计算机与多媒体技术
Computer And Multimedia Technology
电子技术与软件工程
Electronic Technology & Software Engineering 基于深度学习算法的人脸识别方法研究 钛阳极氧化裴庆庆
(郑州工业应用技术学院河南省新郑市4 5110 0 )
摘要：本文通过分析人脸识别及深度学习的相关技术，阐述了人脸识别的主要流程，在此基础上提出了基于深度学习算法的人脸识 别系统设计。 关键词：深度学习；人脸识别；卷积神经网络
1人脸识别及深度学习相关技术
1.1人脸识别技术
随着人脸识别技术的不断的发展，其不仅能够将静态图片中的 人脸准确的识别、标记出来，还能够捕获动态视频中的人脸信息，并做出准确识别，这个过程即为人脸识别人脸识别是目前最直观的 生物特征识别技术，在各个领域的应用也十分广泛。目前常用的生 物识别技术包括指纹识别、语音识别、虹膜识别等，相比这类生物 识别技术，人脸识别具有非侵入性的功能优势，只要录像设备视 野内出现人脸信息，系统就可以识别出人脸，因此即使在用户不希 望与系统合作的环境中该技术仍然适用。除此以外人脸识别系统还 具备身份认证、欺诈检测、访问控制等多种功能。当然，现实中人 脸图像具有高度的可变性，比如光照因素、年龄变经、头部角度与 姿势、表情等因素均有可能更改脸部图像特征，因此在环境不受限 制的条件下人脸识别是最具挑战性的生物识别方法之一。 四甲基环丁烷1.2深度学习技术
深度学习是机器学习范畴中的一个子集，是指利用深度神经 网络实现机器学习的一种方法模型，也称为深度结构学习或分层学 习。深度学习需要海量的数据支持及强大的计算能力，学习的深度 越深就能够提取到越高级的特征。深度学习是一种无需人工构建特 征的端到端的数据驱动方法，其根据标签融合、交叉、替换抽取到 的特征，完成自我调节，最终获得更优化的模型。在非监督数据上 可以通过以下两个步骤有效训练多层神经网络：先是层层构建单层 的神经元，每次训练即训练一个单层网络；然后所有训练都结束后 再用wake-sleep算法进行优化处理。在该算法中最顶层是单层神经 网络，其它层间均为双向权重的图模型，双向权重包括向上与向下 两种，向上权重的作用是“认知”，向
下权重的作用是“生成”，每层网络训练完成后，wake-sleep算法会对所有权重做出调整，以保证所生成的最顶层表示能够准确复原底层节点，使得“认知”与 “生成”达成一致。wake-sleep算法包括“wake”与“sleep”两个 阶段，wake (醒）阶段通过外界的特征与向上的权重采用梯度下降 的方法修改层与层之间的向下权重，是一个认知的过程，而sleep(睡）阶段则是通过最顶层表示与向下的权重生成底层状态，修改层与层 之间的向上权重，属于生成过程。学习第一层的参数，得到一个三 层神经网络的隐藏层，该隐藏层可以使得输入与输出相差最小。如此层层训练、学习即可得到每一层的参数。
手动榨油机
2人脸识别的主要流程
人脸识别主要流程包括建立数据集、识别目标正面、将实时采 集的人脸图像与数据库中存储的面部图像进行比较、识别图像。训练模型之前釆集人脸图像时要对数据进行预处理，提高数据质量；然后检测人脸的位置，标注人脸关键点；对采集到的人脸图像进行 结构简化处理，将人脸图像的特征提取出来，为后续的人脸识别做 准备；人脸识别过程中将训练好的数据输入系统，构建人脸识别模 型后再与目标图数据库中的数据进行比对；最后再进行活体检测，即通过眨眼、点头等动作检测人脸是否实际生物存在。下文针对每 个环节进行详细介绍：
2.1人脸图像采集及预处理
人脸图像采集主要包括两个来源，一是批量叠加导入现有的人 脸图像，完成人脸图像采集，批量叠加导入的人脸图像需要合并几 个不同的原始图片集，将同一个人在不同来源的图像信息集合在一 起。另外一个来源即为实时图像采集，利用某个特定样本的实时跟 踪设备录入信息，比如摄像头。采集到的人脸图像会受到许多外部 因素的干扰，比如光线、面部表情的变化等，因此原始图像不适合 提取模型特征，需要通过一系列图像转换对数据进行预处理，比如 旋转、切割、降噪、缩放等等。
