應用卷積神經網絡的人臉活體檢測算法研究*

龍 敏，佟越洋

1.長沙理工大學 計算機與通信工程學院，長沙 410114

2.長沙理工大學 綜合交通運輸大數據智能處理湖南省重點實驗室，長沙 410114

1 引言

隨著計算機技術的快速發展，生物特征識別技術的識別率也在穩步提高，在各種識別技術中，人臉識別因其安全性高，穩定性好且具有自然性、非接觸性、并發性以及隱蔽性等優點，被廣泛應用于刑事偵查、監控系統以及安全檢測技術中[1]。目前，對人臉識別的研究主要集中在對復雜場景下不同個體的人臉定位上，關于人臉檢測問題的安全性研究卻很少[2]。隨著網絡的廣泛應用，包含用戶信息的人臉圖像很容易從各種社交網絡中被非法用戶獲取，對認證系統造成嚴重威脅，如假臉攻擊。假臉攻擊是指非法用戶試圖通過提供虛假數據（翻拍合法用戶圖片、視頻以及3D模具等）獲得系統訪問權限，其中翻拍合法用戶圖片和視頻截取用戶圖片，由于成本低廉及實現簡單，成為非法入侵者使用的主要攻擊方式。針對這類攻擊，目前主要采用人臉活體檢測技術進行識別。

本文研究主要針對攝像機捕獲活體真人的活臉圖像和對活體圖像進行二次翻拍后得到的假臉圖像的鑒別。如圖1所示，這兩類圖像具有高相似度，肉眼通常難以區分。研究者們通過分析活體人臉與翻拍人臉的本質化差異，如紋理特征、頻譜特征、光照反射差異、運動信息等，提出了大量的反欺詐人臉活體檢測方法[3-12]。目前，對活體人臉檢測算法的研究大體可分為兩類：靜態檢測算法和動態檢測算法。

Fig.1 Examples of liveness faces and recaptured faces圖1 活體人臉與二次翻拍人臉示例

靜態活體檢測算法是基于單張圖片對人臉信息進行分析。M??tt?等人提出使用LBP算子度量圖像微紋理細節，提取人臉的LBP特征、Gabor小波特征以及定向梯度直方圖，采用支持向量機（support vec-tor machine，SVM）對人臉進行活體檢測[3-4]。Li等人使用傅里葉光譜分析方法分析人臉圖像的高頻分量以鑒別活性人臉[5]。Kim等人提出使用局部區域的擴散速度模型（local speed patterns，LSP）分析活性人臉特征[6]。

動態算法則主要分析視頻序列中的信息（如生理特征、動態紋理等），通過面部運動變化檢測人臉活性。Pan等人對人眼模型進行眨眼建模，分析眨眼檢測率[7]。Pinto等人提出基于碼本的檢測算法，通過計算時頻描述子（visual codebooks of spectral temporal cubes，VCST）區別真偽人臉[8]。Singh等人提出使用Haar級聯分類器分析唇部以及眼部運動[9]。Schwartz提出對視頻提取灰度共生矩陣、HOG（histogram of oriented gradient）、LBP（local binary pattern）等特征辨別視頻真偽[10]。

上述文獻提出的算法都是基于手工提取人臉特征，手段單一，不能準確描述活體人臉的特點，對多類型攻擊手段的人臉欺詐方式的檢測精度差，不具有魯棒性，受場景約束度較高。2014年，Yang等人首次將卷積神經網絡引入生物特征識別算法，提出使用imagenet網絡分析人臉圖像[11]。Alotaibi等人提出一種ND-CNN（nonlinear diffusion using convolution neural network）算法對人臉擴散速度模型進行分析并將圖像放入deepnet網絡進行活體檢測[12-13]。這類算法均獲得了較好的檢測結果，但由于深度學習的運算復雜度高，計算量大，算法容易出現“梯度彌散”以及過擬合等問題，進而影響檢測效率。為了避免這些問題，本文提出一種針對單幀圖像的人臉活體檢測算法，算法首先對攝像頭捕獲的信息進行預處理，然后放入卷積神經網絡訓練。對現有的卷積神經網絡（convolutional neural network，CNN），提出一種優化策略，采用一種并行的卷積神經網絡BMCNN（based on mixnetwork-convolutional neural network），通過兩個不同結構的網絡對人臉圖像進行并行處理，使得到的特征更加客觀全面。將預處理后的人臉圖像作為BM-CNN的輸入,對人臉圖像提取深層次的紋理特征，卷積網絡在下采樣過程中使用二均值池化方法對特征向量降維，提取下采樣范圍內的二均值元素代表池化域的整體信息，并綜合批量歸一化方法以及多類型非線性單元獲得深層次的人臉特征表達，最后通過網絡的決策層對人臉活性進行鑒別。

