù)據(jù)庫(kù)上的識(shí)別率提高到99.15%［19］，超越了目前研究者們?cè)贚FW數(shù)據(jù)庫(kù)以及所有領(lǐng)先的人臉識(shí)別算法的識(shí)別率［1］。

5 結(jié)語(yǔ)

本文對(duì)基于深度學(xué)習(xí)理論的人臉識(shí)別技術(shù)進(jìn)行了綜述，傳統(tǒng)人臉識(shí)別技術(shù)存在一些問題，將基于深度學(xué)習(xí)的技術(shù)引入到人臉識(shí)別中，詳細(xì)討論了當(dāng)前應(yīng)用最多的兩種模型DBN和CNN。從國(guó)內(nèi)外研究現(xiàn)狀來看，基于DBN和CNN的人臉識(shí)別技術(shù)已被廣泛運(yùn)用，并取得良好的效果。但是，二者也存在相同的問題，很難徹底解決小樣本情況下識(shí)別率普遍偏低的問題，所以，DBN和CNN更適合大數(shù)據(jù)集。

相對(duì)其他機(jī)器學(xué)習(xí)的人臉識(shí)別方法，深度學(xué)習(xí)的優(yōu)勢(shì)在于自動(dòng)提取特征且能力非常強(qiáng)大，能處理各類復(fù)雜的數(shù)據(jù)，能構(gòu)造各種精確的模型等。深度學(xué)習(xí)也存在一些缺點(diǎn)，例如：計(jì)算復(fù)雜度高，訓(xùn)練時(shí)間比較長(zhǎng)；模型參數(shù)過多，進(jìn)行優(yōu)化時(shí)需要不斷迭代；不確定是否能得到全局最優(yōu)解等。當(dāng)然，深度學(xué)習(xí)和人臉識(shí)別技術(shù)都在不斷發(fā)展和繼續(xù)研究中，基于深度學(xué)習(xí)的人臉識(shí)別算法的準(zhǔn)確率也不斷被提升。未來，安防人臉檢測(cè)和識(shí)別、公共場(chǎng)所實(shí)時(shí)監(jiān)控等領(lǐng)域?qū)θ四樧R(shí)別的精確性要求更高，后續(xù)的研究將是在復(fù)雜度更高，包括人臉在光照、姿態(tài)、表情、遮擋及脈沖類噪聲干擾等情況下改進(jìn)算法、提高人臉圖像的識(shí)別率，進(jìn)一步提高人臉識(shí)別效率；為適應(yīng)大數(shù)據(jù)時(shí)代的發(fā)展，進(jìn)一步豐富數(shù)據(jù)庫(kù)資源，這項(xiàng)工作將具有很大的挑戰(zhàn)性；基于深度學(xué)習(xí)理論的人臉識(shí)別還要跟其他方法相結(jié)合，更好更快推動(dòng)人工智能的發(fā)展。