2.2人脸检测
人脸检测的主要目的是进一步筛选人脸图像信息，消除噪声，获取更精准的图像信息，进一步确认人脸的具体位置，确定图像大 小及位置等。不过人脸检测的主要困难在于对面部内部变化的检测 及获取图像时环境的变化，人脸通常会随着情绪的变化而产生一些 复杂的细节动态，且装饰物也可能会改变面部特征，因此增加了人 脸检测的难度。另一方面，图像获取环境会发生变化，包括获取图 像的角度、光线影响、成像设备的景深及焦距等参数。因此为改善 图像采集质量，现在人脸检测的方法主要包括检测肤、检测边缘 特征以及基于统计的检测方法，应用最为广泛的为基于统计的方法，虽然其误检率较高，但是其效率高、性能好，因此被广泛应用于各 个领域。
2. 3提取人脸特征
根据算法模型提取人脸上的特征。人脸特征包括人脸视觉特征 与人脸像素统计性特征两大类，而提取
人脸特征的方法又包括基于 代数特征的提取以及基于知识的提取。提取人脸特征时先将人脸图 像进行维度放大处理，将其转换为一个灰度矩阵后经过一系列的代 数变化即可提取出特定的代数特征值，这些数据具有良好的聚类性，能够将人脸的特点准确的表示出来，整个过程即为基于代数特征的 人脸特征提取方法。用几何形态表征将人脸中最具代表性的部位描 述出来，再将其转换为几何图案的组合，这个过程即为基于知识的 人脸特征提取方法。
2.4人脸识别及活体鉴别
获取人脸图像特征数据后通过模型映射到训练集上，模开设置
114
电子技术与软件工程
Electronic Technology & Software Engineering
计算机与多媒体技术Computer And Multimedia Technology
相似度阈值，超出相似度阈值的数据信息可以筛除，接下来再根据 相似度信息、人物信息对输出人脸图(象做进一步筛选，最终确定最 合适的人脸图像。活体鉴别的主要作用是判断系统识别的对象是否
为真实生物体，以保证人脸识别的安全性，因为系统获得的人脸可 能是一张照片的复刻，如果缺乏活体鉴别可能会存在安全隐患，因此系统中需要加出眨眼、转头等活体鉴别过程。
3基于深度学习算法的人脸识别系统设计
3.1系统整体框架
本研宄提出的人脸识别系统是基于tensorflow深度学习框架，采用FaceNet构建实时人脸检测及识别系统，实验在应用场景下多 姿态及光照的人脸识别任务，能够由摄像头读取视频提取帧，检测 人脸特征，将采集到的数据与数据库中预存的人脸特征数据进行对 比，最终完成人脸识别。具体设计是先由摄像头中提取人脸图像保 存于本地数据库中，针对同一个人脸需要提取多张图片，提取出每 张图片的128维特征值，再将同一个人脸多张图片的丨28维特征均 值计算出来，再对照摄像头录制的人脸特征值，比照二者人脸向量 的欧式距离即可计算机数据库中人脸图像与摄像头录制人脸图像的 相似性。该系统能够实现人脸数据的实时采集，并支持人脸实时注 册，建立人脸数据库，能够实时采集摄像头图像进行人脸识别，并 支持多张人脸的检测与识别。
3.2基于FaceNet的人脸识别
FaceNet主要用于验证人脸是否为同一个人，是基于百万级人脸数据训练的深度卷积神经网络，其可
以将人脸图像映射(embedding)成128维度的特征向量，直接以该特征向量为特征依 据，通过机器学习的方法实现人脸识别。本研究在进行人脸匹配 数据训练时，将LFW数据集中照片转换为统一大小，形成人脸 检测与关键点的对齐，便于后续的人脸识别任务。FaceNet模型训 练过程中可以借助训练好的embedding来帮助下个模型生成新的 embedding，可以获得更稳定、效果更好的模型。
3.3基于深度学习算法的人脸识别系统设计
本研究提出的基于深度学习算法的人脸识别系统包括人脸图像 实时采集与注册模块、人脸检测模块、人脸识别模块及可视化操作 界面。
3.3.1人脸图像实时采集与注册模块
