基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別在開(kāi)放機(jī)房的應(yīng)用

李玉玲 王祥仲

摘 要：針對(duì)開(kāi)放機(jī)房存在的安全隱患，提出通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別的管理方法。在中心服務(wù)器中建立在校學(xué)生人臉識(shí)別采集庫(kù)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的卷積、池化算法建立卷積神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建人臉識(shí)別控制機(jī)制;并對(duì)人臉識(shí)別在開(kāi)放機(jī)房應(yīng)用中的布局、工作原理、運(yùn)行過(guò)程及測(cè)試進(jìn)行研究。通過(guò)測(cè)試，發(fā)現(xiàn)人臉識(shí)別率達(dá)到98.8%，大大增加了開(kāi)放機(jī)房的安全性，同時(shí)通過(guò)對(duì)后臺(tái)數(shù)據(jù)庫(kù)中不同時(shí)段上機(jī)人數(shù)進(jìn)行統(tǒng)計(jì)，從而合理調(diào)整機(jī)器數(shù)量，提高管理效率。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);人臉識(shí)別;開(kāi)放機(jī)房;特征提取;反向傳播;數(shù)據(jù)傳輸

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2020）06-000-05

0 引 言

隨著各大學(xué)校學(xué)分制的實(shí)行、學(xué)生自主學(xué)習(xí)時(shí)間的增加、學(xué)習(xí)自由度的提升，各個(gè)學(xué)校機(jī)房開(kāi)放勢(shì)在必行！然而開(kāi)放機(jī)房最大的問(wèn)題在于如何保障安全，保障系統(tǒng)安全和網(wǎng)絡(luò)安全是重點(diǎn)考慮的兩個(gè)方面。

目前的開(kāi)放機(jī)房管理方式為刷卡或指紋識(shí)別上機(jī)，但兩者都有其弊端。刷卡上機(jī)，上機(jī)者必須攜帶本人校園卡進(jìn)行身份認(rèn)證，如果校園卡丟失，存在被他人代用的隱患;采用指紋識(shí)別的機(jī)房管理方式相比刷卡上機(jī)的安全程度有所提高，但指紋識(shí)別存在誤識(shí)率較高，識(shí)別速度慢，以及指紋采集設(shè)備磨損或其他原因影響識(shí)別效果等問(wèn)題[1]。

人臉識(shí)別可以加強(qiáng)機(jī)房操作的安全性。人臉識(shí)別是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻，并自動(dòng)在圖像中檢測(cè)和跟蹤，進(jìn)而對(duì)檢測(cè)到的人臉進(jìn)行識(shí)別[2]。

1 人臉識(shí)別的研究現(xiàn)狀

早期的人臉識(shí)別系統(tǒng)都是在手工提取特征[3]的基礎(chǔ)上，應(yīng)用分類算法進(jìn)行識(shí)別。由于容易受到光線明暗、背景變化、姿態(tài)特征等諸多因素的干擾，使得通過(guò)手工提取的特征在以上外界因素發(fā)生變化時(shí)，導(dǎo)致原始圖像出現(xiàn)結(jié)構(gòu)丟失、特征描述不全面和不確定等問(wèn)題，這些缺陷導(dǎo)致人臉識(shí)別率低[4]、可靠性差、無(wú)法進(jìn)行大面積推廣等。

基于卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行人臉識(shí)別是近年來(lái)隨著計(jì)算機(jī)技術(shù)、圖像處理技術(shù)、模式識(shí)別技術(shù)等快速進(jìn)步而出現(xiàn)的一種嶄新的生物特征識(shí)別技術(shù)。基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法具備神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力、抗干擾能力較強(qiáng)等特點(diǎn)，非線性映射能力、容錯(cuò)能力、泛化能力、魯棒性較好。

2 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)包含了一個(gè)由卷積層和池化層（子采樣層）構(gòu)成的特征抽取器[5]。在卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，一個(gè)神經(jīng)元只與部分鄰層神經(jīng)元連接。在CNN卷積層中[6]，通常包含若干個(gè)特征平面（Feature Map），每個(gè)特征平面由一些矩形排列的神經(jīng)元組成，同一特征平面的神經(jīng)元共享權(quán)值，共享的權(quán)值即卷積核。卷積核一般以隨機(jī)小數(shù)矩陣的形式初始化，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，卷積核將學(xué)習(xí)得到合理的權(quán)值。共享權(quán)值（卷積核）[7]的好處是減少了網(wǎng)絡(luò)各層之間的連

