基于深度學習的人臉識別技術研究

王艷平 蘆欣 趙宇丹

當前，人臉識別主要被廣泛使用在通行、公安司法、自助服務和安防等領域，有著良好的應用前景。本文介紹了基于深度學習的人臉識別技術和研究經驗。

在如今的許多領域，密碼、虹膜、指紋和ID卡等已成為鑒別身份的重要方式，但其存在著遺失和泄漏風險高、損壞幾率大以及容易造假等不足之處。利用生物識別技術，可以解決相關問題，有安全、方便、可靠、穩定等優點。

關于人臉的偵測

過濾圖像中的無關信息，使用模版對比的方式，核對對比度和色澤信息，基于深度學習的人臉識別技術有著識別率高和耗時少的特點。人臉的大小、方向和顏色存在差異，利用深度學習技術，可以使判斷的正確率達到標準要求。首先，準確界定人臉圖像的邊緣區域，可以對人臉畫面區域進行分類；其次，明確人臉的具體位置，過濾畫面中的非人臉區域；最后，在前2步的基礎上深化，讓人臉區域定位更加準確。

建構樣本數據庫

在結束預處理之后，需要提取人臉圖像的特征，對比人臉特征和模型，獲取關于人臉特征的向量和參數。盡可能獲取多個維度的信息，排除噪聲干擾、表情變化干擾、光線以及背影干擾，提升準確率。在不改變信息熵的前提下，把維度降低，可以獲得高質量合成向量信息。但是這種向量中存在較多的冗余信息，會提升識別負擔，進而影響判斷效率，可以在應用深度學習技術時，采用稀釋特征向量的方法來解決這些問題。

通過以上方式獲得的人臉數據需要儲存在樣本數據庫中，深度學習技術的基礎是云計算技術和海量數據資源。在數據庫中，必然包含影響系統運行效率的無關數據，因此需要采用有效方法剔除無效數據。通過規范數據庫中的樣本數據，能構建高質量數據庫，例如，VGG face數據庫錄入了260個人臉樣本，能提供高質量的人臉識別數據服務。采用網絡爬蟲技術也能獲取大量的人臉樣本，使人臉數據庫更加豐富。

基于深度學習提升識別效果

基于深度學習的人臉識別技術，讓設備有了類似于人類的信息處理和識別功能，而且這種功能可以不斷強化。利用特征提取技術，可以實現深度學習提取圖像和圖形中的信息，把高維度信息轉變為低維度信息，提出不涉及人臉特征的屬性，豐富數據庫的數據，通過線形判斷來類比和識別人臉。具體來說，就是借助類比數據庫內部的同類方差，放大類別之間的方差。深度學習技術能夠顯著提高人臉識別的精準度，讓人臉識別更加高效，可針對不同的應用場合，采用多元化算法來識別圖像。

在人臉識別過程中，圖像信息是用計算機圖像濾波軟件進行信息采集，然后形成向量信息模型，使用人臉識別算法計算特征向量和特征值。在數據庫中對比采集到的圖像信息，利用匹配的數據相似度識別出特征目標，結合識別的精確度，可以修正識別過程，這就是人臉識別技術的學習過程，通過多次、充分識別，使得人臉識別的精度逐漸提高。

基于深度學習的人臉識別技術發展方向

隨著云技術、信息技術和大數據技術的普及與發展，人臉識別技術獲得了更多的技術支持，其技術不斷完善并趨于成熟。在市場需求顯著提升的背景下，人臉識別技術應用會越來越多，不僅可以在傳統的金融領域應用，也可以在職業和教育領域廣泛應用，應用的深度與廣度也會快速提升。隨著深度學習算法的不斷發展和完善，可以實現真正意義上的無卡支付、無卡乘車等。深度學習算法的革新，將會極大促進智慧酒店、智慧家居和智慧城市等行業的發展。此外，基于深度學習的人臉識別技術也能助力公安戶籍數據庫的建立，顯著提升當前人口管理信息化的水平。

人臉識別技術已經獲得了廣泛推廣，當前的人臉識別技術在動態捕捉、精準度等方面還有待提升，這是基于深度學習的人臉識別技術未來的發展方向。想要解決當前存在的問題，還需要加強對深度學習算法的優化，不斷突破和創新，加強對于人臉識別技術的研究和支持力度。