基于Python的人臉識(shí)別技術(shù)綜述

杜小甫，黃興晗，劉沂杰

（廈門大學(xué)嘉庚學(xué)院信息科學(xué)與技術(shù)學(xué)院，福建漳州，363105）

0 引言

早期人臉識(shí)別技術(shù)主要為基于特征檢測的傳統(tǒng)方法，包括基于幾何特征、基于特征臉、基于統(tǒng)計(jì)理論的方法。近年來隨著深度學(xué)習(xí)的成功，人臉識(shí)別技術(shù)的技術(shù)路線也轉(zhuǎn)移到基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法上來。目前使用python 語言進(jìn)行機(jī)器學(xué)習(xí)開發(fā)比較流行，主要是因?yàn)閜ython 支持很多機(jī)器學(xué)習(xí)庫。

1 基于python 的機(jī)器學(xué)習(xí)庫

1.1 機(jī)器學(xué)習(xí)庫PyTorch

PyTorch 是一個(gè)開源的Python 機(jī)器學(xué)習(xí)庫（基于Torch），具有強(qiáng)大的GPU 加速的張量計(jì)算功能與包含自動(dòng)求導(dǎo)系統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)（支持動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)）。PyTorch 具有很多優(yōu)點(diǎn)。（1）簡潔：PyTorch 設(shè)計(jì)追求的就是最小封裝，且最大程度的減少了重新編寫函數(shù)的必要。 PyTorch 中的邏輯為從低到高三個(gè)級(jí)別的抽象：張量→變量(autograd)→層（nn.Module），三個(gè)抽象分別代表為：高維數(shù)組，自動(dòng)推導(dǎo)和神經(jīng)網(wǎng)絡(luò)，三者互相聯(lián)系密切。（2）速度：上述PyTorch 的靈活簡潔性并不會(huì)因此而降低速度，PyTorch 的速度表現(xiàn)優(yōu)于Tensorlow 和Keras，使用PyTorch 與其他框架實(shí)現(xiàn)相同的算法時(shí)，PyTorch 的速度總是比其他的框架更快。（3）易用：PyTorch 是面向?qū)ο蟮乃锌蚣苤凶钊菀咨鲜值摹yTorch是Torch 在Python 上的衍生（基于Torch），而Torch 接口的設(shè)計(jì)以其靈活性和易用性而聞名。

孟令軍[1]等人設(shè)計(jì)一種卷積神經(jīng)網(wǎng)絡(luò),在深度學(xué)習(xí)Pytorch 框架下使用Youtube face 數(shù)據(jù)集經(jīng)過訓(xùn)練得到模型分類器,且測試集上錯(cuò)誤率達(dá)到0.139%,結(jié)合Opencv 的級(jí)聯(lián)人臉檢測器和訓(xùn)練好的Pytorch 模型可定位任意圖片的人臉框以及68 個(gè)關(guān)鍵點(diǎn)的位置。測試結(jié)果表明,人臉及人臉關(guān)鍵點(diǎn)檢測識(shí)別準(zhǔn)確度較高,且該方法簡單高效,可用于現(xiàn)實(shí)應(yīng)用場景的模塊構(gòu)建。孔爽[2]設(shè)計(jì)了基于Pytorch的人臉識(shí)別系統(tǒng),其硬件系統(tǒng)設(shè)計(jì)包括顯示屏、圖像采集器件;軟件系統(tǒng)組成有人臉檢測節(jié)點(diǎn)設(shè)計(jì)、人臉屬性識(shí)別節(jié)點(diǎn)的設(shè)計(jì)。該文對(duì)基于Pytorch 的人臉識(shí)別系統(tǒng)進(jìn)行分析，依托Pytorch 語言庫的優(yōu)勢，根據(jù)傳統(tǒng)人臉識(shí)別系統(tǒng)的缺陷，實(shí)現(xiàn)本文設(shè)計(jì)。實(shí)驗(yàn)論證表明，該文設(shè)計(jì)的方法具備極高的有效性。該文的研究能夠?yàn)榛赑ytorch 的人臉識(shí)別系統(tǒng)的構(gòu)建和應(yīng)用提供理論依據(jù)。

1.2 機(jī)器學(xué)習(xí)庫TensorFlow

TensorFlow 是一個(gè)基于數(shù)據(jù)流編程的開源軟件庫。使用TensorFlow 的程序在運(yùn)行中具備一定的魯棒性和準(zhǔn)確性。TensorFlow 還具備完全開源性，并擁有多層級(jí)結(jié)構(gòu)，能夠部署在服務(wù)器，手機(jī)端，PC 終端等（并支持GPU 與TPU 計(jì)算）。