接[8]，降低了過(guò)擬合的風(fēng)險(xiǎn)。子采樣也叫做池化（pooling），子采樣可以看作是一種特殊的卷積過(guò)程。卷積和子采樣大大簡(jiǎn)化了模型復(fù)雜度與模型參數(shù)。

通常，CNN的結(jié)構(gòu)形式為數(shù)據(jù)層（data layer）→卷積層（convolutional layer）→池化層（pooling layer）→…（重復(fù)卷積、池化層）→全連接層（fully connected layer）→輸出結(jié)果層（output result layer），其中最重要的為卷積層和池化層[9]。

2.1 卷積層

在卷積層中，特征圖的每一個(gè)神經(jīng)元與前一層的局部感受野[10]相連接，與一個(gè)可學(xué)習(xí)的卷積核卷積，經(jīng)過(guò)卷積操作提取局部特征。卷積層的計(jì)算公式[11]：

式中：l代表層數(shù);mj代表輸入層的感受野;h代表卷積核;hlij是該層神經(jīng)元j與前一層神經(jīng)元i的連接強(qiáng)度;bjl是該層神經(jīng)元j的偏置;f（·）表示激活函數(shù)[12]。卷積層的前一層可以是初始圖像，也可以是卷積層或者下采樣層生成的特征圖。卷積核與局部感受野進(jìn)行點(diǎn)乘，然后求和加偏置，卷積核內(nèi)部的參數(shù)可訓(xùn)練，偏置的初始值[13]為0。

卷積層的計(jì)算方法：假設(shè)有輸入圖像A（5，5）和卷積核B（3，3），那么B卷積A的結(jié)果就是B矩陣在A矩陣上滑動(dòng)，即B矩陣與A矩陣所有連續(xù)的3×3子矩陣做“對(duì)應(yīng)元素積之和”運(yùn)算[14]，此時(shí)的結(jié)果如圖1所示。

2.2 池化層

卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)重要概念為池化層，池化層又叫下采樣層，一般在卷積層之后。在下采樣中，計(jì)算圖像某區(qū)域特征值時(shí)，需要對(duì)該區(qū)域進(jìn)行分析和統(tǒng)計(jì)，用新的特征來(lái)表達(dá)該區(qū)域的總體特征。這個(gè)區(qū)域?yàn)槌鼗?，其過(guò)程為池化[13]，輸入的特征圖經(jīng)過(guò)池化操作后，個(gè)數(shù)不變，邊長(zhǎng)變?yōu)橹暗?/n（n為池化的尺寸）。池化層對(duì)輸入做降采樣，減少參數(shù)的數(shù)量，防止過(guò)擬合現(xiàn)象的發(fā)生。常用的池化做法是對(duì)每個(gè)濾波器的輸出求最大值、平均值等。

2.2.1 池化層的前向傳播

池化層的前向傳播方法通常為最大值池化（max-pooling）和平均值池化（mean-pooling）。

最大值池化取池化域中的最大值作為下采樣特征圖的特征值。平均值池化是對(duì)池化域內(nèi)所有值求和并取其平均值作為下采樣特征圖的特征值[15]。最大值池化（max-pooling）[16]如圖2所示，選出每個(gè)區(qū)域中的最大值作為輸出。平均值池化（mean-pooling）如圖3所示，需計(jì)算每個(gè)區(qū)域的平均值作為輸出[17]。

2.2.2 池化層的反向傳播

在池化層進(jìn)行反向傳播時(shí)[18]，max-pooling和mean-pooling采用不同的方式[19]。

對(duì)于max-pooling，在前向計(jì)算時(shí)，選取每個(gè)2×2區(qū)域中的最大值，并記錄最大值在每個(gè)小區(qū)域中的位置。在反向傳播時(shí)，只有最大值對(duì)下一層有貢獻(xiàn)，所以將殘差傳遞到該最大值的位置[20]，區(qū)域內(nèi)其他2×2-1=3個(gè)位置置零，其中4×4矩陣中非零的位置即為計(jì)算出來(lái)的每個(gè)小區(qū)域的最大值的位置，如圖4所示。

