基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)分析

摘要：作為重要的人工智能研究方向，人臉識(shí)別研究近年來大量涌現(xiàn)，相關(guān)產(chǎn)品也在各領(lǐng)域廣泛應(yīng)用?；诖?，文章將圍繞一種基于深度學(xué)習(xí)提升人臉識(shí)別技術(shù)準(zhǔn)確率的算法開展研究，在計(jì)算框架加速化和網(wǎng)絡(luò)結(jié)構(gòu)小型化支持下，實(shí)時(shí)化人臉識(shí)別得以實(shí)現(xiàn)，由此設(shè)計(jì)的人臉識(shí)別系統(tǒng)可用于物聯(lián)網(wǎng)設(shè)備。

關(guān)鍵詞：深度學(xué)習(xí);人臉識(shí)別技術(shù);人臉檢測;物聯(lián)網(wǎng)設(shè)備

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）07-0089-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：<H：＼飛翔打包文件＼電腦2022年第七期打包文件1＼8.05xs202207＼Image＼image88.png>

相較于虹膜識(shí)別、指紋識(shí)別、密碼、密鑰等局限性較大的身份驗(yàn)證手段，人臉識(shí)別技術(shù)已成為現(xiàn)階段公認(rèn)的最佳身份驗(yàn)證手段。隨著人臉識(shí)別技術(shù)的快速發(fā)展和廣泛應(yīng)用，人們的生活逐漸發(fā)生變化，火車站的人臉識(shí)別閘機(jī)、人臉識(shí)別自動(dòng)售賣機(jī)等均屬于這種變化的載體。

1 人臉識(shí)別算法設(shè)計(jì)

1.1 人臉檢測算法

為實(shí)現(xiàn)人臉識(shí)別算法效果和性能的平衡，需基于MTCNN框架開展人臉檢測網(wǎng)絡(luò)設(shè)計(jì)，具體算法流程可概括為：“圖像金字塔→[Pnet]檢測→[Rnet]檢測→[Onet]檢測”。圖像金字塔可通過放大和縮放圖像獲取，進(jìn)入[Pnet]網(wǎng)絡(luò)的圖像金字塔負(fù)責(zé)生成人臉候選區(qū)域，人臉區(qū)域多重復(fù)冗余通過非極大值抑制開展去重處理，在[Rnet]網(wǎng)絡(luò)中進(jìn)一步提取特征并進(jìn)行邊框回歸，進(jìn)一步去重處理，[Onet]網(wǎng)絡(luò)繼續(xù)進(jìn)行提取特征和邊框回歸，人臉?biāo)趨^(qū)域能夠最終獲取，人臉關(guān)鍵點(diǎn)的預(yù)測5個(gè)位置也能夠同時(shí)獲得。為降低學(xué)習(xí)參數(shù)，部分傳統(tǒng)卷積層通過可分離卷積結(jié)構(gòu)替代，完成人臉檢測網(wǎng)絡(luò)的深度可分離卷積設(shè)計(jì)，最終得到[Pnet]、[Rnet]、[Onet]網(wǎng)絡(luò)結(jié)構(gòu)[1]。

為驗(yàn)證算法有效性，開展算法模型訓(xùn)練，并結(jié)合人臉檢測測試庫對(duì)檢測速度和效果進(jìn)行測試，具體選擇[wide face]數(shù)據(jù)集，數(shù)據(jù)集中的人臉照片、人臉I(yè)D數(shù)量 分別為 393703張、32203個(gè)，從中隨機(jī)選取40%的每個(gè)事件類人臉照片。同時(shí)將自建的亞洲數(shù)據(jù)集作為其中的事件場景照片，數(shù)據(jù)集的人臉照片、人臉I(yè)D數(shù)量分別為20000張、10000個(gè)。人臉關(guān)鍵點(diǎn)訓(xùn)練集選擇[Celeb A]數(shù)據(jù)集，數(shù)據(jù)集包含屬性標(biāo)記、人臉特征點(diǎn)數(shù)量分別為40個(gè)、5個(gè)，[Onet]網(wǎng)絡(luò)基于關(guān)鍵點(diǎn)坐標(biāo)進(jìn)行訓(xùn)練。完成數(shù)據(jù)預(yù)處理后，形成各個(gè)網(wǎng)絡(luò)，對(duì)比原版[MTCNN]可以發(fā)現(xiàn)，訓(xùn)練時(shí)精度在每個(gè)階段網(wǎng)絡(luò)與原版網(wǎng)絡(luò)差異明顯，但這種差異逐漸在測試集上縮小，模型計(jì)算量降低得以在算法效果保證的前提下實(shí)現(xiàn)，在設(shè)備計(jì)算能力相同時(shí)，能夠得到大幅降低的一次正向傳播時(shí)間，網(wǎng)絡(luò)設(shè)計(jì)有效性得到證明[2]。

