基于SSD深度学习算法的人脸识别系统设计

摘 要：针对传统人脸识别存在识别速度慢、准确度低等问题，本文设计了一种基于SSD深度学习算法的自动化人脸识别系统。首先，该系统采用基于深度学习算法的人脸识别方法检测人脸图像，并对关键点进行预测。其次，利用SSD模型提取特征信息后构建本地特征库，完成人脸识别。最后，比较待检测人脸图像向量与本地特征向量间的欧氏距离，判断结果并输出。试验表明，SSD模型在检测与识别上具有较好表现，系统的识别速度超过25f/s，当特征向量间的欧氏距离设定为0.5时，识别准确率高达99.3%。本文设计系统能够提高人脸识别的鲁棒性，具有较高的实时性与识别精度。

关键词：SSD模型；深度学习；人脸识别；特征向量

中图分类号：TP 39" " " 文献标志码：A

人脸识别是利用摄像机收集人脸图像，进而验证身份信息的技术。与生物识别相比，人脸识别能够通过视频设备更直观地识别人员信息，具有高效、易推广等优势[1]。目前的人脸识别研究主要集中在面部特征检测，例如王传传等将人脸图像进行归一化处理，通过训练模型取得了良好的识别效果[2]；刘敏将人脸图片作为输入信息计算3次样条权函数，经试验证明系统的识别率较高[3]。综上所述，这些方法易受内、外因素干扰，算法鲁棒性较低。传统识别算法在发展中已逐步被深度学习算法代替，深度学习算法能够利用数据集进行特征训练，使模型具有较强的鲁棒性[4]。本文在利用注意力机制改进欧氏距离函数的基础上，设计了一种基于SSD深度学习算法的自动化人脸识别系统，首先，利用深度学习算法检测人脸图像，并对关键点进行预测。其次，利用SSD模型提取特征信息后构建本地特征库，完成人脸识别。最后，比较待检测人脸图像向量与本地特征向量间的欧氏距离，判断结果并输出。试验结果可知，该系统在满足识别效率的同时也具有较高的识别精度，适应性更广泛。

1 基础工作

1.1 算法原理

深度学习算法是将人脸图像映射至欧氏空间，设定最优阈值，计算不同人脸特征向量间的欧氏距离。如果欧氏距离低于设定阈值，就判定为同类；如果欧氏距离高于设定阈值，就判定为不同类。在框架中，根据既定尺寸输入待识别样本图像，将其输送至深度学习网络中，提取输入图像的特征向量。其中，特征向量具有多维属性，进行归一处理后，通过映射得到特征向量均值，待二元损失函数回归后得出最终的识别结果。

1.2 模型构建

深度学习算法是从一端到另一端的目标检测算法。与双阶段的检测模型相比，SSD模型不需要生成先验候选框，能够提升检测准确率。为强化泛化能力，SSD模型将Inception-v4作为骨干网络块进行人脸特征提取，并将连接层转变为卷积层，可在保证图像检测准确的过程中逐步改进漏检与误检问题。SSD模型构建流程如图1所示。

SSD模型采用方向梯度直方图特征，使预测的人脸部位回归现实，主要步骤如下：决策树子节点存储残差回归量，将输入与残差回顾量相加可得预测人脸形状，如公式（1）所示。

q=（k1，k2，……，kn）

q（z+1）=qz+ε（epsilon）z （1）

式中：q表示n个关键点坐标的人脸形状集合；kt表示图像k的第t个关键点坐标（t=1，2……，n）；qz表示第z次预测出的人脸形状；ε（epsilon）z表示第z次测算出的残差回归量。

1.3 函数的改进

欧氏距离函数是深度学习的核心构成，应用时一般通过在数据集上构建合适的距离来解决相应问题。在初始深度学习网络中，模型通过深度学习网络提取的特征距离来判定相似度。设输入图像样本为x1、x2、y1和y2，通过欧氏距离求解距离|X|，如公式（2）所示。

（2）

从公式（2）可看出，欧氏距离表示各元素差的平方和，对奇异值来说没有鲁棒性。同时，欧氏距离不同维度尺度存在差异，进行相似人脸图像训练时可能会出现识别误差。为了解决该问题，部分学者应用马氏距离对欧氏距离进行修正，其本质是将样本点线性转换后计算距离，如公式（3）所示。

（3）

式中：ω表示正定矩阵，对输入样本点进行线性转换。

替换欧氏距离函数后，计算度量距离中所需的参数γ，参数结果通过最小化函数获得。设l（f）为损失函数，将对比损失作为损失函数，原因是深度学习网络无法执行分类任务，但能执行不同样本间的相似学习任务，如公式（4）所示。

（4）

当模型学习完不同样本间的相似性后，在深度学习网络结构中添加分类器进行分类，如公式（5）所示。

（5）

在公式（5）中，m为1时表示同类别，反之为不同类别。分类器设计好后，根据深度学习网络特有图像进行图像训练。设数据集中有a类样本，各类中有b个样本，根据传统训练模式，模型需要a×b个数据。使用深度学习网络时，可自由定义数据点，该数据点就是深度学习网络需要训练的数据数量，其中半数为同类别，其余则为不同类别。按照排序组合，可将最大样本数s表示为公式（6）。

