關于人臉識別進入培訓機構的探討與應用＊

于傳 唐毅 傅曉 徐華

（1.國網安徽省電力有限公司培訓中心，安徽合肥 230000；2.安徽電氣工程職業技術學院，安徽合肥 230000）

0 引言

在近幾年的時間里，各類生物技術和科研開發都有了不錯的發展，而對身份識別系統來說，在近幾年來被廣泛應用于人類的日常生活。早期我國的識別方法比較簡單，例如個人密碼、磁卡、智能卡等，這些安全性能太低，容易被偽造和竊取，個人信息私密性不容易得到保障。而人類本身身上就具有其他物體不能代替的特征，例如DNA、指紋、語音、人臉等，這類獨有的特征再與計算機技術相結合，從而可以對人類身份的識別起到至關重要的作用。

人臉識別相對于傳統的生物識別技術，它更加的方便和快捷，第一，人臉識別技術不需要外界幫助，其他的識別技術還需要人為配合，第二，在宣稱監控的過程中也可以運用到人臉識別技術，而別的生物識別技術則無法做到，第三，對于現如今的第一、二代身份證而言，擁有最完善的數據庫，在核查每個身份的時候就可以更加方便和直觀，減少很多不必要的人工和時間浪費。

1 人臉識別技術的發展

1.1 人臉識別技術總結

早在我國的18世紀，生物識別技術部門的工作人員就分析過我國大部分人臉的基本特征，并且對人臉幾何結構特征研究方法進行了實際行動證明，但是卻并沒有得到一個滿意的結論。所以研究人員在研究和創新上面都努力做好創建和完善，在接下來的時間內就可以進行新型識別方法的使用。在人臉識別的技術方面，我國的研究人員也在不斷地進行創新和實踐，在研究中也取得了一定的成績，人臉識別技術越來越清晰，而且在這個軟件開發中更具有穩定性。在實用性方面，比如在非理想條件下的自然場景，進行后期的人臉識別處理，并且通過光照姿態、光照協防方面進行后期的識別。人臉識別技術的基礎技術包括關鍵幀篩選和人臉識別技術。深度學習在傳統神經網絡架構上增加了池化層和卷積層，其中池化和卷積是對輸入的數據集作非線性的特征提取操作[1]。深度學習主要對數據集進行無監督的特征提取并構建一個或多個具有一定深度的神經網絡。

1.2 人臉識別常用方法

1.2.1 基于面部幾何特征的方法

這個方法是最早的時候提出來的人臉識別方法，此類方法的基本特征是將人間面部特征作為人臉識別的主要基礎[2]。針對人群的不同，面部特征不同的特點來提取面部的特征點：比如眉毛的形狀不同采用不同的眉毛，對眼睛、鼻子、嘴巴等面部特點也是一樣的方法。然后依次針對不同的特征情況進行幾個距離的計算，將它們之間的距離、夾角等情況進行計算，然后最后選擇合適的分類器進行分類，在測試方法的選擇上，主要選擇的就是基于面部特征的人臉識別技術。

1.2.2 基于特征臉的方法

特征臉方法主要是利用隨機向量的方法，利用K-L變換得到正交K-L基，是一種人臉識別的描述型技術，隨機向量一般作為包含人臉的區域看作隨機向量，因此又被稱為特征臉[3]。而合理的對這些基的組合計算，最后表達人臉圖像，最后形成人臉識別的過程，在這個過程中，還需要注意的事項是在特征臉空間中的位置，要計算相似度（投影間圖像的度量）這類方法是人臉識別技術中最常見的進行度量分類的方法。

1.2.3 神經網絡法

基于神經網絡的人臉識別方法主要的識別模式就是從學習能力和分類能力這兩個方式出發，然后再運用神經網絡來進行操作，但是在現如今的生活中，一般會采用自組織神經網絡、徑向基函數神經網絡。他們這兩類都是多層前向的網絡體系，而且他們都是激勵函數，是由于他們的基準為徑向基函數，這類的方法由于他們的函數逼近、模式識別能力都遠遠高于BP神經網絡，所以被人臉識別技術研究者廣泛認可[4]。

2 人臉識別中常用數據庫介紹

（1）英國ORL人臉數據庫。英國ORL(OlivettiResearch L aboratory)人臉數據庫主要的拍攝時間從1992年4月至1994年4月，主要針對的拍攝對象是一系列人臉圖像，圖像的背景都是清一色的黑色，然后每一幅原始圖像的分辨率都為112×92，然后在灰度級別上面都是一樣的，都為256，一共是由40個人的400幅灰度圖像組成。在這些灰度圖像中，每個人的面部特征都有不同的大小區別，有的圖像睜著眼睛，有的閉著眼睛；有的戴著眼鏡，有的沒有戴眼鏡；有的在哭，有的在笑……每幅圖像的面部特征都有不同的差異。而在這接近400幅的圖像中，在關于人臉識別的技術過程中，對于人臉部的尺寸也是會有一定的變化，一般會在10%左右的區間之內，英國的ORL人臉數據庫截止到目前使用的人數最多，也是普遍得到大家認可的人間數據庫。

（2）英國Manchester人臉數據庫。在這個數據庫中，主要的組成成分是30個人的690幅圖像。針對不同的背景和光線情況，將其中的訓練集和測試集區分開來。而針對每張圖像的拍攝任人時間不同，圖像的前后都會有一定的時間差異，一般情況不會超過3周。但是在這整個過程中，由于測試的時候光源都會有所影響，所以最后的結果也有會所不同，其中的難點還包括有一些人臉的相似度過高，差異也只是存在于發型和背景的不同，其中還有一些是因為有些圖像的特征遮擋，如頭發、黑眼鏡、手臂等。

（3）美國FERET人臉數據庫。美國FERET數據庫比較特別，因為在這個數據庫中，針對人臉識別技術的應用中是每個人有8張可選擇的照片，分別是有3張從左到右角度不同的照片，兩張正臉，還很一些是從不同的視點出發拍的不同角度的照片，都在此類的數據庫中，截至2014年8月份，美國FERET人臉數據庫已經儲存了1199個人的14126幅圖像，而且隨著時間的推移，數量也在逐年增加。

3 人臉識別運用到培訓時的實現過程

這個流程主要分為4個階段：

（1）部署人臉圖像采集環境；

（2）進行人臉檢測/識別的數據獲取分析、比對；

（3）課堂專注度的分析；

（4）導入課堂過程數據，形成課堂過程專注度分布分析。

4 人臉識別的優缺點

每個人都有自己獨特的面部特征，但是卻因為各種因素的影響，在人臉識別過程中受到一定限制，導致不能順利地進行人臉檢測，但是這類方法的研究還是備受社會各界研究學者的關注。不管是人臉識別中的哪一類，對于數據的準確性都有著較高的要求，為了確保方法的有效性和實用性，在取值方面最好不要存在偏差。

5 結語

改進光照因素影響的人臉識別在培訓時的應用以及安全管理中的應用是一項系統工程，再加上人臉識別的應用，將其中的軟硬件進行加工結合融入到互聯網中，就可以在無干擾的情況下在課堂中采集學生的實時人臉圖像，再利用統計學原理對人臉進行精準地識別判定，最終完成每個培訓學員個體的專注度分析。重視并積極研究光照因素對整個人臉識別系統的影響，在一定程度上可以為培訓中的管理以及安全方面提供有益的技術支撐，提高行業科技含量。