1.2 人臉識(shí)別算法

在人臉識(shí)別算法設(shè)計(jì)中，研究選擇的人臉識(shí)別損失函數(shù)為[insightface loss ]，該函數(shù)能夠在優(yōu)化和約束間尋求平衡，在訓(xùn)練收斂、訓(xùn)練數(shù)據(jù)集包容性方面表現(xiàn)出色。損失函數(shù)、網(wǎng)絡(luò)、數(shù)據(jù)三種因素均會(huì)影響模型效果，對(duì)于學(xué)習(xí)導(dǎo)向不準(zhǔn)確的損失函數(shù)，大規(guī)模的高質(zhì)量數(shù)據(jù)集具備一定補(bǔ)償作用，深度CNN模型可基于大數(shù)據(jù)實(shí)現(xiàn)性能提升，而考慮到大型數(shù)據(jù)集注釋過程較為復(fù)雜，且人臉識(shí)別存在開放性特點(diǎn)，訓(xùn)練時(shí)分類模型會(huì)遇到很多新的身份，因此本文設(shè)計(jì)一種能夠?qū)ξ礃?biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練的損失函數(shù)。設(shè)網(wǎng)絡(luò)模型、樣本分別為M、X，送入網(wǎng)絡(luò)后樣本最后一個(gè)全連接層輸出[（x1，x2，x3，x4，x5，…，xn）]，其中n、[x1，x2，x3，x4，x5，…，xn]分別代表類別數(shù)、不同身份中心與樣本的距離，如預(yù)測正確，存在為k的分類結(jié)果，條件[k=argmaxxk]滿足。在訓(xùn)練集中未出現(xiàn)樣本的影響下，其屬于新的類別，因此所有[x1，x2，x3，x4，x5，…，xn]在理想情況下需盡可能小，具體樣本過濾可選擇設(shè)定閾值方式，且[x1，x2，x3，x4，x5，…，xn]需要保證概率和為1的所有類別，滿足[x1+x2+x3+x4+x5+…+xn=1]，具體可表示為：

結(jié)合式（1）進(jìn)行分析可以發(fā)現(xiàn)，不存在單一的解決方案，屬于典型的多目標(biāo)約束最小化問題，因此需要保證存在偏向任何身份中心的[x1，x2，x3，x4，x5，…，xn]概率分布，可獲得問題解決方案：

考慮到損失函數(shù)無法采用最大化目標(biāo)，基于最小化形式開展目標(biāo)轉(zhuǎn)換，進(jìn)行未知身份排斥損失函數(shù)的針對(duì)性構(gòu)造，具體為：

基于上式進(jìn)行組合，最終得到新的損失函數(shù)，具體為：

上式中的[ε]表示為超參數(shù)，算法在其數(shù)值為0.15時(shí)存在最好效果。在歸一化權(quán)重和特征后，存在n維輸入向量的全連接層輸出，樣本特征空間可以此代表。同一類樣本映射在特征空間中的特征點(diǎn)需要在對(duì)應(yīng)聚類中心旁圍繞，身份類集群相同的特征中心可通過某一行向量表示，該向量原因權(quán)重矩陣存在于全連接層中，即[wk]，通過將不同身份重心進(jìn)行稀疏分布，模型具備更好的判別能力，對(duì)于任何樣本，訓(xùn)練好的模型均能夠保證得到逼近中心的特征向量。

開展具體實(shí)驗(yàn)，按照兩個(gè)階段進(jìn)行訓(xùn)練，采用的實(shí)驗(yàn)環(huán)境與人臉檢測算法實(shí)驗(yàn)相同。在第一個(gè)階段，模型訓(xùn)練采用完全監(jiān)督方式，這一過程中的主干網(wǎng)絡(luò)、損失函數(shù)分別為[mobilefacene]、[insightface loss（l1）]，直到模型收斂。在第二個(gè)階段，一起部署兩種損失函數(shù)，訓(xùn)練通過半監(jiān)督方式進(jìn)行，這一過程存在不變的整體批次大小，減少1/4標(biāo)記圖像在單個(gè)批次中的數(shù)量，其余1/4通過未標(biāo)記數(shù)據(jù)開展補(bǔ)充，分別開展損失計(jì)算。對(duì)比本文設(shè)計(jì)損失函數(shù)和[insightface loss]損失函數(shù)可以發(fā)現(xiàn)，各個(gè)數(shù)據(jù)集上損失函數(shù)在改進(jìn)后均有所提升，這種提升在跨角度數(shù)據(jù)集最為顯著，各個(gè)數(shù)據(jù)上損失函數(shù)[insightface loss（l1）]的表現(xiàn)優(yōu)異，原有損失函數(shù)受[TAR@FAR]標(biāo)準(zhǔn)提升存在正常的結(jié)果下降，但本文設(shè)計(jì)的損失函數(shù)未出現(xiàn)大幅度下降且擁有更高的準(zhǔn)確率[3]。

