基于卷积神经网络的人脸识别研究

仝晓春 周玲

关键词：卷积神经网络；人脸识别；应用研究

1 基于卷积神经网络的人脸识别研究

1.1 人脸识别技术研究进展

人脸是一个重要的实体，在我们的日常社会互动中扮演着至关重要的角色，就像传达个人身份一样。人脸识别是一种生物识别技术，它用数学方法提取面部特征，然后将这些特征存储为人脸指纹，以识别个人。随着安全意识的提高，人们对公共和人身安全的需求不断增加，快速识别个人身份和信息安全已成为迫切需要解决的关键社会问题。因此，各种生物识别技术已经逐渐被研究。其中，人脸识别技术因其方便、快速和非侵入性等优点而备受关注。人脸识别被称为面部识别和肖像识别，作为一种生物识别技术，受到了各行各业的充分关注。由于其非强制性、非接触性和并发性等特点，它已成为一种炙手可热的生物特征识别技术，在计算机信息安全、金融支付和视频监控等领域具有广泛的应用价值，是机器学习和模式识别领域的一个热点。

1.2 卷积神经网络研究进展

人脸识别需要大量的计算和处理能力，需要与输入图像的编码比较大量的数据库。利用廉价的宽带和快速的互联网速度，人脸识别器的计算数据被传输到边缘设备以获得更快的结果。由于深度学习算法所需的高计算能力的可用性，识别任务的准确性显著提高。为了获得更好的结果，常利用卷积神经网络相关的算法。这是一种深度学习方法，也是计算机视觉领域的最新技术。相较其他神经网络，卷积神经网络是当前深度神经网络发展的主力军，其比人类更准确地识别图像。卷积神经网络是一种前馈神经网络结构，其响应于相关图像部分周围的像素，且卷积神经网络擅长大型图像处理。LeCun等人[1]已经证明，神经网络可以具有强大的图像分类能力。神经网络主要由三种类型的层组成：卷积层、池化层和完全连接层。卷积层和池化层是最重要的层。卷积层用于通过用多个滤波器卷积图像区域来提取特征。由于其层数增加，卷积神经网络可以更准确地解析其输入图像的特征。池化层减小了卷积输出映射的大小。如果这两层管理得当，卷积神经网络中的参数数量和计算复杂性可以最小化。这种类型的算法通过端到端自主学习减少了特征提取过程中复杂干扰的影响。它还开发了更健壮的特征表示，并在没有压力的情况下处理高维数据和大规模训练样本。Chan等人[2]将卷积神经网络结构应用于遥感场景分类。验证模型与识别模型相结合，学习判别特征表示，并在卷积神经网络特征中添加正则化项。实验证明，该方法在遥感场景分类方面優于现有方法。Borghi等人[3]指出，深度图像应作为卷积神经网络的输入。当没有完全或部分外部光源时，应进行驾驶员面部验证。这样，可以有效解决光线不足或没有光线的人脸识别问题。Koch等人[4]提出了卷积神经网络（SNN） 在单点图像识别中的应用，这解决了在每个类别中拥有更多类别和更少样本的困难。同时，卷积网络具有很好的泛化能力。

