当前位置：文档之家 › 基于深度学习算法的人脸识别方法研究

基于深度学习算法的人脸识别方法研究

  • 格式：pdf
  • 大小：2.56 MB
  • 文档页数：2

计算机与多媒体技术Computer And Multimedia Technology电子技术与软件工程Electronic Technology & Software Engineering

基于深度学习算法的人脸识别方法研究

裴庆庆(郑州工业应用技术学院河南省新郑市4 5110 0 )

摘要：本文通过分析人脸识别及深度学习的相关技术，阐述了人脸识别的主要流程，在此基础上提出了基于深度学习算法的人脸识 别系统设计。关键词：深度学习；人脸识别；卷积神经网络

1人脸识别及深度学习相关技术

1. 1人脸识别技术

随着人脸识别技术的不断的发展，其不仅能够将静态图片中的

人脸准确的识别、标记出来，还能够捕获动态视频中的人脸信息， 并做出准确识别，这个过程即为人脸识别人脸识别是目前最直观的

生物特征识别技术，在各个领域的应用也十分广泛。目前常用的生 物识别技术包括指纹识别、语音识别、虹膜识别等，相比这类生物

识别技术，人脸识别具有非侵入性的功能优势，只要录像设备视

野内出现人脸信息，系统就可以识别出人脸，因此即使在用户不希

望与系统合作的环境中该技术仍然适用。除此以外人脸识别系统还

具备身份认证、欺诈检测、访问控制等多种功能。当然，现实中人

脸图像具有高度的可变性，比如光照因素、年龄变经、头部角度与

姿势、表情等因素均有可能更改脸部图像特征，因此在环境不受限

制的条件下人脸识别是最具挑战性的生物识别方法之一。

1.2深度学习技术

深度学习是机器学习范畴中的一个子集，是指利用深度神经

网络实现机器学习的一种方法模型，也称为深度结构学习或分层学

习。深度学习需要海量的数据支持及强大的计算能力，学习的深度

越深就能够提取到越高级的特征。深度学习是一种无需人工构建特

征的端到端的数据驱动方法，其根据标签融合、交叉、替换抽取到

的特征，完成自我调节，最终获得更优化的模型。在非监督数据上 可以通过以下两个步骤有效训练多层神经网络：先是层层构建单层 的神经元，每次训练即训练一个单层网络；然后所有训练都结束后 再用wake-sleep算法进行优化处理。在该算法中最顶层是单层神经

网络，其它层间均为双向权重的图模型，双向权重包括向上与向下

两种，向上权重的作用是“认知”，向下权重的作用是“生成”， 每层网络训练完成后，wake-sleep算法会对所有权重做出调整，以

保证所生成的最顶层表示能够准确复原底层节点，使得“认知”与 “生成”达成一致。wake-sleep算法包括“wake”与“sleep”两个 阶段，wake (醒）阶段通过外界的特征与向上的权重采用梯度下降

的方法修改层与层之间的向下权重，是一个认知的过程，而sleep(睡）

阶段则是通过最顶层表示与向下的权重生成底层状态，修改层与层 之间的向上权重，属于生成过程。学习第一层的参数，得到一个三

层神经网络的隐藏层，该隐藏层可以使得输入与输出相差最小。如

此层层训练、学习即可得到每一层的参数。

2人脸识别的主要流程

人脸识别主要流程包括建立数据集、识别目标正面、将实时采 集的人脸图像与数据库中存储的面部图像进行比较、识别图像。训 练模型之前釆集人脸图像时要对数据进行预处理，提高数据质量；然后检测人脸的位置，标注人脸关键点；对采集到的人脸图像进行

