基于多任务卷积神经网络的人脸识别技术分析

刘世芳，胡振邦

（辽宁中医药大学信息工程学院 辽宁 沈阳 110847）

1 引言

目前的信息技术已经得到了非常良好的发展，在计算机视觉领域中，人脸识别技术已经成为研究热点，人们对其进行了广泛的关注。在具体的人脸识别技术中，会对核心的算法进行利用对人脸中的五官位置进行获取，对角度与脸型都做出具体且有效的分析，与相关的数据库进行对比，通过这样的方式对用户的身份进行明确。

2 多任务卷积神经网络与人脸识别技术的相关概述

在人脸识别技术对人脸进行识别的过程中，会对人脸进行相应的检测[1]。对脸上的特征进行提取，之后与数据库中的人脸进行对比，以此来实现人脸识别，目前的人脸识别有着很多种方法，其中包括了主成分分析法与子空间法等等。卷积神经网络是较为重要的方式之一。在早期，人脸识别的过程中会将目标用户的脸部特征作为依据，以此来进行识别，会对主成分分析等相关的算法进行利用，对外界的环境有着较高的依赖，在对图片进行收集的过程中，变化也非常大，在这样的情况下，算法的识别能力会受到影响，效果也不会达到应有的标准。在人机互相识别的时期，对支持向量机的相关方法进行了使用，人脸识别的效果出现了增强。但是，在具体的人脸识别中，只能够对面部的浅层特征进行提取，对于较为复杂的面部表情来说，人脸识别技术并没有相应的稳定性。在机器进行学习的时期，提出了深度学习的相关概念，并且对其进行了较为广泛的应用，让卷积神经网络的方法得到形成，并且应用到了面部识别技术中，得到了非常良好的发展，已经成为人脸面部识别技术的主流算法。

在目前的人脸识别过程中，会对多任务卷积神经网络进行利用[2]。将灰度处理方法作为依据，对图像进行良好的降道处理，以此来对数据集进行获取。通过各种函数的非线性映射与分类处理，对深度学习的相关架构进行良好的采用，让人脸识别的实现与建模可以得到完成。以上便是关于多任务卷积神经网络与人脸识别技术的相关概述。

3 卷积神经网络的划分

3.1 传统的卷积神经网络

所谓的卷积神经网络便是前馈神经网络的一种，其中包含了较多的层面[3]。由卷积层、输入层和输出层等构成，对较大图像进行处理与研究的过程中可以用到。目前的卷积神经网络模型已经在人脸识别技术中得到了应用。

3.2 卷积层

在对数据进行输入的过程中，卷积层可以对数据的特征进行提取，其中有着较多的卷积单元，可以对反向的传播算法进行优化，属于神经元的作用。

3.3 池化层

所谓的池化层便是对卷积层中的特征进行信息过滤，在此之前还会对相应的信息进行选择，池化还有一个名字叫做子采样。以上便是卷积神经网络中池化层的构成部分。

3.4 全连接层

在一般的情况下，卷积神经网络中的最后部分便是全连接层。在具体的全连接层中，面部识别特征中的三维结构会消失，取而代之的是向量。之后会将激励函数作为基础，向输出层进行有效的传输。但是在具体的人脸识别中，相关的面部模型有着较高的复杂程度，对数据只能够进行较慢的处理，网络也会受到硬件性能的相关限制，不能够对预设的功能进行实现。面对这样的情况，应该对多任务的卷积神经网络进行利用，以此来进行人脸的识别。

4 人脸识别的模型

4.1 人脸识别的流程

在对多任务卷积神经网络进行利用时，人脸中的关键点与区域的检测会在一定程度上进行结合，对不同的模块进行划分，通过这样的方式让多任务的优势得到发挥。首先便是数据的处理模块，在此模块中，会将人工采集的图片与图像作为依据，对数据进行有效的增强，对图像的标记进行处理，得到有效的数据集。其次便是卷积神经网络的建模。在这一模块中，要对图像的样本进行灰度上的处理，通过数据来对数据样本与数据标签之间的关系进行建立，对实验中需要的数据集进行获取。最后便是人脸识别的相关模块，会进行良好的识别与匹配，对人脸的身份与信息数据进行明确的判断。以上便是人脸识别的具体流程。

