社區人臉識別的技術途徑綜述

摘?要：ID識別是21世紀以來的熱門技術，常用的ID技術有指紋、人臉、瞳孔識別等。人臉識別技術是其中較為靈活的技術之一，基于深度學習的人臉識別技術能夠克服傳統識別對環境因素要求較高的場合，本文就社區人臉識別實現的技術途徑進行探討介紹。

關鍵詞：人臉識別;圖像分割;數據采集

中圖分類號：TP520.20??文獻標識碼：A??文章編號：

摘?要：ID recognition is a popular technology since the 21st century.The commonly used ID technologies include fingerprint，face，pupil recognition and so on.Face recognition technology is one of the more flexible technologies.The face recognition technology based on deep learning can overcome the situation that traditional recognition requires higher environmental factors.This paper discusses the technical ways of community face recognition.

要實現人臉識別，綜合國際國內文獻及工程實際，大致分為如下幾個模塊，分別為數據采集、圖像分割（人臉提取模塊）、特征提取、動態識別模塊。

一、數據采集

人臉數據采集通常都是通過攝像傳感器，有兩種方式，一種是傳統的利用攝像傳感器進行拍照，另一種是高清攝像頭，通過攝像，然后對攝像形成的視頻進行幀分析。無論是哪種方式，最終都是獲取靜態圖像，并對其進行有效數據與無關數據的分割，并對有效的圖像信息進行保存和分析。

二、圖像分割

圖像分割，就是將一幅圖像按某種策略分塊割開，并且確保所分割后的塊之間無交疊現象。從這個概念中我們可以看出，要確保對一幅圖像的 分割成功，首先要保證我們分割后的塊之間屬性無交疊，也就是說，在對圖像分割之前，我們要預知分割后的各塊具有鮮明的特征屬性。由于等待分割的圖像內容的不同導致要預知圖像被分割后的每一塊的特征屬性鮮明度隨之不同，從而使圖像分割時的塊區域選擇發生變化，這就是圖像分割中特征屬性與塊區域之間的相互聯系。由此可見圖像分割技術要解決的最基本問題就是對圖像特征屬性的提取和圖像區域的劃分。

目前圖像分割的算法理論和相關技術已經相對成熟，有閾值分割方法、聚類分割方法、邊緣檢測分割方法等，這些方法經過多年的理論和實踐研究，在很多領域已經有了較為良好甚至優秀的應用，比如車牌識別，壓線檢測等。基于這些方法，也形成了一系列圖像分割的應用，在人臉檢測范疇中，就有face_recognition、openCV等優秀的第三方庫。

三、特征提取

對人臉數據進行采集后，并不是簡單的進行存儲，而是要進行特征的提取以便于后續的識別，同時還需要的相同的人臉進行聚類。主要分為傳統機器學習和深度學習。他們都是通過對數據采集，進行模型訓練，而后能夠對出現的人臉數據進行判斷、預測和分類。

傳統機器學習，典型的有sklearn等經典的第三方庫，并提供了線性、kmean、隨機樹、卷積神經網絡等通用的學習和預測算法，在某些單一應用場景且目標數據相關度比較高的情況下效果良好。

深度學習是機器學習的分支，是一種以人工神經網絡為架構，對數據進行表征學習的算法。至今已有數種深度學習框架，如深度神經網絡、卷積神經網絡和深度置信網絡和遞歸神經網絡已被應用在計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域并獲取了極好的效果。特別是深度學習能夠將最新的人臉數據用于模型的更新，以便于進行更精準的識別。

社區環境下，人的數量本身較多，且年齡差距較大，傳統機器學習適應性較差，靈活度不足。基于社區的人臉識別較適合應用深度學習，深度學習目前主流的開源學習框架有TensorFlow、Caffe、Keras等，同時國內百度飛漿深度學習框架也比較完善。就TensorFlow和百度飛漿比較來說，TensorFlow使用靈活性高，使用范圍廣，百度飛漿使用相對簡單，性能好，這兩和主流的深度學習框架都是比較好的選擇。

四、動態識別

動態人臉識別是不需要停駐等待，你只要出現在一定識別范圍內，無論你是行走還是停立，系統就會自動進行識別，也就是說，人以自然的形態走過去，攝像頭會進行信息的抓拍和采集，發出相應的指令，進行動態人臉識別。

社區人臉識別的特殊性在于，人員結構復雜，且一般不需要提供被識別人的清晰照片，但是進出社區的人員一般比較固定。所以社區人臉識別需要經過一段時間的數據采集，搜索并存儲本社區人員的人臉數據，同時進行存儲，特征提取后進行模型建立，以便于人臉數據庫的建立。

運用TensorFlow等深度學習框架通過采集的數據進行人臉模型建立之后，就可以進行動態識別了，動態識別中，對于已經正確識別的，通過綠色框線進行標識，未識別的即為疑似陌生人，工作人員可以上前查問并作相應處理。

參考文獻

[1]井慧娟 張花馗.淺談圖像分割技術 [].《湖南冶金職業技術學院學報》 2008年03期

[2]王立凱.基于卷積神經網絡的人臉識別研究與設計 [].通信電源技術2019，36（07），117-118

[3]崔慶華.基于深度學習的人臉識別技術分析[].計算機產品與流通 2020，（05），136

作者簡介：秦程（1988-），男，重慶涪陵人，重慶工貿職業技術學院講師。研究方向：工業機器人。