双联齿轮油泵本系统先搭建一个基本框架，将摄像头录制到的人脸图像信 息收集起来，建立一个人脸特征数据库，收集到的人脸图像都对应 设置一个文件名，将同一个人多张人脸图片存储为对应的文件夹。上文中提到，完成人脸识别需要利用FaceNet对人脸图像数据进行 训练，构建对应的人脸识别模型，人脸识别数据库构建完成后，即可利用该模型提取人脸特征数据，数据库中包含每个ID人脸的 embedding信息，提取到的数据再利用FaceNet生成npz文件，每 张人脸均进行特征提取并存储于一个词典中。自建数据库集完成图 像采集，多次人脸注册，多次采集图像，并进行多次特征提取，最 终将人脸特征保存于数据库中。
3.3.2人脸检测模块
立体电视摄像头可以实时收集人脸信息，通过摄像头检测每个视频帧中 的人脸特征信息，并标记人脸框，采用MTCCN提取视频提取帧人脸框，再将人脸框数据输入facenet提取人脸特征。MTCNN可 以检测出人脸位置，获取一个人脸的bounding box，利用训练好的 Facenet模型提取人脸图像的特征，注意所有人脸图片需要对齐统 一图片大小。
3.3.3人脸识别模块
人脸图像对齐后利用训练好的Facenet模型将人脸图像embedding成128维特征值，提取embedding vector后对照人脸数 据库中所有特征数据。数据库中包含了自建的人脸数据库，可以生 成embedding人脸特征数据库，采用facenet提取出人脸特征采用 训练好的SVM分类器对检测到的人脸特征向量进行分类，不仅能 够提高处理效率，且精度更高。
3.3.4制作可视化操作界面
采用python语言设计可视化界面，利用PyQt5及QtDesigner 制作操作界面，将.u i文件转换为.p y文件代码，Qt5有自己的返回 值无法实时占用摄像头，可以用定时器完成人脸图像的实时采集，每秒能够识别30张左右的图片，且能够依次完成多个ID人脸图像 的采集。点击“开始”系统即实时检测视频帧中的人脸图像，并在 对应区域显示出人脸识别的结果。
4结语
总之，人脸识别技术有着其它生物识别技术不具备的独特优势，比如非接触式的验证过程提升了用户体验，人脸识别能够同时比对 多张人脸信息，且每张人脸信息都是独一无二的，因此人脸识别技 术的应用越来越广泛。而经过多年发展深度学习己经成为极为普及 的多种识别模型技术，尤其是在人脸识别领域，-直都是人工智能 领域的重要研宄方向。相信随着科技的进步，人脸识别技术对人们 生活的影响也会越来越大。
参考文献
[1] 陈奎，邢雪妍，田欣沅等.基于CNN的人脸识别门禁系统设计
[J].徐州工程学院学报（自然科学版），2018, 33(4): 89-92. [2] 刘慧慧.大数据背景下的计算机网络信息安全分析[J].科技
创新与生产力，2020 (11): 49-51+54.
亲贝
[3] 景晨凯，宋涛，庄雷等.基于深度卷积神经网络的人脸识别技
术综述[J].计算机应用与软件，2018(1): 224-233.
[4] 马国峻，周海东.轻量级智能终端人脸识别系统研究与实现
[J]•通讯学报，2015, 36 (增刊 1): 149-156.
[5] 秦超，刘正强，刘林等.基于树莓派的人脸识别校园门禁管理
系统[J].物联网技术，2019,9(2): 13-14.
[6] 孙劲光，孟凡宇.基于深度神经网络的特征加权融合人脸识别
方法[J].辞算机应用，2016 (2): 437-443.
[7] 王燕，王双印.基于卷积神经网络的人脸信息增强识别研究
[J].计算机科学，2018 (8): 268-272.
[8] 杨洁，陈明志，吴智秦等.基于SSD卷积网络的视频目标检测
研究⑴.南华大学学报（自然科学版），2018, 32 (1):79-86.
作者简介
裴庆庆（ 1989-)，女，河南省永城市人。研究生学历，硕士学位。研究方向为科学计算可视化、大数据、深度学习。
115
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议