结构简化处理，将人脸图像的特征提取出来，为后续的人脸识别做

准备；人脸识别过程中将训练好的数据输入系统，构建人脸识别模 型后再与目标图数据库中的数据进行比对；最后再进行活体检测，

即通过眨眼、点头等动作检测人脸是否实际生物存在。下文针对每

个环节进行详细介绍：

2. 1人脸图像采集及预处理

人脸图像采集主要包括两个来源，一是批量叠加导入现有的人

脸图像，完成人脸图像采集，批量叠加导入的人脸图像需要合并几 个不同的原始图片集，将同一个人在不同来源的图像信息集合在一

起。另外一个来源即为实时图像采集，利用某个特定样本的实时跟 踪设备录入信息，比如摄像头。采集到的人脸图像会受到许多外部

因素的干扰，比如光线、面部表情的变化等，因此原始图像不适合

提取模型特征，需要通过一系列图像转换对数据进行预处理，比如

旋转、切割、降噪、缩放等等。

2. 2人脸检测

人脸检测的主要目的是进一步筛选人脸图像信息，消除噪声，

获取更精准的图像信息，进一步确认人脸的具体位置，确定图像大 小及位置等。不过人脸检测的主要困难在于对面部内部变化的检测

及获取图像时环境的变化，人脸通常会随着情绪的变化而产生一些

复杂的细节动态，且装饰物也可能会改变面部特征，因此增加了人

脸检测的难度。另一方面，图像获取环境会发生变化，包括获取图 像的角度、光线影响、成像设备的景深及焦距等参数。因此为改善

图像采集质量，现在人脸检测的方法主要包括检测肤色、检测边缘

特征以及基于统计的检测方法，应用最为广泛的为基于统计的方法，

虽然其误检率较高，但是其效率高、性能好，因此被广泛应用于各

个领域。

2. 3提取人脸特征

根据算法模型提取人脸上的特征。人脸特征包括人脸视觉特征

与人脸像素统计性特征两大类，而提取人脸特征的方法又包括基于

代数特征的提取以及基于知识的提取。提取人脸特征时先将人脸图

像进行维度放大处理，将其转换为一个灰度矩阵后经过一系列的代 数变化即可提取出特定的代数特征值，这些数据具有良好的聚类性， 能够将人脸的特点准确的表示出来，整个过程即为基于代数特征的 人脸特征提取方法。用几何形态表征将人脸中最具代表性的部位描

述出来，再将其转换为几何图案的组合，这个过程即为基于知识的 人脸特征提取方法。

2. 4人脸识别及活体鉴别

获取人脸图像特征数据后通过模型映射到训练集上，模开设置

114电子技术与软件工程Electronic Technology & Software Engineering计算机与多媒体技术Computer And Multimedia Technology

相似度阈值，超出相似度阈值的数据信息可以筛除，接下来再根据

相似度信息、人物信息对输出人脸图(象做进一步筛选，最终确定最

合适的人脸图像。活体鉴别的主要作用是判断系统识别的对象是否 为真实生物体，以保证人脸识别的安全性，因为系统获得的人脸可

能是一张照片的复刻，如果缺乏活体鉴别可能会存在安全隐患，因

此系统中需要加出眨眼、转头等活体鉴别过程。

3基于深度学习算法的人脸识别系统设计

3.1系统整体框架

本研宄提出的人脸识别系统是基于tensorflow深度学习框架，

采用FaceNet构建实时人脸检测及识别系统，实验在应用场景下多

姿态及光照的人脸识别任务，能够由摄像头读取视频提取帧，检测 人脸特征，将采集到的数据与数据库中预存的人脸特征数据进行对

比，最终完成人脸识别。具体设计是先由摄像头中提取人脸图像保

存于本地数据库中，针对同一个人脸需要提取多张图片，提取出每 张图片的128维特征值，再将同一个人脸多张图片的丨28维特征均

值计算出来，再对照摄像头录制的人脸特征值，比照二者人脸向量

的欧式距离即可计算机数据库中人脸图像与摄像头录制人脸图像的

相似性。该系统能够实现人脸数据的实时采集，并支持人脸实时注

册，建立人脸数据库，能够实时采集摄像头图像进行人脸识别，并

支持多张人脸的检测与识别。

3. 2基于FaceNet的人脸识别

FaceNet主要用于验证人脸是否为同一个人，是基于百万

级人脸数据训练的深度卷积神经网络，其可以将人脸图像映射 (embedding)成128维度的特征向量，直接以该特征向量为特征依

据，通过机器学习的方法实现人脸识别。本研究在进行人脸匹配 数据训练时，将LFW数据集中照片转换为统一大小，形成人脸 检测与关键点的对齐，便于后续的人脸识别任务。FaceNet模型训