相比于PyTorch，他的優(yōu)點(diǎn)包括：（1）可視化方面：TensorFlow 中包含的 TensorBoard 庫功能非常強(qiáng)大，能夠展示網(wǎng)絡(luò)圖、張量的指標(biāo)變化、張量的分布情況等功能；能夠直觀的幫助我們進(jìn)行參數(shù)選擇。（PyTorch 能夠使用的Visdom，但功能簡單且有限）.（2）訓(xùn)練模式方面：使用 TensorFlow 時(shí)，須手動(dòng)編寫代碼，并微調(diào)要在特定設(shè)備上運(yùn)行的每個(gè)操作，以實(shí)現(xiàn)分布式訓(xùn)練。PyTorch 利用異步執(zhí)行的本地支持實(shí)現(xiàn)，分布式訓(xùn)練方面較為欠缺。（3）生產(chǎn)力方面：TensorFlow 在此方面具有相比于其他框架的絕對(duì)優(yōu)勢，可直接使用 TensorFlow Serving。而PyTorch 沒有能夠直接在網(wǎng)絡(luò)上部署模型的框架。（4）資源方面：TensorFlow 作為較早進(jìn)行開源的機(jī)器學(xué)習(xí)庫，TensorFlow 擁有更豐富的模型，在社區(qū)中所擁有的資料與支持程度也是較為優(yōu)秀。

程丹婷[3]等人設(shè)計(jì)了一種基于Google 人工智能架構(gòu)Tensorflow,采用深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行人臉識(shí)別的系統(tǒng),系統(tǒng)通過人工智能,訓(xùn)練大量的樣本圖片,在樣本訓(xùn)練過程中進(jìn)行自主學(xué)習(xí),保證了人臉識(shí)別功能的高準(zhǔn)確性。該文設(shè)計(jì)并實(shí)現(xiàn)了基于人工智能的人臉識(shí)別系統(tǒng)，系統(tǒng)包括視頻流數(shù)據(jù)幀解析、多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)人臉檢測、Facenet 卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別、KNN 人臉分類等模塊，對(duì)系統(tǒng)進(jìn)行了多種場景的識(shí)別測試，測試結(jié)果表明，系統(tǒng)可以準(zhǔn)確地檢測到人臉關(guān)鍵部位，并對(duì)人臉圖片進(jìn)行檢測判別，輸出識(shí)別結(jié)果，識(shí)別準(zhǔn)確率高，可以應(yīng)用到實(shí)際認(rèn)證場景中。楊金達(dá)[4]等人設(shè)計(jì)了基于Tensorflow 的人臉識(shí)別系統(tǒng)，并研究了其在智能安防領(lǐng)域的應(yīng)用。黃侃等人研究了安卓系統(tǒng)下利用Tensorflow 進(jìn)行人臉識(shí)別的系統(tǒng)，并將其應(yīng)用于教學(xué)考勤中。李慧穎[5]等人結(jié)合Tensorflow 和OpenCV，實(shí)現(xiàn)了視頻截圖中的人臉識(shí)別。

1.3 Inception 系列網(wǎng)絡(luò)

Inception 網(wǎng)絡(luò)又叫GoogLeNet，Inception 網(wǎng)絡(luò)很好的解決了兩個(gè)問題：（1）網(wǎng)絡(luò)容易發(fā)生過擬合的現(xiàn)象（訓(xùn)練數(shù)據(jù)較少時(shí)）。（2）均勻的增加網(wǎng)絡(luò)的大小，會(huì)導(dǎo)致計(jì)算量的劇烈增大。解決方法：引入稀疏特性和將全連接層轉(zhuǎn)換成稀疏連接。

Inception 網(wǎng)絡(luò)是通過許多模塊組成的，其中一個(gè)關(guān)鍵的模塊如圖1 所示。Inception 網(wǎng)絡(luò)引入了一個(gè)關(guān)鍵的點(diǎn)去解決海量參數(shù)的問題：使用1×1 的卷積核來降低維度，通過推導(dǎo)的數(shù)據(jù)，數(shù)據(jù)量大約減少了四倍左右。通過使用1×1的卷積核還能夠引入更多非線性，提高泛化能力（需要使用ReLU 激活函數(shù)）。

