基于深度學習的人臉識別淺析

龔亮

摘?要：隨著計算機技術的飛速發展，信息化與智能化的便捷生活成為了人們的日常，信息的安全性和私人性的重要性成為人們日益關注的重點。作為身份信息驗證的日常使用方式之一，人臉識別技術的發展也是智能化進步的成果之一。人臉是被是基于人的臉部特征信息進行身份識別的一種生物識別技術，得益于人工智能的迅猛發展，基于深度學習的人臉識別方法具有傳統方法沒有的優點，解決了身份認證技術所面臨的大難題。在本文中，對基于深度學習的人臉識別的最新發展進行了總結，涵蓋了技術與場景。

關鍵詞：人臉識別;深度學習;人工智能

一、人臉識別步驟概述

人臉識別是用攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行身份識別的一系列相關技術。完善的深度人臉識別系統首先通過人臉檢測器定位面部，然后通過面部校準將人臉與標準化的規范坐標對齊。在真正進入到人臉識別功能之前，經過防欺騙模塊來識別輸入的圖像數據是否是真實的活物或者是欺騙性的，這樣可以避免不同類型的攻擊。而識別模塊主要由面部處理、深度特征提取和面部匹配組成[1]。

其中，人臉識別的過程可以由如下式子來表示：

M[F（PiIi，F（PjIj]

這里，Ii和Ij分別代表兩張不同的人臉照片;P代表數據處理以處理個人臉部變化，例如姿勢，照明，表情，和遮擋;F表示特征提取，對人臉身份信息進行編碼;M表示用于計算相似度得分的人臉匹配算法。

二、面部數據處理

面部數據處理是用于在訓練和測試之前對數據進行預處理使其降低識別的困難度。盡管基于深度學習的人臉識別方法由于其強大的表征性而被廣泛使用，但是Ghazi[2]等人證明了各種條件，如姿勢，照明，表情和遮擋等等因素仍然影響著深度人臉識別的性能表現，在這種情況下，面部的預處理就十分有益了。人臉數據處理的方法可以分為“一對多增強”和“多對一歸一化”。

“一對多增強”是指從單個圖像生成多批次的圖像數據或者是多個不同姿態下的圖像，使深度神經網絡能夠能加全面穩定地學習到人臉在不同環境下的不變特性。收集大型的數據庫是非常耗時而且昂貴的。“一對多增強”的方法可以減輕數據收集的挑戰，并且它們不僅可以用于增加訓練數據，還可以用于增加測試數據的體量。與“一對多增強”相比，“多對一歸一化”方法產生人臉正面圖像并減少測試數據的外觀變化，使面部易于對齊和比較。

三、深層特征提取

深度學習的網絡架構可以分為主干網絡和多路網絡。隨著ImageNet競賽中所涌現出了大量高性能神經網絡，許多經典的CNN架構如AlexNet，VGGNet，ResNet等，被廣泛用作人臉識別中的基本模型[3]。當然除了主流網絡之外，還有一些專門針對人臉是被所設計的用來提高功能性的網絡架構。此外，往往在采用主干網絡作為基礎的同時，通常還會訓練具有多個輸入或多個任務的子網絡用來針對一種輸入或進行一種特定類型的任務。

四、損失函數

損失函數是用來評估模型的預測值與真實值的不一致程度的非負值函數。當損失函數越小時，模型的魯棒性就越強，通常使用L（Y，fx）來表示。模型的結構風險函數包括了經驗風險項和正則項，通常可以表示成如下式子：

θ*=argminθ1N∑Ni=1Lyi，fxi;θ+λΦ（θ）

前面部分的均值函數用來表示的是經驗風險項，其中Lyi，fxi;θ代表的是損失函數，是經驗風險函數的核心部分;后面部分表示的是正則化項或者懲罰項，通常使用L1函數、L2函數等代表的正則函數。公式旨在找到一個能夠使目標函數最小的值即使預測值與真實值的差異性最小。機器學習作為一種優化方法，學習目標就是找到優化的目標函數——損失函數和正則項的組合;有了目標函數的“正確的打開方式”，才能通過合適的機器學習算法求解優化。

五、基于深度學習的人臉比對

在利用海量數據和適當的損失函數訓練深度網絡之后，每個測試圖像通過網絡以獲得深度特征表示。在提取到了深度特征之后，常常用余弦距離或者是L2距離來表示兩個特征之間的相似度，同時最鄰近單元和閾值比較也常被用于識別任務。除此之外，還引入了其他方法，例如度量學習，基于稀疏表示的分類器等。

其中人臉比對可以分為面部驗證和面部識別。面部驗證旨在找到一種新的指標，使兩個類之間更加可分，同樣地也可以使用在基于深度特征提取的面部匹配;面部識別的思想是得到一張輸入人臉圖像與人臉數據庫中的多張人臉的相似度，進而找到輸入人臉的身份信息，相當于是一對多的人臉身份驗證。

六、應用場景

近些年來，為了建設平安城市，許多公共場所配置了許多智能化的監控系統，這些系統中的夠高速高清的抓拍行人圖像信息，并夠快速地得到其身份信息。在這些系統中，人臉識別就顯得尤為重要了，在機場、車站等人流重要出入口通道中都配備了人臉識別環節，其通過圖像采集設備所捕捉的人臉圖像同數據庫中的人臉數據進行匹配，得到人物最為相近的身份信息。人臉識別的市場場景范圍很廣，從私人信息驗證設備到公共安全監控設施。其應用領域可以分為金融領域、安防領域、人社領域、刑偵領域。

七、存在的缺陷和發展趨勢

得助于大量的具有標識的數據，先進的算法和不斷強大的GPU，基于深度學習的人臉識別在近距離正面人臉的面部驗證、相似度面部識別和跨年齡識別等某些測試中已經超越了人類的表現，但是仍有許多問題待解決。對應于大規模的數據集，通過一次性或者低次數人臉識別和多姿勢的大規模人臉識別將成為未來研究的焦點;與人類本能相比，機器還需要更加高效地算法;如何了解到深度人臉識別當中的深層意義或者說是打開深度神經網絡這個黑匣子，具有十分重要的意義;提高系統的防御性是人臉識別系統仍需增進的部分;如何構建一個更加通用的系統或者是可以在很少修改后應用于每個場景的系統可能是未來的研究發展方向。

參考文獻：

[1]Wang?M，Deng?W.Deep?face?recognition：A?survey[J].arXiv?preprint?arXiv：1804.06655，2018.

[2]Ghazi?M?M，Ekenel?H?K.A?Comprehensive?Analysis?of?Deep?Learning?Based?Representation?for?Face?Recognition[J].2016.

[3]景晨凱，宋濤，莊雷，等.基于深度卷積神經網絡的人臉識別技術綜述[J].計算機應用與軟件，2018（1）：223-231.