基于大數據下的智能防護系統的研究

張躍沖

摘要：卷積神經網絡CNN和MATLAB的相互結合之下，利用CNN在圖像學習方面的優勢，結合MATLAB的系統仿真來建立新的人臉識別系統.MATLAB可以實現多種CNN模型并對其系統功能頁面進行設計，以此來完成系統所需要的人臉圖像的收集和驗證。由于普通的CNN模型進行訓練的實驗結果并不理想，我們在原數據的基礎上先用傳統的方法先對圖像進行特征提取不僅可提高識別度同時也擴充了數據集，然后再用普通的CNN進行訓練。通過仿真表明：改進后CNN模型的正確率較高，可以很好的實現該系統所需要的功能。

關鍵詞：人臉識別;卷積神經網絡;MATLAB

一、前言

隨著科技水平的提高，智能化越來越普及，我國的安全技術防范事業也得到迅速發展。同時互聯網的飛速發展使得生物識別技術被引入到安全領域來，利用生物特征進行身份識別也被認為是當前最安全的身份識別方式。在機器視覺識別方面，人臉識別這一方法的簡易性使其成為了當今相關方面研究的重點。由于淺層特征的圖像化信息缺失，使以其作為基本信息提取的傳統人臉識別技術存在很多的缺陷，最為基本的就是會影響人臉識別的識別率，利用深度學習進行對人臉圖像進行特征提取將會更加高效。本文研究了深入學習中的卷積神經網絡并構建了卷積神經網絡人臉識別模型，并對其進行了性能分析。

二、系統方案的確定

目前多數的防護系統通常采用刷卡或指紋識別驗證方式。但這兩種防護系統系統存在一定的弊端。刷卡式圖書館防護系統卡片丟失后，一定程度上存在被他人利用可能造成財物損失等不安全隱患，使防護系統形同虛設;采用指紋識別驗證方式的防護系統，對安全防范有所提高，但該系統存在8%左右的誤識率，且識別速度慢，如果需求量過高會影響工作效率。相對來說人臉識別比刷卡識別和指紋識別安全性更好。在人臉識別的前期我們大多需要人工設計的特征來進行識別;這種傳統的方法具有一定的局限性，特征少了容易造成擬合，特征多了有需要進行PCA降維，使得人臉識別系統的效率并不高。近幾年隨著大數據的不斷發展，深入學習不斷應用到各個領域，人臉識別就是其中之一。深入學習對人臉數據庫進行訓練可以得到更加準確的模型從而提高了對人臉識別。本文的防護系統的研究則是利用卷積神經網絡對人臉進行識別，通過優化方案來提高人臉的識別率。

三、人臉識別防護系統的構建

由于MATLAB軟件有著強大的圖像處理功能，此系統的訓練、仿真都在MATLAB的環境下進行。人臉圖像數據的采集和檢測，人臉圖像的預處理，人臉圖像的特征提取，人臉圖像的匹配和識別這四個層面組成了最基本的人臉識別系統。本文采用的是利用卷積神經網絡構建人臉識別的模型，將采集的圖像通過USB傳輸到MATLAB軟件，圖像預處理階段的灰度矯正以及噪聲過濾等我們都可以用MATLAB來實現，之后系統將根據利用卷積神經網絡訓練得到數據對圖像進行特征提取，再與人臉數據庫進行比對，最終得到最后的結果。

（一）基于卷積神經網絡人臉識別模型的構建

一般的卷積神經網絡包含卷積層，池化層，全連接層等。其中卷積層的作用是通過卷積核與圖像進行卷積操作，來實現對圖像的局部特征進行感知，通過權值共享來實現對某一特征的提取，使用不同的卷積核可以提取出不同的特征圖。然后通過池化層來減少特征圖的維度，經過多次卷積池化之后一般會接入全連接層，全連接層作用是轉換和圍定輸入輸出維度。

本文使用的LeNet-5 模型是由Yann LeCun基于 LeNet 的基礎上改進而來并被第一個應用到手寫數字識別的CNN網絡。LeNet-5 模型的 7 層網絡結構包含了卷積神經網絡基本模塊，此模型包含C1、C3、C5三個卷積層，S2、S4 兩個池化層和F6、Output兩個全連接層。C1 卷積層有156個訓練參數;C3 卷積層需要訓練的參數有1516個;C5 卷積層網絡需要訓練 48120個參數。池化層的作用是降低維度，S2池化層采用6個2×2的采樣區域;S4 池化層采用16個2×2的采樣區域。全連接層 F6 有84個神經元節點，接收C5 層輸出的 120 維向量，網絡訓練參數 10164 個;Output 層有10個神經元節點。

（二）系統的頁面設計

系統的頁面是通過在MATLAB環境下設計GUI頁面實現的。通過GUI來實現顯示檢測的檢測到的人臉圖像，根據將數據庫中的圖像數據與檢測的進行對比顯示識別的結果。

四、 系統的優化仿真以及實驗結果

（一）系統的優化

仿真所用的人臉圖像數據集由耶魯大學計算視覺與控制中心創建，包含了 15 個人，每人 11 張共 165 張圖片，數據庫里的人臉圖像包含了光照、表情和姿態的變化。初次實驗得到的結果不理想，我們通過查閱資料所知傳統的特征提取方法LBP對光具有不敏感性，因此我們在正常的CNN上結合傳統的LBP，使新的“CNN”有更優秀的泛化能力。新的CNN 實現步驟為：首先將數據庫人臉局部二值化處理，提取出人臉特征，新得的數據集用于擴充原有數據集;其次將局部二值化的人臉圖像放入深度卷積網絡中訓練，從而進一步提高人臉識別率。

（二）系統仿真及實驗結果

在實驗仿真時我們將擴充后的數據集按照7：3的比例劃分為訓練集和測試集。訓練采用隨機梯度下降SGD（stochastic gradient descent）方式迭代80次，基礎學習率為 0.05。訓練集的正確率為 0.9655，訓練集的正確率為0.9663，從而表明泛化效果比較好。實驗結果如下圖2所示：

五、總結

本文通過采用卷積神經網絡的方式來進行人臉識別特征提取的發現單一的提取方法并不能將數據進行的高效的識別。將傳統的特征提取方法LBP與卷積神經網絡相結合通過訓練結果顯示此方案有效。同時將傳統的特征提取方法與深入學習的方法相結合也可作為今后研究提高人臉識別識別率的一個思考方向。同時我們利用MATLAB軟件對我們的系統進行了在線仿真，得到的效果良好。