4.2 人脸识别的算法

在对人脸识别技术中的数据进行计算时，有着大量的算法，并且有着相应的复杂程度。计算机中的图片有着三维的矩阵，也有着对应的三个RGB颜色通道，但是在具体的卷积神经网络算法中，并不会对人脸的轮廓进行针对性的识别，在颜色方面有着非常低的要求，在对数据进行处理时会对灰度有着较多的关注，通过这样的方式可以对数据计算的效率进行提升。

5 基于多任务卷积神经网络的人脸识别技术发展策略

5.1 对特定问题进行研究

目前的多任务卷积神经网络人脸识别技术已经较为完善，但是还有着相应的不足，对于复杂的面部表情还不能够做到精准识别，在手机开锁领域还有着需要完善的地方，另外，如果想要进行更加精准地面部识别，相应的数据会成倍地增加，因此这种技术只能够在一些重要的方面进行应用，并不能够应用于日常的生活中，因此应该对这些相关的问题进行明确，并且对这些问题进行研究，以此来达到人脸识别技术得到提升的目的。

5.2 对人脸识别技术的发展重点进行明确

在我国的人脸识别技术发展中，有很多的方面已经达到较高的水平，完全达到了人们的需求，但是还有着很多的人脸识别技术没有得到相应的保障，所以应该对哪部分的人脸识别技术进行科研已经是一个十分重要的选择，对于不太完善的人脸识别技术应该采取停止科研的策略，对于多任务卷积神经网络的人脸识别技术应加大投资，应该做到明确地找出人脸识别技术的发展重点，让人脸识别技术可以更节省资源且更高效地发展。在选择发展重点时应明确“有所为，有所不为”的发展方针来抢占高效的先机，致力于实现我国人脸识别技术的突进式发展。

5.3 对人脸识别技术科研项目进行扶持

应该通过经济手段来让人脸识别技术的科研经费得到应有的保证，加强科研方面的法律。这样还可以让社会的科研力量加入到人脸识别技术项目当中，通过税收的相关法律来有效地扶持人脸识别科研的有效进行和经济上的投入，用知识产权的相关法律来让参与了人脸识别科研的工作人员提升自己的工作热情。想让我国人脸识别科研体系走向更好的发展道路，国家的相关部门和立法机关在国家和公共安全的事情上应该合理地运用自己的立法权利。与此同时，还要优厚的政策来积极鼓励民间的科研组织加入。只有在这样的人脸识别科研中才能够使得人脸识别科技得到良好的发展，让我国的人脸识别技术得到良好的提升。因此，在基于多任务卷积神经网络的人脸识别技术进行发展时，对人脸识别技术科研项目要进行扶持。

5.4 国际之间应该进行相互的合作

人脸识别技术不光只有中国需要发展，其他国家对于人脸识别技术也十分重视，对此，我国在人脸识别技术有效发展的同时，应该与其他的国家进行人脸识别技术上的合作，在科研上应该与国外的人脸识别科研小组互相学习，以此来达到共同进步的目的。在相互学习中，可以对部分科研成果开放，但是在重要技术上，要采取等价值交换的心态。在相互学习的过程中，也要加强对我国人脸识别技术相关科研人才的培养。让我国的人脸识别技术科研水平可以得到提高。在与国外科研人员的共同科研中，我国的科研人员应保持“取其精华，去其糟粕”的学习心态。因此，在基于多任务卷积神经网络的人脸识别技术进行发展时，国际之间应该进行相互的合作。

6 结语

综上所述，目前的人脸识别技术已经得到了良好的提升，但是其中还有着较大的进步空间，这已经对我国的人脸识别技术造成了较大的阻碍，本文已经对多任务卷积神经网络人脸识别技术的发展趋势进行了深入的研究与分析，其中包括了特定问题与网络结构等多个方面，通过这些方面的相关趋势可以让我国的人脸面部识别技术得到更加的发展。