深度學(xué)習(xí)計算機視覺原理及其在監(jiān)控系統(tǒng)中的應(yīng)用

劉文清 陳小惠 姚程

【摘 要】隨著人工智能的發(fā)展，掌握深度學(xué)習(xí)計算機視覺技術(shù)的優(yōu)勢不言而喻。本文以多層感知機的構(gòu)造為起點，分析了深度學(xué)習(xí)的計算機視覺原理，利用當(dāng)前流行的深度學(xué)習(xí)技術(shù)框架搭建一個具有計算機視覺的人臉識別原型系統(tǒng)，用于數(shù)據(jù)中心機房監(jiān)控管理，常規(guī)的信息系統(tǒng)被注入了人工智能的新元素，本文為同類型的人工智能系統(tǒng)的研發(fā)提供了參考。

【關(guān)鍵詞】人工智能；人臉識別；深度學(xué)習(xí)；機器視覺

一、深度學(xué)習(xí)計算機視覺的理論基礎(chǔ)

在經(jīng)典的程序設(shè)計中，程序員只要在程序中嵌入足夠多的明確規(guī)則，人們輸入數(shù)據(jù)，系統(tǒng)就能得出正確的答案。[1]事實上，這對于解決定義明確的邏輯問題可能適用，但對于難以給出明確規(guī)則，如：圖像分類、語音識別等更加模糊、復(fù)雜的問題，實踐的效果卻不佳。直到2012年，隨著AlexNet人工神經(jīng)網(wǎng)絡(luò)誕生，一種新的方法——機器學(xué)習(xí)才在視覺、聽覺等方面取得革命性的進展。深度學(xué)習(xí)是一個復(fù)雜的機器學(xué)習(xí)算法，在語音和圖像識別方面取得的效果，遠(yuǎn)遠(yuǎn)超過先前相關(guān)技術(shù)，具有劃時代的意義。

（一）多層感知機

作為神經(jīng)網(wǎng)絡(luò)的起源，了解感知機的構(gòu)造是通向神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的一種途徑。感知機是由美國學(xué)者在1957年提出來的。感知機接收多個輸入信號，輸出一個信號。使用單層感知機可以實現(xiàn)與門，或門，與非門三種邏輯電路，然而單層感知機卻做不了異或門。

單層感知機留有遺憾，做不了異或門。但通過兩層感知機組合疊加，卻可以輕松將異或門實現(xiàn)。可見，通過增加層，雙層感知機可以表示單層感知機無法表示的東西；使用多層感知機可以實現(xiàn)更為復(fù)雜的電路，理論上，甚至可以實現(xiàn)計算機。這也為后來的“深度學(xué)習(xí)”帶來了一些啟發(fā)。

（二）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN），是20世紀(jì)80年代以來人工智能領(lǐng)域的研究熱點。它與多層感知機有很多共同點，都是由大量的節(jié)點相互聯(lián)接構(gòu)成。如果用圖來簡要表示的話，一般可分為三個層：輸入層、隱藏層、輸出層。

如圖1所示，用○表示神經(jīng)元，用箭頭表示它們之間的連接。箭頭上有“權(quán)重”，權(quán)重和對應(yīng)的神經(jīng)元的值分別相乘，其和作為下一個神經(jīng)元的輸入。為了充分?jǐn)M合輸出特性，通常會另外加上一個常數(shù)進行修正，稱作“偏置”。一個全連接神經(jīng)網(wǎng)絡(luò)模型即搭建完成。

為了使神經(jīng)網(wǎng)絡(luò)能進行學(xué)習(xí)，專家們引入了損失函數(shù)概念。[2][3][4]損失函數(shù)是衡量神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果好壞的基本標(biāo)志。它的基本思想是：計算預(yù)測值與實際標(biāo)志的差值，差值大則表示預(yù)測值與真實值的誤差大；差值小則會使損失漸進至局部最小值，從而使預(yù)測值逼近于真實值。為了找到使損失值盡可能小的地方，需要對網(wǎng)絡(luò)參數(shù)求導(dǎo)，然后以這個導(dǎo)數(shù)為指引，迭代更新參數(shù)的值，直到損失值降至最小。經(jīng)過專家們的研究設(shè)計，對于分類問題，需要使用交叉熵?fù)p失函數(shù)，對于回歸問題，需要使用均方差損失函數(shù)。

（三）卷積神經(jīng)網(wǎng)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是人工神經(jīng)網(wǎng)絡(luò)向“深度”學(xué)習(xí)演進的代表算法之一，現(xiàn)已被廣泛用于圖像識別等各種場合，有著無可比擬的獨特優(yōu)勢。以圖像識別為例：在數(shù)字圖像處理中有一種最為基本的處理方法，即線性濾波。卷積神經(jīng)網(wǎng)絡(luò)的原理與此類似，它使用的濾波工具是另一個小型矩陣，專家們稱之為卷積核。如果將待處理的圖像看作一個大型矩陣，圖像中的每個像素可以看作矩陣中的每個元素，使用卷積核對全圖進行掃描，就好比使用某種局部特征圖來對全圖進行檢測。