圖1 Inception 網(wǎng)絡(luò)模塊組成

雷雨婷[6]等人實(shí)現(xiàn)了一種基于Inception-v3 卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法。該方法通過修改pool3 以上的結(jié)構(gòu)來改變網(wǎng)絡(luò)深度,從而使卷積神經(jīng)網(wǎng)絡(luò)模型能自動(dòng)提取人臉特征并進(jìn)行分類。利用OpenCV 自建人臉數(shù)據(jù)庫進(jìn)行訓(xùn)練,通過批量梯度下降法不斷優(yōu)化參數(shù),利用Dropout 方法解決過擬合問題。結(jié)果表明:該方法在自建人臉數(shù)據(jù)庫上的圖像識(shí)別率達(dá)到98%,并且對(duì)光照強(qiáng)度、面部表情變化等干擾具有魯棒性。李楠等人提出了一種基于Tensorflow 平臺(tái)的多Inception 模型,通過將多個(gè)Inception 結(jié)構(gòu)進(jìn)行串聯(lián),再通過分解卷積核的方式減少輸入?yún)?shù),實(shí)現(xiàn)了多維度同時(shí)卷積再聚合,提高了人臉識(shí)別的精度。

2 目前人臉識(shí)別技術(shù)中存在的問題

2.1 光線干擾問題

由于人臉為3D 結(jié)構(gòu)，光照投射后會(huì)形成陰影，會(huì)對(duì)原有的特征進(jìn)行干擾。目前的解決方法包括如下算法：(1）Retinex 算法，(2）Gamma 函數(shù)校正算法。

常云翔對(duì)復(fù)雜光線條件下人臉識(shí)別問題進(jìn)行深入研究，首先構(gòu)建了一個(gè)復(fù)雜光照條件下的人臉數(shù)據(jù)集；第二,在對(duì)不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行了分析；第三,研究了光照數(shù)據(jù)增強(qiáng)技術(shù)；第四,針對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長、難以調(diào)整的問題,研究了集成批規(guī)范化算法。

2.2 姿態(tài)干擾問題

姿態(tài)的變化會(huì)導(dǎo)致面部特征發(fā)生改變，可能會(huì)造成一部分的信息丟失，較為先進(jìn)的算法中使用深度較高的神經(jīng)網(wǎng)絡(luò)，能夠擴(kuò)大數(shù)據(jù)集的方法較好的解決這個(gè)問題。

鄒國鋒等人針對(duì)近年來國內(nèi)外出現(xiàn)的多姿態(tài)人臉識(shí)別技術(shù)和方法進(jìn)行簡單介紹和系統(tǒng)分類,分析各種方法的優(yōu)缺點(diǎn),并做出簡要評(píng)價(jià)。周凱汀等人提出基于改進(jìn)的ORB 局部特征以及每位個(gè)體多個(gè)模板樣本的多姿態(tài)人臉識(shí)別方法。謝鵬程首先對(duì)單角度多姿態(tài)人臉圖像進(jìn)行融合，然后消除人臉修復(fù)后的像素缺失。

2.3 低分辨率問題

由于拍攝距離，角度以及攝像頭的問題導(dǎo)致人臉圖片分辨率低，常見解決方法包括：(1）基于重構(gòu)超分辨率圖像的LR 人臉識(shí)別方法，(2）基于公共特征子空間的LR 人臉識(shí)別方法。

張凱兵等人全面綜述了低分辨人臉識(shí)別技術(shù)的研究進(jìn)展,并對(duì)相關(guān)亟需解決的關(guān)鍵問題進(jìn)行了討論。羅皓等人研究了一種半對(duì)偶投影字典學(xué)習(xí)方法。該方法可分為訓(xùn)練和測試兩個(gè)階段。石正宇等人提出了一種輕型判別自歸一化神經(jīng)網(wǎng)絡(luò)，能夠從高分辨率及其對(duì)應(yīng)的低分辨率圖像中提取具有判別性的特征，并將特征耦合映射到共同的子空間。

3 總結(jié)

本文總結(jié)了基于Python 的兩個(gè)機(jī)器學(xué)習(xí)庫，和目前較為流行的Inception 網(wǎng)絡(luò)。接著對(duì)現(xiàn)今人臉識(shí)別領(lǐng)域遇到的幾個(gè)問題進(jìn)行列舉，并將較為先進(jìn)的解決方法進(jìn)行闡述，對(duì)解決方法中的優(yōu)缺點(diǎn)進(jìn)行分析，將算法的缺陷進(jìn)行提出。