對(duì)于mean-pooling，我們需要把殘差平均分成2×2=4份，傳遞到前邊小區(qū)域的4個(gè)單元即可，具體過(guò)程如圖5所示。

3 人臉識(shí)別在開(kāi)放機(jī)房中的應(yīng)用

3.1 結(jié)構(gòu)布局

因人臉識(shí)別[21]所具有的自然性、非強(qiáng)制性、非接觸性特點(diǎn)，不易被復(fù)制，有著無(wú)法被替代的唯一性，相較其他生物識(shí)別技術(shù)而言，用戶無(wú)需與設(shè)備直接接觸，安全又衛(wèi)生。

通過(guò)對(duì)全校在校學(xué)生信息的采集，基于卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別模型的構(gòu)建與人臉在線識(shí)別，識(shí)別正確者可以順利進(jìn)入系統(tǒng)，非在校生及其他人員無(wú)法隨意進(jìn)入系統(tǒng)，極大地保證了機(jī)房的系統(tǒng)安全、網(wǎng)絡(luò)安全。人臉識(shí)別在開(kāi)放機(jī)房的布局如圖6所示。系統(tǒng)由中心服務(wù)器、人臉識(shí)別控制器、交換機(jī)、客戶端（學(xué)生機(jī)）、攝像頭組成。

3.2 工作原理

人臉識(shí)別技術(shù)是基于人的臉部特征，對(duì)輸入的人臉圖像進(jìn)行判斷。首先判斷是否存在人臉，如果存在，則進(jìn)一步給出每張臉主要面部器官的位置信息。并依據(jù)這些信息，進(jìn)一步提取人臉中蘊(yùn)涵的面部特征。如果是初次信息采集，則直接將結(jié)果存入人臉資料庫(kù);如果并非初次采集，則進(jìn)行人臉識(shí)別，并將其與已知的人臉資料庫(kù)中的圖像進(jìn)行對(duì)比，從而完成身份識(shí)別[22]。人臉識(shí)別在開(kāi)放機(jī)房的工作原理如圖7所示。

通過(guò)客戶端進(jìn)行在線人臉識(shí)別驗(yàn)證輸入，驗(yàn)證輸入數(shù)據(jù)通過(guò)內(nèi)部局域網(wǎng)由用戶管理服務(wù)器發(fā)送至構(gòu)建有人臉識(shí)別模型的中心服務(wù)器，人臉識(shí)別結(jié)果通過(guò)內(nèi)部局域網(wǎng)返回給用戶管理服務(wù)器和各客戶端。

（1）進(jìn)行人臉圖像采集，在中心服務(wù)器中建立學(xué)生人臉識(shí)別采集庫(kù)。每一位學(xué)生在上機(jī)前，需在客戶端（學(xué)生機(jī)）攝像頭前獲得輸入圖像。

（2）客戶端把圖像傳到人臉識(shí)別控制器，對(duì)輸入的人臉圖像與服務(wù)器圖片庫(kù)中的圖像進(jìn)行比對(duì)，判斷其是否存在。若身份識(shí)別通過(guò)，則客戶端自動(dòng)開(kāi)機(jī)，進(jìn)入操作系統(tǒng);否則，無(wú)法開(kāi)機(jī)進(jìn)入操作系統(tǒng)。

3.3 網(wǎng)絡(luò)結(jié)構(gòu)

通過(guò)每個(gè)機(jī)房?jī)?nèi)的RG-S2952G千兆交換機(jī)把中心服務(wù)器、客戶端、人臉識(shí)別機(jī)連接起來(lái)，再通過(guò)RG-S8610交換機(jī)的三層交換功能連接到校園網(wǎng)絡(luò)路由器，經(jīng)防火墻連接到Internet網(wǎng)絡(luò)。機(jī)房?jī)?nèi)的千兆交換機(jī)保證了客戶端與中心服務(wù)器之間進(jìn)行數(shù)據(jù)傳輸?shù)膶?shí)時(shí)性，中心服務(wù)器通過(guò)防火墻的過(guò)濾，能夠很大程度上保證中心服務(wù)器數(shù)據(jù)的安全。網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