（6）

由公式（6）可知，在完整的人脸图像数据库中，利用较少的训练样本可得一定数量的训练数据，与生成式的对抗网络生成的图像相比，深度学习网络降低了噪声干扰，进而增加了模型的鲁棒性。

2 系统设计

2.1 整体框架

系统实现框架如图2所示，包括人脸信息收集与人脸图像识别2个模块。首先，利用摄像机收集人员信息，通过信息提取与特征提取构建人脸信息特征库。其次，摄像机收集人脸图像，并根据所得图像信息提取人脸特征，从而获得待识别特征。最后，将这些待检测特征与特征库信息进行比较，并输出最终结果。

2.2 信息收集

信息收集的作用是收集待识别人脸特征，并将其添加至本地特征库中。信息收集流程如图3所示。1）收集整体图像。调用Oracle深度学习数据库中的欧氏距离函数，使用摄像机读取人员视频流，从中截取部分视频帧，构成数据集，并标记好各类信息名称。2）提取图像。使用SSD模型检测已标记的图像信息，利用回归分析法分析图像信息后将数据传输到图像库。3）提取特征。根据图像库存储信息，利用SSD模型提取特征向量，不同图像均可通过深度学习网络提取出多维特征向量。4）搭建特征库。存储提取的特征向量和对应信息，将存储格式设置为TXT，用字符串记录标签并存储特征向量。

2.3 人脸识别

人脸识别的作用是完成人脸识别，即通过摄像机获取待识别人脸信息。人脸识别流程如图4所示。1）载入图像特征库。信息收集模块与特征库相连，将上述存储的特征向量及其对应信息作为识别结果进行输出，其中特征向量通过矩阵载入，对应信息以Json载入。2）向量匹配。合理匹配提取出的特征向量和特征库向量，从而获取待检测信息，并通过测算欧氏距离判断匹配是否成功。3）输出结果。比较待检测特征向量、本地特征向量的欧氏距离|X|和已设阈值，如果已设阈值低于|X|，可知匹配失败；如果已设阈值高于|X|，可知匹配成功。最后输出与特征向量对应的信息。

3 系统试验

3.1 试验配置

为了验证系统性能，本文进行了人脸识别试验。试验数据来自常用的WiderFace数据集。该数据集包括大量不同种类、尺寸、姿态和遮挡程度的人脸图像，因此被广泛应用于人脸检测算法的训练和性能评估。本试验运行软硬件环境见表1。

3.2 模型训练

SSD模型采用梯度下降进行相应训练，设定学习率初始值为0.01，当多次验证模型准确率迭代次数不出现变化时，学习率就会降低50%。因为数据样本量较大，所以选取数据集中的一部分进行试验，其余数据用于训练模型。在训练过程中，当迭代次数为120时，模型准确率开始逐步稳定，同时相应损失率为1.3%。为验证检测准确率的上限，将最大迭代次数设置为210。当迭代次数达到150时，准确率已无较大变化，因此综合训练时长与损耗率等因素已无较多参考价值，不再进一步增加迭代次数。强化前、后SSD模型训练的准确率与损失率如图5所示。从试验结果可知，强化前的准确率为95.3%左右，强化后的准确率高达98.5%，相应的训练损失率可以忽略不计。

3.3 速度检测

基于SSD深度学习算法的自动化人脸识别系统主要利用ISV-V02M013S-N高级视频分析摄像机对识别结果进行速度检测。进行系统试验后可知，本系统的识别速度均值＞25f/s，已远超所需的23f/s标准，因此本系统在人脸识别速度上符合现实工作需要。

3.4 精度检测

为进一步验证系统识别精度，从数据集中随机抽取300人（600张图像）进行检测。每个人有2幅图像，选择其中一幅作为待检测图像，另一幅放于特征库。设定特征向量间的欧氏距离和阈值，如果阈值小于欧氏距离，可知特征库中不存在图像数据，反之则需要重新判断准确率。精度检测具体情况见表2。当阈值为0.5时，识别准确率最高，为99.5%。由试验可知，本系统在识别准确率方面能够满足现实所需。

4 结语

综上所述，本文在利用注意力机制改进欧氏距离函数的基础上，设计了一种基于SSD深度学习算法的自动化人脸识别系统。在仿真测试中，SSD模型在检测与识别上具有较好表现，系统的识别速度超过25f/s。当特征向量间的欧氏距离为0.5时，识别准确率高达99.3%，人脸识别的鲁棒性有所提高。该系统具有显著的识别效果，能够应用于不同的人脸识别领域。

参考文献

[1]贺宇桐，卢泓熹.基于单目RGB活体检测技术人脸识别系统的研究与实现[J].内蒙古科技与经济，2023（24）：120-124.

[2]王传传，高婕.基于改进FaceNet算法的人脸智能识别方法[J].工业控制计算机，2024，37（2）：126-128.

[3]刘敏.基于样条权函数神经网络的人脸识别研究[J].现代信息科技，2024，8（4）：109-112.

[4]焦阳阳，黄润才，万文桐，等.基于图像融合与深度学习的人脸表情识别[J].传感器与微系统，2024，43（3）：148-151.