练过程中可以借助训练好的embedding来帮助下个模型生成新的 embedding，可以获得更稳定、效果更好的模型。

3. 3基于深度学习算法的人脸识别系统设计

本研究提出的基于深度学习算法的人脸识别系统包括人脸图像

实时采集与注册模块、人脸检测模块、人脸识别模块及可视化操作

界面。

3.3.1人脸图像实时采集与注册模块

本系统先搭建一个基本框架，将摄像头录制到的人脸图像信

息收集起来，建立一个人脸特征数据库，收集到的人脸图像都对应

设置一个文件名，将同一个人多张人脸图片存储为对应的文件夹。 上文中提到，完成人脸识别需要利用FaceNet对人脸图像数据进行

训练，构建对应的人脸识别模型，人脸识别数据库构建完成后， 即可利用该模型提取人脸特征数据，数据库中包含每个ID人脸的 embedding信息，提取到的数据再利用FaceNet生成npz文件，每

张人脸均进行特征提取并存储于一个词典中。自建数据库集完成图

像采集，多次人脸注册，多次采集图像，并进行多次特征提取，最 终将人脸特征保存于数据库中。

3.3.2人脸检测模块

摄像头可以实时收集人脸信息，通过摄像头检测每个视频帧中 的人脸特征信息，并标记人脸框，采用MTCCN提取视频提取帧人脸框，再将人脸框数据输入facenet提取人脸特征。MTCNN可 以检测出人脸位置，获取一个人脸的bounding box，利用训练好的 Facenet模型提取人脸图像的特征，注意所有人脸图片需要对齐统

一图片大小。

3.3.3人脸识别模块

人脸图像对齐后利用训练好的Facenet模型将人脸图像 embedding成128维特征值，提取embedding vector后对照人脸数

据库中所有特征数据。数据库中包含了自建的人脸数据库，可以生 成embedding人脸特征数据库，采用facenet提取出人脸特征采用

训练好的SVM分类器对检测到的人脸特征向量进行分类，不仅能

够提高处理效率，且精度更高。

3.3.4制作可视化操作界面

采用python语言设计可视化界面，利用PyQt5及QtDesigner

制作操作界面，将.ui文件转换为.py文件代码，Qt5有自己的返回

值无法实时占用摄像头，可以用定时器完成人脸图像的实时采集， 每秒能够识别30张左右的图片，且能够依次完成多个ID人脸图像

的采集。点击“开始”系统即实时检测视频帧中的人脸图像，并在 对应区域显示出人脸识别的结果。

4结语

总之，人脸识别技术有着其它生物识别技术不具备的独特优势，

比如非接触式的验证过程提升了用户体验，人脸识别能够同时比对

多张人脸信息，且每张人脸信息都是独一无二的，因此人脸识别技

术的应用越来越广泛。而经过多年发展深度学习己经成为极为普及

的多种识别模型技术，尤其是在人脸识别领域，-直都是人工智能 领域的重要研宄方向。相信随着科技的进步，人脸识别技术对人们 生活的影响也会越来越大。

参考文献[1] 陈奎，邢雪妍，田欣沅等.基于CNN的人脸识别门禁系统设计

[J].徐州工程学院学报（自然科学版），2018, 33(4): 89-92.

[2] 刘慧慧.大数据背景下的计算机网络信息安全分析[J].科技 创新与生产力，2020 (11): 49-51+54.

[3] 景晨凯，宋涛，庄雷等.基于深度卷积神经网络的人脸识别技 术综述[J].计算机应用与软件，2018(1): 224-233.

[4] 马国峻，周海东.轻量级智能终端人脸识别系统研究与实现 [J] •通讯学报，2015, 36 (增刊 1): 149-156.