3.4 識(shí)別過(guò)程

通過(guò)用戶管理服務(wù)器錄入學(xué)生個(gè)人信息并采集人臉樣本后，對(duì)采集的人臉樣本進(jìn)行預(yù)處理，之后將人臉樣本與學(xué)生個(gè)人信息相關(guān)聯(lián);用戶管理服務(wù)器將關(guān)聯(lián)后的學(xué)生個(gè)人信息與人臉樣本發(fā)送至中心服務(wù)器;將人臉的特征與存儲(chǔ)于人臉庫(kù)中的人臉特征進(jìn)行對(duì)比;當(dāng)測(cè)試人臉的特征與存儲(chǔ)于人臉庫(kù)中的人臉特征間的相似度未達(dá)到指定閾值時(shí)，提示測(cè)試者對(duì)當(dāng)前所給出的人臉庫(kù)中最大相似度的人臉特征進(jìn)行判斷;若人臉庫(kù)中最大相似度的人臉特征與測(cè)試人臉一致，則將定時(shí)器清零，計(jì)算機(jī)開(kāi)啟。系統(tǒng)流程如圖9所示。

4 人臉識(shí)別在開(kāi)放機(jī)房中的應(yīng)用測(cè)試

4.1 人臉識(shí)別管理部門(mén)的添加

利用云服務(wù)器建立人臉識(shí)別數(shù)據(jù)庫(kù)，進(jìn)行管理部門(mén)添加，如圖10所示。北京聯(lián)合大學(xué)生物化學(xué)工程學(xué)院機(jī)房中心為該管理部門(mén)添加管理員和團(tuán)隊(duì)成員，如添加有誤，可以刪減修改，保證團(tuán)隊(duì)成員的正確性和完整性。

4.2 人臉?shù)浫牍芾?/p>

待管理部門(mén)成員信息添加完畢后，開(kāi)始進(jìn)行人臉圖像采集，存入人臉?shù)浫牍芾韼?kù)中。如果錄入人臉圖像有誤，可以刪減，保證人臉圖像采集的正確性;及時(shí)更新人臉圖像數(shù)據(jù)庫(kù)，保證人臉圖像采集庫(kù)的有效性。北京聯(lián)合大學(xué)生物化學(xué)工程學(xué)院機(jī)房中心人臉?shù)浫牍芾斫缑嫒鐖D11所示。

4.3 人臉識(shí)別測(cè)試

通過(guò)添加學(xué)校2 016位在職學(xué)生和老師的基本信息，分別在白天和夜晚，日光、燈光兩種不同的光照條件下，對(duì)503名常用機(jī)房的師生進(jìn)行人臉圖像庫(kù)取樣，然后分不同時(shí)段進(jìn)行采樣人臉識(shí)別測(cè)試，其中白天的測(cè)試中有500名學(xué)生一次性通過(guò)，有3名學(xué)生在第二次人臉識(shí)別時(shí)通過(guò)，一次性通過(guò)率達(dá)到99.4%;晚上在燈光下測(cè)試的學(xué)生中有494名學(xué)生一次性通過(guò)，通過(guò)率達(dá)到98.2%，有3名學(xué)生在第二次人臉識(shí)別時(shí)通過(guò)。卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別如圖12所示，測(cè)試結(jié)果見(jiàn)表1所列。

4.4 人臉識(shí)別數(shù)據(jù)統(tǒng)計(jì)

利用人臉識(shí)別數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)。日統(tǒng)計(jì)，即對(duì)每日上機(jī)的學(xué)生總數(shù)進(jìn)行統(tǒng)計(jì);月統(tǒng)計(jì)，即對(duì)每月上機(jī)的學(xué)生總數(shù)進(jìn)行統(tǒng)計(jì)。人臉識(shí)別數(shù)據(jù)統(tǒng)計(jì)如圖13所示。系統(tǒng)也可以記錄學(xué)生特定時(shí)間段的上機(jī)量，進(jìn)而通過(guò)對(duì)學(xué)生在某個(gè)時(shí)間段上機(jī)量數(shù)據(jù)庫(kù)的分析，精確統(tǒng)計(jì)人數(shù)，以便及時(shí)調(diào)整該時(shí)間段的機(jī)器數(shù)。

5 結(jié) 語(yǔ)

