基于神經網絡算法的人臉識別

文/于藝春

當前信息時代下，如何快速、準確、安全的鑒定出一個人的身份，是計算機、信息網絡技術發展中需要解決的一個關鍵問題。傳統中主要以身份驗證技術為主，如檢查證件、設置密碼，再到前些年的指紋驗證等，但這些都技術和方法在信息時代下很容易偽造，安全性并不高。指紋驗證屬于生物特征識別范疇，該方法雖然存在一定弊端，但應用依然廣泛。但隨著技術的發展，比指紋驗證安全性更高、更快捷的方式也不斷出現，即人臉識別。人臉識別無需用戶和設置直接進行接觸便可實現身份驗證，且無需用戶特意配合，可以在用戶無意識情況下直接進行身份驗證。鑒于人臉識別的快速性和準確性，人臉識別出現以來，便在身份驗證領域中得到了廣泛研究和應用。但人臉識別過程中，由于光照、遮擋、面部表情、姿態等因素的存在，影響了人臉識別的精度。如何降低外部因素對人臉識別精度的影響是迫在眉睫的事情。卷積神經網絡可以對人臉上的局部文理特征進行提取，且不受外界因素的影響，人臉識別的精度較高。鑒于卷積神經網絡在人臉識別中的重要性，該方法及其應用引起了很多專家、學者的關注，文章就基于卷積神經網絡算法的人臉識別問題進行了簡單分析，提出了自己的看法。

1 何謂卷積神經網絡

卷積神經網絡是人工神經網絡中的一種。卷積神經網絡是帶有卷積計算、深度結構的前饋神經網絡，屬于深度學習中的一個經典算法，也是人工神經網絡中的重要一種。20世紀80年代開始卷積神經網絡進入專家、學者的研究范疇內。進入到21世紀后，隨著深度學習理論的提出和應用，卷積神經網絡由于十分適合應用于深度學習領域，開始得到迅速發展，并在多個領域和行業內得到了廣泛應用，如計算機視覺等。

基于神經元之間的連接是卷積神經網絡的特有的特征。其主要結構由于五類，即數據輸入層、卷積層、池化層、全連接層、輸出層。如圖1所示為卷積神經網絡功能結構圖。

圖1：卷積神經網絡層次結構圖

圖2：循環神經網絡示意圖

隨著卷積神經網絡的發展，在生物視覺模型中得到了應用。之所以能在生物視覺中應用，主要是由于卷積神經網絡具有如下特征：

（1）卷積神經網絡實施視覺任務的水平和人類十分接近；

（2）卷積神經網絡的工作架構對視覺系統中的基本功能結構進行了復制；

（3）卷積神經網絡的活動能之間聯系著視覺系統中的各個區域。

深度學習屬于人工智能的一種，也是機器學習領域中的一個新的且重要的研究方向，在計算機視覺、生物信息學等領域中應用較多。卷積神經網絡作為深度學習中的一種經典算法，再鑒于卷積神經網絡的上述三個特點，將之應用到人臉識別中再合適不過。

2 基于深度神經網絡算法的人臉識別

2.1 卷積神經網絡人臉識別

為提高視頻人臉識別的準確度和實時性，學者提出了將卷積神經網絡與CUDA結合在一起進行人臉識別。改進算法是由6層結構的卷積神經網絡，通過Adaboost算法進行視頻中人臉識別。仿真結果表明該方法提到了人臉識別實時性。傳統卷積網絡由于無法將低層次特征和高層次特征結合在一起造成識別率很難提高。為此構建了一種將附懲罰函數應用到卷積神經網絡算法中。所構建的算法中第一層和傳統網絡的最后一層連接在一起，這樣增加了特征的識別率，降低了淺層的損失。仿真結果表明所改進的算法提高了卷積神經網絡準確率。為解決卷積神經網絡中需要大量訓練才能得到較高的準確率為此。將姿態變化人臉底層特征圖的樣本方法應用到卷積神經網絡模型中。第一步是分析人臉分布規律，通過非線性方法分析人臉特征；第二步將自學習卷積神經網絡與人臉變化結合在一起用于特征提取。仿真結果表明所設計的姿態變化算法提高了人臉識別準確率。為解決應光照、姿態、表情等因素造成人臉識別率不高問題，將融合局部方法和卷積神經網絡結合在一起。該方法采用主動形狀模型確定面部關鍵部位，去掉干擾區域從而提高了人臉識別準確率。為解決人因隨著年齡增加面貌更改傳統卷積神經網絡算法無法識別問題，將跨年齡人臉識別算法和卷積神經網絡算法那組合在一起。所構建的組合算法中在特征學習時能夠得到最優的測度函數，這樣解決了不合適的閾值問題。通過仿真結果表明該算法識別率達到93.6%。為解決卷積神經網路算法運行效率低、收斂速度慢的問題，采用自歸一化的方法進行卷積神經網絡人臉識別。該算法是由2個卷積層、1個池化層以及Softmax回歸層進行自歸一化處理。仿真結果表明改進算法極大提高了算法收斂效率和識別率。在采集人臉圖像時由于圖像模糊造成識別率較低，為提高圖像識別率設計了增加信息的卷積神經網絡算法，該算法采用濾波算法進行圖像處理去除噪音然后利用Radon尺度變換方法進行人臉關鍵部位增強實現。該算法提高了算法識別率。

2.2 循環神經網絡人臉識別

循環神經網絡人臉識別又稱謂時間遞歸神經網絡，采用時間序列方式進行神經網絡運算。該算法與傳統卷積神經網絡算法相比實現了隱含層的神經元連接。如圖2為循環神經網絡示意圖。

由圖2可知循環神經網絡中RNN的隱藏層之間是連接的，圖中x表示輸入數據，s表示隱藏層數據，O表示輸出結果，U表示隱藏層和輸入層的權重矩陣[6]。文獻[6]在循環神經網絡算法中增加了時間處理函數，仿真結果表明該方法降低了均方差誤差提高了算法準確率。為解決隨著年紀增加，人的幾何特征發生改變，這些影響因素有遺傳、生活環境、生活習慣等，使用人臉識別技術進行尋人查找已成為當前研究重點，使用經典的神經網絡算法識別無法完成人臉老化圖像識別。為解決這以問題提出將循環神經網絡算法應用到人臉圖像老化識別中，該方法采用監督下降方法對不用年齡階段圖形進行特征分析，并利用線性回歸方法進行人臉校正。仿真結果表明該方法提高了人臉老化方法識別準確率[7]。

查閱文獻目前關于循環神經網絡算法應用到人臉識別的應用比較多，除文獻[7]中詳細研究了循環神經網絡算法用于圖像識別。目前循環神經網絡算法應用主要應用在語音識別、機器翻譯、文本分類、信息檢索中。

3 結論

目前神經網絡算法與圖像識別技術融合已取得諸多成果，通過分析當前卷積神經網絡人臉識別識別圖像的研究比較熱門，循環神經網絡人臉識別相對較少。當前神經網絡人臉識別算法那需要采集大量樣本信息并建立相應的數據集才能提高識別率。對于一些應用場景數據量較少比如火災數據，如果采用當前神經網絡算法進行識別無法獲得較高的準確率。未來神經網絡算法將朝向樣本數量少方向發展。