基于遷移學習和MTCNN的人臉識別方法

鄧健

摘 要：針對傳統神經網絡人臉識別準確率不高的缺點，提出一種能夠提高人臉識別準確率的改進型人臉識別方法。首先將包含人臉的圖片輸入MTCNN網絡，將圖片中的人臉部分截取出來，去除圖片中的干擾部分。以遷移學習的方式將圖片送入Inception-v3網絡模型中訓練，保留預先訓練好的參數，只改變最后一層全連接層的參數，從而獲得新的人臉識別模型。最后在LFW人臉數據庫上驗證該算法的有效性，實驗表明，該方法相較傳統的CNN網絡，有更高的識別準確率，達到了996%的識別準確率。

關鍵詞：人臉識別;CNN;MTCNN;遷移學習

2012年，杰弗里·辛頓小組采用深度學習模型AlexNet在ImageNet圖像識別大賽中奪冠，引發了深度學習的研究熱潮。近年來，深度學習在人臉識別領域中得到廣泛應用，人臉識別的準確率也在逐年提高。但相較其他類型的圖像識別，人臉識別因人臉本身差異性較小，識別難度大，所以識別準確率還遠沒有達到理想的要求。因此，本文提出一種改進型的人臉識別模型，以提高人臉識別準確率。

1 卷積神經網絡

CNN（Convolutional Neural Networks），即卷積神經網絡。CNN是一種具有代表性的深度學習算法，相較于傳統神經網絡，卷積神經網絡具有深度結構的前饋神經網絡，此外還多了一步涉及卷積運算的卷積層網絡。它是針對圖像識別而被提出的，CNN主要包含三層結構，分別是輸入層，隱藏層以及輸出層。隱藏層又可以細分為多個網絡層。其中卷積神經網絡的隱含層又包含通過卷積運算提取圖像特征的卷積層、以及通過下采樣簡化網絡的池化層和用于對圖片進行分類的全連接層。此外，隨著卷積神經網絡的不斷發展，越來越多更為復雜的網絡模型被提出。如類似Inception模塊和殘差塊這樣的模塊被加入到卷積神經網絡的模型，使得圖像識別精度越來越高。各層結構分別完成不同任務，最終達到提高識別精度的效果。具體操作則是通過將大量圖片不斷地輸入進CNN網絡中進行訓練，以獲得網絡模型的參數，最后獲得良好的圖片識別效果。CNN網絡結構如下圖1所示。

2 遷移學習

正常情況下，如果按照上述CNN的思路，自己去設計網絡模型，搜集數據，再訓練參數的話，通常情況下既費時又費力，而且訓練結果往往都不盡如人意。因為隨著識別類別的增多，識別難度加大，神經網絡的模型設計必須龐大且復雜，大量訓練參數對計算機的性能是一個巨大考驗;此外數據集的收集對于普通個體來說也同樣是一個困難;一個稍復雜的分類任務，所需要的訓練時間也是巨大的。

而遷移學習則完美解決了上述問題，既能快速的完成訓練任務，又能達到滿意的識別準確率。遷移學習是將已訓練完成的神經網絡模型結合自己重新定義的部分全連接層構成模型遷移網絡。通過自己創建的數據集進行訓練，對網絡中的部分參數進行微調，從而構建新的網絡模型，這樣便大大減少了樣本需求量和網絡計算量。

人臉識別屬于圖像分類，而AlexNet、VGG16以及Inception-v3都是曾在圖像分類比賽中取得高名次的網絡模型，本文通過實驗比較最終選擇了由谷歌公司提出的Inception-v3網絡模型。

3 MTCNN

通常在CNN網絡的訓練模型中，輸入的人臉圖片中通常包含大量且無用的背景部分，這些背景信息干擾圖片中有用信息，不利于網絡模型的訓練，從而降低了人臉識別的準確率。所以有必要找到一種能夠快速有效去除圖片中無用信息的方法。

MTCNN是中國科學院深圳研究院于2016年提出的一種由三個級聯網絡組成的神經網絡模型，主要用于完成人臉的快速檢測。其中三個級聯網絡分別由P-Net、R-Net以及O-Net組成。P-Net主要用于快速生成候選窗口、R-Net則是用來高效準確地過濾候選窗口、O-Net則是最終生成邊界框與人臉關鍵點。類似于卷積神經網絡模型，該模型也使用到了一些常見的圖像處理技術，如圖像金字塔、邊框回歸、非最大值抑制等。通過MTCNN網絡，可以在圖像輸入遷移的網絡模型之前定位出圖片中的人臉部分，當準確的定位出人臉部分后，便可以輕松的截取出圖片中的人臉部分，這樣便做到了除去圖片中無用信息的效果。MTCNN網絡的工作原理如圖2所示。

4.1 實驗環境

實驗通過python3.7編程實現，使用的是LFW人臉數據庫。這是目前比較常用人臉數據集，該數據集中的人臉圖片都來取自于現實，由于即使是同一個人的照片，也會由于姿態、光照、表情、年齡、遮擋等因素影響導致圖片差異很大，所以該數據集有較大的識別難度。LFW數據集中共有13233張圖片，共5749人。選用該數據集中部分人臉作為本次實驗對象。共20組人臉，每組人臉通過鏡像處理、旋轉變換和增加噪聲等手段來增加訓練樣本，每組500張圖片，共1萬張圖片，圖片尺寸統一變換為120*120*3。訓練集和測試集按照4∶1的比例進行劃分。LFW數據集部分圖片如下圖3所示。

4.2 實驗結果

5 結語

本文通過MTCNN網絡將人臉數據集優化，并通過遷移學習的方法訓練數據集進而提高網絡模型識別準確率，并且大大減少了工作量。通過實驗表明，該放方法不僅能提高人臉識別準確率，還具有很強的實際應用價值。此外本文設計數據集優化方法不僅僅適用于本文所提出的方法，同樣可用于其他網絡模型當中，具有很強的普適性。

參考文獻：

[1]薛艷杰，鄧燕妮.基于改進卷積神經網絡的人臉識別研究[J].科技風，2019（11）：106+131.

[2]趙瀾濤，林家駿.基于雙CNN的多姿態人臉識別方法[J].華東理工大學學報（自然科學版），2019，45（03）：466-470.