2 人臉識(shí)別系統(tǒng)設(shè)計(jì)

2.1 總體設(shè)計(jì)

本文研究的人臉識(shí)別系統(tǒng)設(shè)計(jì)從工業(yè)角度展開，選擇[Windows]系統(tǒng)進(jìn)行搭建，系統(tǒng)編譯語言選擇C#和C++，前者用于界面顯示和邏輯業(yè)務(wù)處理，后者用于密集計(jì)算模塊，具體開發(fā)軟件選擇[Visual Studio 2015]。

通過分析可以發(fā)現(xiàn)，整個(gè)系統(tǒng)由六個(gè)模塊組成。密集計(jì)算模塊屬于底層模塊，負(fù)責(zé)承載人臉識(shí)別算法和人臉檢測算法，可視作正向傳播框架，能夠滿足網(wǎng)絡(luò)模型加載需要，為正向網(wǎng)絡(luò)傳播提供支持;讀卡器模塊負(fù)責(zé)身份證讀卡器API的調(diào)用，提取身份證照片并對(duì)比現(xiàn)場照片;實(shí)時(shí)人臉檢測模塊負(fù)責(zé)人臉檢測，需基于實(shí)時(shí)[rtsp]碼進(jìn)行檢測，屬于人臉檢測算法應(yīng)用層，能夠按照112*112規(guī)格對(duì)齊人臉區(qū)域裁剪圖;人臉識(shí)別模塊存在刷卡、刷臉兩種模式，屬于人臉識(shí)別算法應(yīng)用層，負(fù)責(zé)人臉特征提取，證件照片可在刷卡模式中完成人臉特征提取，比對(duì)相似度?，F(xiàn)場人臉特征可在刷臉模式下與圖片特征庫比較相似度;數(shù)據(jù)管理模塊負(fù)責(zé)記錄行人來往數(shù)據(jù)，需轉(zhuǎn)化為本地特征庫，程序運(yùn)行內(nèi)存中需要由該模塊加入本地特征庫;界面顯示模塊的顯示形式采用視頻流動(dòng)態(tài)，模擬身份證為讀卡器數(shù)據(jù)呈現(xiàn)形式，圖標(biāo)形式負(fù)責(zé)人臉識(shí)別結(jié)果表現(xiàn)。

管理員在辦公室場景中可基于數(shù)據(jù)管理模塊轉(zhuǎn)換生活照片為人臉特征，二進(jìn)制特征庫在軟件本地形成。刷臉模式屬于常規(guī)系統(tǒng)工作模式，對(duì)于進(jìn)入一定區(qū)域的人員，每一幀圖像的人臉能夠由人臉檢測模塊進(jìn)行實(shí)時(shí)監(jiān)測，如檢測到面積超過一定閾值的人臉后，系統(tǒng)人臉識(shí)別功能自動(dòng)開啟，當(dāng)前被檢測人臉通過本地特征庫實(shí)現(xiàn)身份信息自動(dòng)匹配，訪客數(shù)據(jù)庫負(fù)責(zé)存儲(chǔ)來訪的身份信息，輔以其他智能系統(tǒng)，智能化管理可依托訪客數(shù)據(jù)庫實(shí)現(xiàn)。如本地?cái)?shù)據(jù)庫中不存在來訪人員信息，身份校驗(yàn)可基于身份證實(shí)現(xiàn)。