2 人臉活體檢測算法

卷積神經網絡（CNN）作為人工神經網絡的一種，已被廣泛應用于圖像識別、文字識別、音頻識別等領域，它的網絡結構對二維形狀的平移、比例縮放、傾斜以及其他形式的變形具有高度不變性[14]。本文提出的人臉活體檢測算法分為兩個步驟：首先對攝像頭捕獲視頻圖像進行人臉圖像的預處理，再對預處理后的人臉進行深度學習。如圖2所示，在對人臉圖像進行活體檢測時，CNN的輸入是對單幀照片采用人臉關鍵點定位，人臉分割以及圖像增強等預處理手段處理后的人臉圖像，為了加快卷積神經網絡的收斂速度并提高活體檢測算法的鑒別能力，算法采用并行網絡結構，并在BM-CNN網絡下采樣過程中使用二均值池化方法，結合批量歸一化BN（batch normalization）、Relu與Tanh非線性單元對人臉進行特征學習與分類決策。

Fig.2 Procedure of algorithm圖2 算法過程

2.1 預處理算法實現

在活體檢測之前，需要對攝像頭捕獲畫面進行預處理，如圖3所示。算法首先對人臉視頻的單幀圖片進行人臉定位分割：通過OpenCV隨機抽取攝像頭捕獲的視頻幀信息獲取單幀人臉圖像，并針對OpenCV中的Viala-Jones算法在人臉定位方法中存在的偏差問題，采用一種面向對齊的人臉定位方法FPS-LBF（3000 FPS via regressing local binary features）[15]優化人臉框定位68個關鍵點，提取精確的人臉圖像，并保留部分人臉背景邊框以提高算法的檢測性能[16]。

另外，為了解決現有人臉增強方法存在的計算繁瑣，運算耗時長等問題，并提高算法整體性能的準確度，算法使用GC（Gaussian curvature）高斯曲率濾波[17]方法對分割后的人臉圖像進行增強，對人臉采用優化正則項原則，在圖像優化模型中存在如下關系:

式（1）中，數據擬合項能量εd(S,I)一直增加，正則項能量εr(S)不斷減小，整體能量ε(S)一直處于下降的狀態，因此只要滿足正則項能量的下降大于數據擬合項的增加，就可以保證整體優化策略的穩定。這樣的預處理手段可以在去除人臉圖像噪聲的同時有效保留人臉圖像中的紋理細節信息以及邊緣特征。

2.2 BM卷積神經網絡

算法提出的卷積神經網絡BM-CNN包括兩個并行的卷積神經網絡Innet1與Innet2，每個子網絡有三部分：卷積運算部分、池化運算部分與全連接部分。卷積部分有3層結構，每層包含卷積層、BN（批量歸一化層）和不同類型的非線性單元。

Fig.3 Procedure of image preprocessing圖3 圖像預處理過程

Fig.4 Architecture of Innet1 algorithm圖4 Innet1網絡結構

網絡Innet1結構如圖4所示包含3個卷積層、3個池化層，前兩個卷積層中使用BN層以及非線性單元Relu層，第三個卷積層使用Tanh非線性單元，參數設置如下：卷積層1由64組卷積核組成，每組卷積核的尺寸為9×9×3（9×9表示卷積核的大小，3表示輸入圖像的通道數），卷積層的步長為2；通過BN層和RELU層映射到核為3×3步長為2的交疊池化層，得到64幅特征圖輸出到卷積層2。卷積層2與卷積層1結構相同，它有64個5×5大小卷積核，卷積層步長為1；通過BN層以及RELU層映射到下采樣層，得到64幅特征圖輸出到卷積層3。卷積層3與卷積層1結構相同，它有96個3×3大小卷積核，卷積層步長為1；通過BN層以及Tanh層映射到下采樣層，得到96幅特征圖輸出到全連接層。