本文通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)算法的人臉識(shí)別研究分析，并將此算法應(yīng)用在開(kāi)放機(jī)房的安全管理，設(shè)計(jì)開(kāi)放機(jī)房應(yīng)用的結(jié)構(gòu)布局，分析工作原理、運(yùn)行過(guò)程并進(jìn)行人臉識(shí)別測(cè)試;通過(guò)測(cè)試，達(dá)到98.8%的人臉識(shí)別率，增加了開(kāi)放機(jī)房的安全性;通過(guò)人臉識(shí)別數(shù)據(jù)管理，既能滿足學(xué)生上機(jī)需求，提高資源利用率，同時(shí)又節(jié)省機(jī)房管理時(shí)間、提升管理效率。該系統(tǒng)具有很強(qiáng)的社會(huì)價(jià)值和推廣意義。

注：本文通訊作者為王祥仲。

參考文獻(xiàn)

[1]張靜端.基于人臉識(shí)別技術(shù)的圖書(shū)館門(mén)禁系統(tǒng)的研究[J].現(xiàn)代電子技術(shù)，2016，39（18）：99-103.

[2]解駿.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J].軟件導(dǎo)刊，2018（17）：25-27.

[3]陳耀丹，王連明.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J].東北師大學(xué)報(bào)（自然科學(xué)版），2016（2）：70-76.

[4] QUIONERO CANDELA J，SUGIYAMA M，SCHWAIGHOFER A，et al.Dataset Shift in Machine Learning [M]. Cambridge，USA：The MIT Press，2009.

[5]周飛燕.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017（6）：1233-1236.

[6] CHU J L，KRZYZAK A. Analysis of feature maps selection in supervised learning using convolutional neural networks[C]// Proceedings of the 27th Canadian Conference on Artificial Intelligence，Montreal，Canada，2014：59-70.

[7] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[8] GAO Ligang，CHEN Paiyu，YU Shimeng. Demonstration of convolution kernel operation on resistive cross-point array [J]. IEEE electron device letters，2016，37（7）：870-873.

[9]陳旭.卷積網(wǎng)絡(luò)深度學(xué)習(xí)算法與實(shí)例[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2017（6）：20-26.

[10] HUBEL D H，WIESEL T N. Receptive fields，binocular interaction and functional architecture in the cats visual cortex [J].The journal of physiology，1962，160（1）：106-154.

[11] SYAFEEZA A R，KHALIL-HANI M，LIEW S S，et al. Convolutional neural network for face recognition with pose and Illumination Variation [J]. International journal of engineering & technology，2014，6（1）：44-57.

[12] NAIR V，HINTON G E，F(xiàn)ARABET C. Rectified linear units improve restricted Boltzmann machines [C]// Proceedings of the 27th International Conference on Machine Learning. Haifa，Israel，2010：807-814.

[13]彭清.卷積神經(jīng)網(wǎng)絡(luò)在車(chē)輛識(shí)別中的應(yīng)用[J].計(jì)算機(jī)科學(xué)與探索，2018（12）：282-291.

[14]盧宏濤.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016（1）：1-17.

[15] BOUREAU Y L，ROUX N L，BACH F，et al. Ask the locals： Multi-way local pooling for image recognition [C]// Proceedings of the 2011 International Conference on Computer Vision. Barcelona，Spain，2011：2651-2658.

[16] ZEILER M D，F(xiàn)ERGUS R. Stochastic pooling for 3557v1[Z].2013.

[17]景晨凱.基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)綜述[J].計(jì)算機(jī)應(yīng)用與軟件，2018（1）：223-231.

[18] KRIZHEVSDY A，SUTSKEVER? HINTON G. Imagenet classification with deep convolutional neural networks [C]// Proceedings of the Advances in Neural Information Processing Systems. Lake Tahoe，USA，2012：1097-1105.

[19]李國(guó)和，喬英漢，吳衛(wèi)江，等.深度學(xué)習(xí)及其在計(jì)算機(jī)視覺(jué)領(lǐng)域中應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2019（12）：2.

[20] YOO H J. Deep convolution neural networks in computer vision： A review [J]. IEIE transactions on smart processing and computing，2015，4（1）：35-43.

[21]張富為.基于卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)件分類策略的研究[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（8）：201-207.

[22]楊巨成.基于深度學(xué)習(xí)的人臉識(shí)別方法研究綜述[J].天津科技大學(xué)學(xué)報(bào)，2016（12）：1-10.

[23] LECUN Y，BOSER B DENKER J S，et al. Backpropagation applied to handwritten zip code recognition [J]. Neural computation，1989，11（4）：541-551.