1.3 基于卷积神经网络的人脸识别的重要性

人脸识别是一个具有挑战性的问题，在计算机视觉领域已经研究了几十年。姿势、照明、表情等方面的巨大人类变化将挑战任何最先进的人脸识别算法。最近基于卷积神经网络的方法主要集中于探索基于3D 模型的人脸对齐、更大的数据集或新的度量学习算法对人脸识别性能的影响。作为一种经典的人脸识别算法，主成分分析通过矩阵变换和计算有效地提高复杂性。然而，当存在环境问题时，例如遮挡，主成分分析无法获得数据的真实子空间结构，这将大大降低识别精度。支持向量机采用非线性核函数来解决非线性问题，具有很强的泛化能力和处理高维数据的能力。然而，算法的计算复杂性随着图像数量的增加而增加。因此，它不适合具有大规模训练样本的应用。基于卷积神经网络的人脸识别过程如图1所示。Bukov?iková 等人[5]使用了一个简单的多层感知器分类器来代替原始的成本函数，并获得了良好的人脸识别效果。需要指出的是，在实际应用中，要识别的对象通常是在无约束条件下的人脸图像，不可避免地会受到干扰，例如照明、表情、姿势和遮挡，这使得人脸识别更加困难。为了对外部环境干扰具有更好的鲁棒性，提高数据集的处理速度，解决由于数据集较少而导致的过度拟合等问题。此后，Shen[6]使用ROI-KNN卷积神经网络对面部表情分类领域的应用进行了比较评估，并提出了一种新的面部表情分类深度学习训练改进方案。Ahmed 等人[7]使用卷积神经网络和通过组合各种数据集的数据增强来执行面部情绪识别方法。在信息时代，信息保护尤为重要，我国高度重视公共安全，新技术和新产品的安全保护应用需求强烈。人脸识别技术利用个体面部特征的差异来实现人类身份特征识别。人脸是生物学中最直接的表现和最独特的生物特征，这使得人脸识别技术具有独特的识别优势。基于这一优势，人脸识别在许多领域的应用中显示出巨大的潜力，因此，将卷积神经网络应用到人脸识别中非常重要。

2 基于卷积神经网络的人脸识别管理系统设计构建

本文基于软件工程理论对基于卷积神经网络的人脸识别管理系统进行了设计。基于卷积神经网络的人脸识别管理系统设计主要是设置目标，然后使其来执行系统的相应需求，并通过分解目标来划分不同的功能。根据基于卷积神经网络的人脸识别管理系统需要实现的目标，即使用人脸信息进行身份认证，该系统可分为图2所示的功能架构。基于卷积神经网络的人脸识别管理系统的功能模块分为前端和后端，具体如图2所示。基于卷积神经网络的人脸识别管理系统使用客户机服务器（C/S） 体系结构进行部署。

3 基于卷积神经网络的人脸识别系统的算法设计

要想完成上述人脸认证模块的设计，应采用相应的人脸识别算法，即基于卷积神经网络的识别算法。在卷积神经网络中，有着卷积层、池化层、激活函数层和分类层等四种不同的级别。其中，卷积层和池化层是计算密集型的，而激活函数层是参数密集型的，通过对图像进行滤波来生成卷积层的神经元或特征图。与大多数神经网络一样，它们包含多个滤波层，每个层对输入矩阵应用仿射变换。在卷积神经网络的情况下，仿射变换可以实现为离散卷积，而不是完全通用的矩阵乘法。这使得卷积神经网络的计算效率更高，允许他们缩放到大型图像。池化层通常使用最大或平均函数来缩小规模。池化（子采样）层对图像中的小扰动是不变的，这使得它对照明、姿势或表情挑战是不变的。输入层P-1是视网膜，m层具有大小为3的感受野。因此，视网膜中的3个相邻神经元将与P层中的1个神经元联网。类似地，m层中的三个相邻神经元会与P+1层中的一个神经元联网，如图3所示。

4 结束语

因为面部是一个非常复杂和重要的生物特征，它包含了很多信息，例如性别、年龄和表情。智能人脸识别系统可以基于客户的性别和年龄的大数据，以便卖家准确、清晰地了解购买该产品的客户群体。人脸识别技术因其易用性、全面性、舒适性和其他良好的功能而吸引了很多人的关注。经过多年对人脸识别技术的研究，它已经取得了一个又一个的突破。特别是在深度学习算法发展之后，信息量大大增加。基于卷积神经网络技术的人脸识别可以使用大量的图像进行训练，获得良好的识别效果。经过多年的研究和发展，人脸识别技术已经取得了稳步的进展，基于大量的人脸图像训练，人脸识别在光线、姿势、环境因素等方面的问题都得到了较好的解决，因此人脸识别在实践中的效果也得到了很大的提高。