Innet2網絡結構如圖5所示，在網絡的中間卷積層部分使用分解的小卷積核，在降低計算量的同時提高算法的準確度。網絡參數設置如下：卷積層1、2與卷積層3、4分別由20和50個卷積核組成，卷積層1、4的每個卷積核尺寸為3×3，卷積層2和卷積層3通過分解卷積核采用1×3以及3×1的非對稱卷積濾波器，在降低特征維數的同時，可以有效提高網絡的鑒別能力。池化部分采用2×2大小的卷積核對特征映射圖不重疊降維。

Fig.5 Architecture of Innet2 algorithm圖5 Innet2網絡結構

Fig.6 Architecture of BM-CNN algorithm圖6 BM-CNN網絡結構

BM-CNN的網絡結構如圖6所示，它的輸入為經過預處理后的人臉圖像，每個卷積層都加入批量歸一化層（BN），卷積層的激活函數采用不同的非線性單元Relu以及Tanh；在池化層采用BM-Pooling池化方法保持圖像紋理細節的同時避免增大圖像噪聲的影響；全連接層的激活函數采用非線性單元Tanh；通過全連接層將兩個網絡的輸出特征圖拉成一個列向量。

2.2.1 池化方法

卷積層獲取人臉圖像的特征圖譜之后，需要做進一步的計算和分類輸出，由于卷積層輸出的特征向量維數較高，對于16個360×360大小的輸出特征圖譜會產生150多萬維卷積特征，高維數的特征向量將會耗費大量的運算時間，且容易出現“過擬合”現象。池化（下采樣）的目的是進行二次特征提取[18]。在卷積神經網絡結構中，通常使用下采樣（池化）方法，逐步減小特征表示的空間大小，減少網絡中的參數，降低計算量。本文算法采用二均值池化（下采樣）方法對區域特征進行分析統計以降低輸入特征圖的維度，并避免過擬合問題。常用的池化模型有最大池化（Max-Pooling）、平均池化（Mean-Pooling）以及隨機池化（Stochastic-Pooling）。最大池化方法側重于描述池化域的顯著紋理特征，平均池化側重保留特征圖的背景信息，隨機池化介于兩者之間。

針對有效描述人臉區域信息的問題，本文采用二均值池化（BM-Pooling）方法，可以更準確地描述人臉特征圖的紋理信息，BM-Pooling池化方法的表達式為：

在BP反向更新隱層單元權重時，BM-Pooling的反向傳播誤差推導如下：

式中，δl表示第l層池化部分的誤差靈敏度,l-1層為卷積層。σ′(zl-1)代表激活函數的偏導數，運算符號°代表哈達瑪乘積，upsample(δl)為池化結果重置后的擴展矩陣，池化前矩陣元素為aij，擴展矩陣推導如下：

式中，Ψij表示第l層池化層中的第j個池化域的前向傳播輸出元素值。

在反向傳播過程中對重置的擴展矩陣的部分元素置零，滿足Ψij=max(aij?)i∈n，對池化層輸入過程中max(aij)所在位置賦值為池化域元素值，其他位置置零，若設當i=j時aij有最大值，則：

圖7描述了當對輸入特征圖譜進行2×2大小步長為2的BM下采樣時的池化層運算結果，由于滑動窗口的步長為2，可以將特征圖分為2×2大小的4個不重疊池化域，對每個池化域選取最大二均值代表2×2區域內的特征圖信息實現對特征圖的降采樣處理。

Fig.7 Forward propagation algorithm of BM pooling圖7 BM池化前向傳播算法

針對人臉圖像紋理信息波動幅度不穩定的問題，BM-Pooling算法可以在描述特征圖紋理信息的同時，考慮到對池化域影響較大的第二元素以降低CNN算法對活體人臉的誤判率。

2.2.2 卷積網絡運算過程

卷積神經網絡的輸入為經過預處理后歸一化到像素大小為256×256的人臉圖像，首先對輸入圖像進行卷積操作：

式中，表示l卷積層的第j個特征圖（map）；Cj表示輸入卷積層的map集合；*表示對卷積核k與卷積層的輸入map做卷積運算并求和；b表示偏置參數；f(?)表示激活函數。

為了避免過擬合現象，BM-CNN在卷積操作后加入批量歸一化（BN）層[19]，將卷積層的輸出作為BN層的輸入，引入可學習重構參數γ和β，滿足x=γ?x?+β，其中x?表示歸一化后的數據，γ和β通過鏈式求導方法訓練求出，增加模型的泛化能力，在訓練過程采用批量隨機梯度下降方法。歸一化過程如下：