對(duì)于圖像特征庫未注冊(cè)用戶，刷臉模式對(duì)外來人員按照兩個(gè)階段進(jìn)行人臉識(shí)別，第一階段需要依托讀卡器讀取的身份證信息，獲取用戶信息和身份證照片，之后通過字符串?dāng)?shù)據(jù)包將信息傳送給人臉識(shí)別模塊和界面模塊，實(shí)現(xiàn)信息顯示，同時(shí)攝像頭當(dāng)前視頻幀需要由人臉識(shí)別模塊讀取。完成人臉定位和人臉區(qū)域裁剪處理后，通過對(duì)特征提取接口調(diào)用，歸一化圖片編碼為特征向量，開展向量差異計(jì)算，最終完成比對(duì)，界面模塊能夠直觀顯示比對(duì)結(jié)果，結(jié)果需同時(shí)在數(shù)據(jù)庫中保存。

2.2 具體實(shí)現(xiàn)

研究采用C++語言設(shè)計(jì)密集計(jì)算模塊，網(wǎng)絡(luò)構(gòu)建框架選擇開源項(xiàng)目[ZQCNN]，按照動(dòng)態(tài)鏈接庫進(jìn)行人臉識(shí)別及人臉檢測功能封裝?；诳蚣芫喬匦?，對(duì)于對(duì)數(shù)函數(shù)、指數(shù)、計(jì)算正弦，擴(kuò)展基于單指令多數(shù)據(jù)流技術(shù)實(shí)現(xiàn)，開源的[Open Blas]負(fù)責(zé)基礎(chǔ)線性代數(shù)。采用類似于[caffe]框架的框架設(shè)計(jì)，基于[Tensor4D]、[layers]類、[nets]類分別進(jìn)行數(shù)據(jù)基本儲(chǔ)存單位、神經(jīng)網(wǎng)絡(luò)層、多個(gè)網(wǎng)絡(luò)層建立。基于[python]轉(zhuǎn)化算法為C++，并將初始化模型、結(jié)果獲取等步驟在[Face Extract.dll]和[Face Detect.dll]中封裝，圖3為密集計(jì)算庫示意圖。

人臉檢測模塊模型需要對(duì)人臉檢測庫進(jìn)行調(diào)用，保證人臉檢測圍繞每一幀圖片開展，系統(tǒng)開啟攝像頭類型基于配置文件決定，可對(duì)檢測感興趣區(qū)域和圖像幀分辨率進(jìn)行設(shè)定。每一幀獲取需要得到[EMGU]開源庫支持，向人臉檢測接口傳遞每一幀圖像數(shù)據(jù)，當(dāng)前檢測圖像幀中需要渲染檢測結(jié)果，效果展示最終在UI界面開展，人臉檢測接口設(shè)計(jì)中[detect]為核心API，[Face Infor Array]結(jié)構(gòu)體負(fù)責(zé)檢測結(jié)果返回，具體參數(shù)設(shè)置通過構(gòu)造函數(shù)完成。人臉識(shí)別模塊以兩種工作模式和對(duì)人臉特征庫調(diào)用為核心，特征提取接口將人臉區(qū)域照片輸入，依托浮點(diǎn)型數(shù)組輸入，相似度可通過對(duì)[Calculate Similarity]調(diào)用獲取，是否為同一人通過比較判斷閾值實(shí)現(xiàn)。

3 結(jié)論

綜上所述，基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)存在較高推廣價(jià)值。在此基礎(chǔ)上，本文涉及的人臉檢測算法、人臉識(shí)別算法等內(nèi)容，則直觀展示了人臉識(shí)別技術(shù)應(yīng)用路徑。為更好發(fā)揮人臉識(shí)別技術(shù)優(yōu)勢(shì)，還需要關(guān)注技術(shù)在物聯(lián)網(wǎng)設(shè)備上的應(yīng)用，這種應(yīng)用需得到專用人工智能芯片的支持，圍繞這類芯片開展的研究將成為筆者下一步研究方向。

參考文獻(xiàn)：

[1] 裴慶慶.基于深度學(xué)習(xí)算法的人臉識(shí)別方法研究[J].電子技術(shù)與軟件工程，2021（6）：114-115.

[2] 沈繼云.試析基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的人臉識(shí)別技術(shù)[J].信息技術(shù)與信息化，2020（5）：228-230.

[3] 崔慶華.基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)分析[J].計(jì)算機(jī)產(chǎn)品與流通，2020（5）：136.

【通聯(lián)編輯：光文玲】

收稿日期：2021-06-15

基金項(xiàng)目：基于深度學(xué)習(xí)面向物端實(shí)時(shí)人臉識(shí)別技術(shù)研究（項(xiàng)目編號(hào)：WAYS202102）

作者簡介：張寧仙（1986—），女，陜西澄城人，碩士，講師，主要研究方向?yàn)閳D像處理、模式識(shí)別。