基于深度学习的动态人脸识别方法

2019-11-28董劲波

商品与质量 2019年42期

董劲波

易启科技（吉林省）有限公司吉林长春 130012

目前，面向视频的动态人脸识别方法主要有3种思路。第一种思路是基于关键帧的传统方法，它的原理比较简单，是将动态人脸识别转换成视频人脸图像关键帧的静态人脸识别问题。但这种方法存在着一个问题，即关键帧的标准难以定义，缺少行业标准，难以被广泛接受；第二种思路是基于图像集方法，因为视频数据是由图像集组成，解决动态人脸识别可以转换成图像集的处理问题，主要的方法有利用超分辨技术、3D建模技术等。但此类思路的方法分别存在着对图像集对齐较为敏感和计算负担巨大的弊端；第三种思路是基于有序视频序列的方法，利用视频流中的时间信息和空间信息，但此类思路的传统机器学习方法，如基于局部二值模式存在人工获取有效的数据困难的弊端，且工作量巨大。本文的方法是基于上述第三种思路，结合深度学习的方法通过大量数据学习图像特征的优势，设计出一种同时回归和分类循环网络来跟踪和识别人脸。实验结果表明，本文方法在保证高准确率识别率的前提下，具有较好的鲁棒性和实时性，能有效满足实际应用需要。

1 关键概念与理论基础

1.1 深度学习

在人工智能领域中，深度学习属于重要的内容，其涵盖内容众多，具有跨领域、跨学科等特征，涉及数学、信息学、哲学、通信原理等多方面研究．深度学习可看成是利用计算机模拟人类学习的过程，从激励响应、函数结果中对函数模型进行优化，在提供新变量数据的同时，按照模型对即将产生的激励结果进行判断．近年来，在互联网和计算机技术飞速发展之下，深度学习也得到飞速发展，在语音识别、辅助判定等方面成果丰厚，同时在语音识别、视频识别领域也获得可喜成绩[1]。

1.2 人脸识别技术

该技术属于生物识别技术的一种，以人脸特征信息为依据，通过获取静态或动态的脸部信息，与事先预留的信息进行对比，由此得出识别者的信息，达到身份认证、人脸辨识的目标。

2 基于深度学习的人脸识别技术

2.1 深度学习人脸识别技术应用

针对深度学习而言，其中的一个重要的学习和应用领域就算是对特定的事物的识别，这种识别技术是一种事先限定范围的识别。例如针对人脸进行识别，就只能识别人脸这种客观的图像，对于其他事物则无能为力。这种识别的模式再赋予设备类似于人体的信息识别和处理功能的同时，可以不断强化这种能力。结合特征提取技术，是实现深度学习识别的重要途径，针对图形和图像的内容所包含的信息将其进行投射，实现信息的高维到低维的转化，对于人脸的信息，可以将高维空间信息投射到低维空间中，几何个特征的特征在低维空间子集中寻找相关性最大的特征点，这种识别的过程不涉及特征的属性，只是进行单纯的对比进行相关性的确定。结合线性判断分析，实现对特定信息的类比识别。其过程为，首先借助类比内部的同类方差，进行相应的调整，放大类别间的方差。深度学习应用于人脸识别中主要借助的算法有最小化、最大化不同类间的方差。这些算法的使用极大地提升了人脸识别的精确度。同时为了更加高效的提取人脸的信息，借助于Gabor小波、局部LBP算法实现信息的获取，并结合具体的应用场合，选择多样的算法进行图像的识别。

2.2 基于深度学习的PCA学习过程

该方法的核心思想是假设存在人脸图像的区域是一个随机变量，再采用K-L变换得到正交K-L基。其中特征值越大的基，包含的人脸信息越多。因此，PCA方法也被称为特征脸方法。将多个包含人脸信息的特征基进行线性组合，便可完整的描述出人脸图像特征，从而实现特征提取及降维处理。即PCA算法中人脸识别的过程是将人脸图像数据映射到由特征基组成的子空间，并通过分类算法对不同特征的人脸分类，最终实现了人脸识别。

2.3 BP神经网络

BP神经网络的原理是先利用前向传播计算网络输出，计算输出部分的误差。然后利用反向传播算法向前估计输出层与前一层的误差，一直向前进行误差的更迭。再根据层与层之间的误差估计来不断调整各层的连接权值，最后利用调整好的连接权值重新计算输出误差，直到输出的误差达到要求或者迭代次数达到提前设定的较大值为止。具体的BP神经网络模型图。神经网络的学习规则就是通过不断地反向传播和修正权值、阈值，使误差降低至最小。但不断迭代的缺点是计算成本较高，若样本数据维数过大[2]，将会导致计算成本较大。因此，为解决维数导致的计算量过大问题，通常会采用降维的预处理方式，从而实现降低数据计算量以及去掉兀余数据的目的。

3 人脸自动识别技术所存隐患及改进措施

科技发展日新月异，人脸自动识别技术发展势头迅猛，成就非凡，但在实际场景应用中仍存在困难和部分安全隐患。人脸识别主要由两种方法构成：①人脸比对，即判断待验证的人脸是否为本人。人脸比对非常简单，有一张本人的照片即可轻松破解。②活体检测，即判断待验证的人脸是否真实、有效。活体检测环节原本是人脸识别的一大保障，但是破除方法也非常简单，只需一个人带上另一个人的头像照片制成的立体面具便能通过，整个人脸识别也就名不副实，一个高科技支持的智能手段，变成了一个不安全的陷阱。人脸识别商业化程度越来越高，在金融、安防、社交等领域的应用日益广泛，各大厂商现阶段仍需对人脸识别有所提防，防止人工智能发展过快带来安全隐患。因此，在应对隐私、支付等安全性需求较高的实际场景时，注意将多种生物识别技术相融合，这样安全系数就会大幅提升[3]。