其中，μB與分別代表BN層輸入特征映射x的均值與方差。由式（8）～式（10）得到歸一化的圖像x?i，數據歸一化后均值為0，標準差為1，BN層的輸出由式（11）得到：

需要注意的是算法對前幾層卷積采用非線性單元Relu，使一部分神經元的輸出為零，并設置為通道間共享參數，使網絡具有稀疏性而減少參數的相互依存關系，以緩解過擬合問題并加速收斂[20]。對最后一層卷積以及全連接層采用非線性單元Tanh。池化層(下采樣層)使用二均值池化方法，計算公式如下：

式中，pool(?)表示二均值池化(BM-Pooling)方法；β表示權重系數。最后一層池化部分的輸出作為第一個全連接層的輸入，全連接層將學到的“分布式特征表示”映射到樣本標記空間，使用決策函數進行分類預測。

3 實驗結果與分析

本文算法基于Caffe深度學習框架，配置一塊12 GB大小的GPU，使用Python語言實現，在對比實驗中，為了驗證BM-CNN算法的真實性和有效性，與其他大部分人臉檢測算法相同，將CNN學習率設為0.01，迭代次數為8000次。

3.1 數據集介紹

本文使用兩種經典的活體人臉檢測數據庫，NUAA（http://parnec.nuaa.edu.cn/xtan/NUAAImposterDB_download.html）人臉照片欺騙數據庫以及CASIA（http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html）人臉視頻欺騙數據庫。

NUAA數據庫是首個公認的反照片人臉欺騙數據庫，數據庫的采集分為3個時間階段，并在不同光照條件下完成，共有15個目標參與數據收集，數據庫圖片數量如表1所示。為了模擬假冒人臉攻擊方式，攝像頭捕獲的假臉數據存在前后上下左右以及旋轉彎曲的空間位置移動和多種照片欺詐的運動形式。

Table 1 Number of images in NUAAdatabase表1 NUAA數據庫圖片數量

CASIA數據庫由600段視頻組成，數據庫的構成如表2所示。對50個樣本進行采集，假臉視頻包括扭曲的人臉照片欺騙、剪切的照片欺騙以及人臉視頻欺騙，使用3種不同成像質量的攝像頭在背景復雜以及不同光照環境下進行數據收集，并模擬眨眼攻擊手段，考慮了多種欺詐可能性。

Table 2 Number of videos in CASIA-FASD database表2 CASIA-FASD數據庫視頻數量

3.2 算法性能實驗及分析

在本文提出的算法實驗中，首先對單幀圖像進行人臉分割、圖像增強以及歸一化的預處理，然后通過BM-CNN網絡對輸入圖像進行特征學習以及決策分類。實驗中，采用準確率（ACC）、誤判率（ERR）以及半錯誤率（HTER）作為評估活體人臉檢測算法分類結果的指標，HTER定義為：

式中，FRR是指將真實人臉錯判為假冒人臉的概率，FAR是指將假冒人臉錯判為真實人臉的概率。

3.2.1 預處理算法實驗與分析

為了驗證本文提出的預處理方法的有效性，實驗獲取曲率濾波在不同迭代次數下對算法檢測準確率的影響，得到最佳預處理模型。并與經典活體檢測算法的預處理方法進行比較，驗證BM-CNN預處理算法可靠性。

表3展示了在CASIA數據集上進行不同濾波迭代次數的高斯曲率濾波后的實驗結果，可以看出，隨著濾波迭代次數的增加，算法的準確率不斷提高，這是因為GC曲率濾波有較好的收斂效果。如圖8所示，隨著濾波迭代次數的增加，人臉圖像的曲率能量逐漸降低，并在濾波迭代9次后，人臉圖像能量趨于平穩。

Table 3 Performance comparison of CASIA database with different iterations表3 對CASIA數據庫在不同迭代次數下的性能對比

Fig.8 Curvature energy of different face images changes with the number of iterations圖8 不同類型人臉圖像曲率能量隨迭代次數變化

表4、表5分別表示在CASIA數據集以及NUAA數據集上采用不同的預處理方式對人臉圖像進行處理，對BM-CNN算法檢測識別率的影響。

Table 4 Performance of different preprocessing methods on CASIAdatabase表4 對CASIA數據庫在不同預處理方法下的性能 %

