社区人脸识别的技术途径综述

摘 要：ID识别是21世纪以来的热门技术，常用的ID技术有指纹、人脸、瞳孔识别等。人脸识别技术是其中较为灵活的技术之一，基于深度学习的人脸识别技术能够克服传统识别对环境因素要求较高的场合，本文就社区人脸识别实现的技术途径进行探讨介绍。

关键词：人脸识别;图像分割;数据采集

中图分类号：TP520.20  文献标识码：A  文章编号：

摘 要：ID recognition is a popular technology since the 21st century.The commonly used ID technologies include fingerprint，face，pupil recognition and so on.Face recognition technology is one of the more flexible technologies.The face recognition technology based on deep learning can overcome the situation that traditional recognition requires higher environmental factors.This paper discusses the technical ways of community face recognition.

要实现人脸识别，综合国际国内文献及工程实际，大致分为如下几个模块，分别为数据采集、图像分割（人脸提取模块）、特征提取、动态识别模块。

一、数据采集

人脸数据采集通常都是通过摄像传感器，有两种方式，一种是传统的利用摄像传感器进行拍照，另一种是高清摄像头，通过摄像，然后对摄像形成的视频进行帧分析。无论是哪种方式，最终都是获取静态图像，并对其进行有效数据与无关数据的分割，并对有效的图像信息进行保存和分析。

二、图像分割

图像分割，就是将一幅图像按某种策略分块割开，并且确保所分割后的块之间无交叠现象。从这个概念中我们可以看出，要确保对一幅图像的 分割成功，首先要保证我们分割后的块之间属性无交叠，也就是说，在对图像分割之前，我们要预知分割后的各块具有鲜明的特征属性。由于等待分割的图像内容的不同导致要预知图像被分割后的每一块的特征属性鲜明度随之不同，从而使图像分割时的块区域选择发生变化，这就是图像分割中特征属性与块区域之间的相互联系。由此可见图像分割技术要解决的最基本问题就是对图像特征属性的提取和图像区域的划分。

目前图像分割的算法理论和相关技术已经相对成熟，有阈值分割方法、聚类分割方法、边缘检测分割方法等，这些方法经过多年的理论和实践研究，在很多领域已经有了较为良好甚至优秀的应用，比如车牌识别，压线检测等。基于这些方法，也形成了一系列图像分割的应用，在人脸检测范畴中，就有face_recognition、openCV等优秀的第三方库。

三、特征提取

对人脸数据进行采集后，并不是简单的进行存储，而是要进行特征的提取以便于后续的识别，同时还需要的相同的人脸进行聚类。主要分为传统机器学习和深度学习。他们都是通过对数据采集，进行模型训练，而后能够对出现的人脸数据进行判断、预测和分类。

传统机器学习，典型的有sklearn等经典的第三方庫，并提供了线性、kmean、随机树、卷积神经网络等通用的学习和预测算法，在某些单一应用场景且目标数据相关度比较高的情况下效果良好。

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。特别是深度学习能够将最新的人脸数据用于模型的更新，以便于进行更精准的识别。

社区环境下，人的数量本身较多，且年龄差距较大，传统机器学习适应性较差，灵活度不足。基于社区的人脸识别较适合应用深度学习，深度学习目前主流的开源学习框架有TensorFlow、Caffe、Keras等，同时国内百度飞浆深度学习框架也比较完善。就TensorFlow和百度飞浆比较来说，TensorFlow使用灵活性高，使用范围广，百度飞浆使用相对简单，性能好，这两和主流的深度学习框架都是比较好的选择。

四、动态识别

动态人脸识别是不需要停驻等待，你只要出现在一定识别范围内，无论你是行走还是停立，系统就会自动进行识别，也就是说，人以自然的形态走过去，摄像头会进行信息的抓拍和采集，发出相应的指令，进行动态人脸识别。

社区人脸识别的特殊性在于，人员结构复杂，且一般不需要提供被识别人的清晰照片，但是进出社区的人员一般比较固定。所以社区人脸识别需要经过一段时间的数据采集，搜索并存储本社区人员的人脸数据，同时进行存储，特征提取后进行模型建立，以便于人脸数据库的建立。

运用TensorFlow等深度学习框架通过采集的数据进行人脸模型建立之后，就可以进行动态识别了，动态识别中，对于已经正确识别的，通过绿色框线进行标识，未识别的即为疑似陌生人，工作人员可以上前查问并作相应处理。

参考文献

[1]井慧娟 张花馗.浅谈图像分割技术 [].《湖南冶金职业技术学院学报》 2008年03期

[2]王立凯.基于卷积神经网络的人脸识别研究与设计 [].通信电源技术2019，36（07），117-118

[3]崔庆华.基于深度学习的人脸识别技术分析[].计算机产品与流通 2020，（05），136

作者简介：秦程（1988-），男，重庆涪陵人，重庆工贸职业技术学院讲师。研究方向：工业机器人。