（四）計算機視覺

計算機視覺是一門研究如何使機器“看”的科學(xué)，也就是指如何用攝影機和電腦代替人眼對目標(biāo)進行識別、跟蹤和測量等的機器視覺。具體來說，就是模擬動物神經(jīng)細(xì)胞的神經(jīng)元聚集起來形成網(wǎng)絡(luò)，然后讓這個網(wǎng)絡(luò)去觀察大量的圖片，進行“自學(xué)習(xí)”。神經(jīng)網(wǎng)絡(luò)運用的數(shù)學(xué)理論其實非常簡單，基本上是比較基礎(chǔ)的數(shù)學(xué)知識。特別是利用這種具有多層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，甚至可以從圖片和視頻中識別出數(shù)字、貓、狗、臉孔、指紋、文字等。如果能將其與常規(guī)的業(yè)務(wù)應(yīng)用系統(tǒng)集成，即可提供一些具有AI增值功能（如人臉識別、人臉比對等）的服務(wù)。

二、項目實戰(zhàn)

針對機器視覺的目標(biāo)檢測，總體可以分為兩大類。一類是傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)分類器的方法，另一類是基于深度學(xué)習(xí)的檢測方法。

Keras是一個由Python編寫的開源深度學(xué)習(xí)框架，可進行深度學(xué)習(xí)模型的設(shè)計、開發(fā)。AlexNet作為一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，利用Kears實現(xiàn)起來很方便。我們可以將網(wǎng)絡(luò)模型與損失函數(shù)法相結(jié)合，在經(jīng)過模型搭建和圖片預(yù)處理后，可以對模型進行訓(xùn)練。訓(xùn)練的過程中，通過函數(shù)回調(diào)的方式來記錄每一個迭代訓(xùn)練好的模型。迭代的次數(shù)越多，優(yōu)選出的模型效果會更好。基于深度學(xué)習(xí)的機器視覺，可以實現(xiàn)圖像的分類和人臉的識別，通過將訓(xùn)練好的模型發(fā)布成WEB服務(wù)，生產(chǎn)活動中其他應(yīng)用程序就可以進行一些AI功能的WEB服務(wù)調(diào)用。

對于中小企業(yè)來說，完全依靠自己的力量搭建深度學(xué)習(xí)計算機視覺平臺存在技術(shù)難度大、運維困難等問題。目前基于AI開放平臺或私有化部署進行計算機視覺增值開發(fā)已變得越來越簡單。市場上開放的AI平臺已有很多，如：騰訊、阿里、百度、華為等，也均有相應(yīng)的私有化模塊發(fā)布。

筆者利用深度學(xué)習(xí)計算機視覺技術(shù)原理、AI開放平臺、人臉識別私有化部署、Java、MySql等技術(shù)，開發(fā)了一款提升機房監(jiān)控安全水平的輔助小程序，實現(xiàn)了系統(tǒng)人臉識別登錄、多人識別、用戶拍照截圖、人臉識別標(biāo)識并跟蹤、人員到訪記錄查詢等功能。該軟件可應(yīng)用于數(shù)據(jù)中心機房、變電站、通信站、數(shù)據(jù)倉等對多人身份鑒別監(jiān)控的應(yīng)用場景。項目的實施，通過基于人臉識別技術(shù)進行人員身份鑒別和安全事件追溯等功能的創(chuàng)新，極大地提高了數(shù)據(jù)中心機房監(jiān)控管理的效率，有效地改善了安全生產(chǎn)運行環(huán)境，提升了安全管理水平。

現(xiàn)在基于深度學(xué)習(xí)的機器聽覺，也已取得了突破性的成果。接近人類水平的語音識別，更好的文本到語音轉(zhuǎn)換，能夠回答用自然語言提出的問題等，必將進一步豐富我們的軟件開發(fā)手段，提高應(yīng)用系統(tǒng)的智能化水平。

參考文獻(xiàn)：

[1][日]齋藤康毅，陸宇杰譯.深度學(xué)習(xí)入門-基于Python的理論與實現(xiàn)[M].北京：人民郵電出版社，2018.

[2]王天慶.Python人臉識別從入門到工程實踐[M].北京：機械工業(yè)出版社，2019.

[3][日]涌井良幸，涌井貞美著，楊瑞龍譯.深度學(xué)習(xí)的數(shù)學(xué)[M].北京：人民郵電出版社 2019.

[4][美]伊恩·古德費洛，[加]約書亞·本吉奧 [加]亞倫·庫維爾著.深度學(xué)習(xí)[M].北京：人民郵電出版社，2019.