Table 5 Performance of different preprocessing methods on NUAAdatabase表5 對NUAA數據庫在不同預處理方法下的性能 %

可以看出當算法不使用預處理手段，將切割的人臉圖像歸一化后直接放入BM-CNN時算法的識別率最低，檢測效果最差，說明預處理手段對BM-CNN算法的有效性和必要性。在4種預處理手段中，本文采用高斯曲率濾波預處理方法的性能優于采用圖像擴散速度的預處理方法[12]以及自適應同態濾波的人臉光照補償方法[21]和小波降噪預處理方法[22]，說明高斯曲率濾波的預處理方法在去噪的同時可以較好地保留人臉圖像的邊緣信息與細節紋理。

對比算法在兩種不同類型數據集上的識別準確率，可以看出，活體人臉檢測算法對NUAA數據集進行測試的檢測性能優于CASIA數據集，這是因為CASIA數據集中包含了不同分辨率的視頻人臉信息和更加豐富的攻擊手段。

3.2.2 BM算法中的池化方法實驗與分析

為了驗證BM算法使用的二均值池化的性能，分別在NUAA以及CASIA數據集上使用BM-Pooling池化算法同常用池化算法最大池化Max-Pooling、均值池化Mean-Pooling以及隨機池化Stochastic-Pooling算法進行對比實驗。

表6和表7分別展示了在不同數據集上池化方式對算法檢測識別率的影響。可以看出，對3種現有的池化模型，當算法使用中值池化（Mean-Pooling）模型對人臉活性進行檢測時，檢測效果最差，使用隨機池化（Stochastic-Pooling）的檢測效果高于另外兩種方法，對特征圖紋理細節的保持度較高。而相比較現有的3種池化模型，當采用BM-Pooling二均值下采樣方法時，算法對人臉活性的檢測識別率最高，說明BM-CNN采用的池化方法可以更準確地提取特征圖的紋理信息，提高人臉活體檢測算法的整體性能。

Table 6 Effect of pooling methods on recognition rate on CASIAdatabase表6 池化算法在CASIA庫上對識別率的影響 %

Table 7 Effect of pooling methods on recognition rate on NUAAdatabase表7 池化算法在NUAA庫上對識別率的影響 %

3.2.3 并行網絡性能分析

為了驗證并行網絡的準確性和有效性，在NUAA數據集以及CASIA數據集上分別對本文提出的3種卷積神經網絡和經典的卷積神經網絡Lenet、Alexnet以及Googlenet網絡進行對比實驗，分析在相同的硬件條件和預處理方式下，不同的網絡結構對活體人臉的檢測效果。

表8和表9分別表示在NUAA數據集上以及CASIA數據集上的實驗結果。可以看出，當通過Lenet網絡結構對活體人臉進行檢測時，對算法的檢測識別率最低，效果最差。Googlenet網絡結構采用分解小卷積核策略，檢測效果較高。而本文提出的BM-CNN卷積神經網絡對活體人臉的檢測效果均優于其他網絡結構。在NUAA數據集上，BM-CNN以及Innet1都可以達到100%的識別率。對挑戰性更大的CASIA數據集進行測試，BM-CNN的識別率為99.33%。

Table 8 Effect of parallel network on recognition rate on NUAAdatabase表8 并行網絡在NUAA庫上對識別率的影響 %

Table 9 Effect of parallel network on recognition rate on CASIAdatabase表9 并行網絡在CASIA庫上對識別率的影響 %

3.2.4 算法檢測性能對比

為了驗證整體算法的有效性和可靠性，對本文提出的BM-CNN算法與部分經典活體人臉檢測算法進行了實驗對比。

表10表示在NUAA活體人臉數據庫上不同檢測算法的實驗結果，可以看出，在基于手工提取人臉特征的活體檢測方法中，M-DOG（multiple-DOG）算法[23]以及 LTP（local ternary pattern）算法[24]對活體人臉的檢測性能較差。CDD（component dependent descriptor）算法提出優化人臉背景框，檢測效果較好，基于DK（diffusion-based kernel）模型的活體檢測[25]算法對活體人臉的檢測準確率最高為99.3%。基于深度學習的檢測算法的性能與DK算法相當；本文算法準確率為100%，表明BM-CNN活體人臉算法對照片攻擊有著很好的防御作用。

Table 10 Performance of different algorithms on NUAAdatabase表10 NUAA數據庫上不同算法的性能 %

表11表示在CASIA庫的驗證集上的測試結果，可以看出，在基于深度學習的活體檢測方法中，基于S-CNN[11]以及長短期記憶網絡（long short-term memory-CNN）的活體檢測算法[26]對活體人臉的檢測錯誤率最高，DB-CNN（diffusion-based-CNN）算法對活體人臉的檢測性能較好，STM（spatio-temporal mapping）算法的檢測性能最好。本文算法的半錯誤率HTER僅為0.56，低于其他活體人臉檢測算法，驗證了BM-CNN算法在實際應用中的可靠性。

Table 11 HTER of different algorithms on CASIA-dev database表11 CASIA數據庫驗證集上不同算法的半錯誤率

表12為在CASIA數據庫測試集的實驗結果，本文算法的準確率為99.33%，表明本文提出的BMCNN算法在應對不同情況下的視頻攻擊時，具有較好的魯棒性，可以對不同質量的打印照片人臉、沖洗照片人臉以及高清設備顯示的假冒人臉實現高效可靠的檢測。

Table 12 Accuracy of different algorithms on CASIAdatabase表12 對CASIA數據庫上不同算法的性能 %

3.2.5 算法在小樣本數量下的對比實驗

為了驗證BM-CNN算法在小數量的樣本空間下仍然具有良好的檢測性能，分別在700～200張人臉圖像上進行樣本數量間隔為50的遞減樣本數量的分類性能對比實驗。

Fig.9 Effect of sample size on accuracy圖9 樣本數量對準確率的影響

圖9描述了NUAA數據庫上訓練樣本數對識別率的影響，算法識別率隨著樣本數的增加而增加，當樣本數為550時，BM-CNN算法的準確率已達到100%，在相同訓練樣本數的條件下，本文提出的算法性能優于算法ND-CNN[12]。

3.2.6 算法耗時檢測

在實際應用中，人臉識別系統需要快速精準地對用戶信息進行活體檢測。為了驗證BM-CNN算法的實時檢測性能，在同一硬件條件下分別在CASIA和NUAA數據集上對相同的人臉圖像使用不同的算法網絡進行訓練并測試，統計網絡訓練時間以及在驗證集上的單張測試耗時，結果如表13所示。

Table 13 Real-time testing on NUAA and CASIAdatabase表13 在NUAA和CASIA數據集上的實時性測試

可以看出，ND-CNN網絡訓練耗時最短，在NUAA數據集上訓練的時間約為2.92 h，本文提出的BM-CNN訓練耗時為3.07 h，這是因為BM-CNN網絡的深度和復雜度均高于包含3層網絡結構的NDCNN，Googlenet由于模型復雜，訓練耗時最長。在測試耗時方面，本文提出的BM-CNN算法對NUAA數據庫的測試耗時為8.56 s，在CASIA數據庫的測試耗時為8.98 s，均優于其他幾種網絡，說明ND-CNN在實際應用中，可以在提高檢測效率的同時保證算法的實時處理能力。

4 結束語

本文提出了一種基于改進卷積神經網絡的人臉活體檢測算法（BM-CNN），通過設計合理的預處理方法以及有效的卷積神經網絡結構來提取人臉特征并檢測人臉活性。

算法采用FPS-LBF方法定位人臉信息，將提取到的人臉圖像通過曲率濾波（GC）方法進行預處理優化。設計了擁有并行卷積結構的BM-CNN網絡，采用BM-Pooling方法并結合批量歸一化算法，針對網絡特性使用兩種不同類型的非線性單元，提升網絡收斂速度、識別率以及學習性能。對算法在兩個公開的人臉數據集（NUAA和CASIA）上進行測試。實驗結果表明，通過曲率濾波方法對提取的人臉圖像進行增強后放入BM-CNN網絡可以對活體人臉進行準確分類，有效增強活體人臉檢測算法的泛化能力，并在一定程度上提高了人臉生物特征識別算法的實用性。

下一步工作，將更深入地研究卷積神經網絡，利用CNN分析人臉的動態信息，將稀疏概念引入CNN隱藏層，降低網絡的參數數量，并進一步研究可優化的卷積神經網絡結構，提高人臉識別系統的安全性能以及可靠性能。