合集下载

基于深度学习的视频人脸识别方法

基于深度学习的视频人脸识别方法

基于深度学习的视频人脸识别方法

基于深度学习的视频人脸识别方法

一、引言

近年来，随着计算机技术和人工智能的快速发展，视频人脸识别技术得到了广泛应用，并在安防、社交媒体、人机交互等领域取得了显著的进展。传统的人脸识别方法在静态图像上的应用较为广泛，而在视频场景中的人脸识别面临着更多挑战，例如姿态变化、光照变化、表情变化、遮挡等问题。为了解决这些问题，基于深度学习的视频人脸识别方法应运而生。本文将介绍基于深度学习的视频人脸识别方法的原理及其应用。

二、基于深度学习的视频人脸识别方法原理

1. 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）是一种模拟人脑视觉处理机制的神经网络，它通过卷积操作和池化操作来提取图像的特征。在视频人脸识别中，CNN可以在时间和空间上对视频进行处理，提取出人脸在视频中的特征。

2. 时空卷积神经网络

时空卷积神经网络（3D Convolutional Neural Networks，3D

CNN）是在传统的卷积神经网络的基础上进行拓展的。它通过在时间维度上应用卷积操作，可以对视频的时序信息进行建模，进一步提取出视频中的特征。

3. 循环神经网络

循环神经网络（Recurrent Neural Networks，RNN）是一种能够处理序列数据的神经网络。在视频人脸识别中，RNN可以通过学习视频序列中的时序信息，实现对视频的特征提取和建模。

4. 长短期记忆网络 长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络结构，能够解决RNN面临的梯度消失和梯度爆炸等问题。在视频人脸识别中，LSTM可以对视频序列中的长期依赖关系进行建模，提高人脸识别的准确性和鲁棒性。

三、基于深度学习的视频人脸识别方法应用

1. 实时人脸识别

基于深度学习的视频人脸识别方法可以实现实时的视频人脸识别。通过对视频流中的每一帧进行处理，提取人脸特征并与数据库中的人脸特征进行匹配，实现对视频中的人脸进行识别和检测。

人脸识别技术的深度学习算法解剖与优化

人脸识别技术的深度学习算法解剖与优化

人脸识别技术的深度学习算法解剖与优化

随着科技的不断发展和进步，人脸识别技术已经成为当今社会中一个重要的应用领域。在人脸识别技术中，深度学习算法扮演着至关重要的角色。本文将对人脸识别技术的深度学习算法进行解剖与优化。

首先，我们需要了解什么是深度学习算法。深度学习是一种机器学习的方法，其模型复杂度很高，可以对大规模数据进行分析和学习，从而提取和抽象出高层次的特征。在人脸识别中，深度学习算法可以通过学习大量的人脸数据来提取和识别人脸的特征，从而实现准确的人脸识别。

人脸识别技术的深度学习算法有一些常用的模型，比如卷积神经网络（Convolutional Neural Network，CNN）和深度玻尔兹曼机（Deep Belief Network，DBN）。这些模型在人脸识别领域具有广泛的应用，并取得了显著的成果。

首先，我们来解剖卷积神经网络。卷积神经网络主要包含卷积层、池化层和全连接层。卷积层通过卷积操作可以提取低层次的特征，比如边缘和纹理等。池化层可以将特征图进行降维，从而减少计算量和存储空间。全连接层将高层次的特征进行分类和识别。

在人脸识别中，我们还可以通过卷积神经网络进行人脸特征的提取和匹配。通过训练大量的人脸图像，卷积神经网络可以学习到人脸的高层次特征，并进行人脸识别。此外，为了提高人脸识别的效果，我们还可以通过增加网络的深度和宽度，加强网络的学习能力和表征能力。

除了卷积神经网络，深度玻尔兹曼机也是人脸识别中常用的算法之一。深度玻尔兹曼机是一种包含多层隐层的无向图模型，可以通过无监督学习的方式来提取和学习高层次的人脸特征。通过深度玻尔兹曼机，我们可以对人脸图像进行特征的无监督提取，然后将提取的特征输入到其他的分类器中进行人脸识别。 除了深度学习算法的解剖，我们还需要对人脸识别技术的深度学习算法进行优化。在算法的优化过程中，我们可以通过一些方法来提高算法的识别准确率和效率。

首先，我们可以通过对数据集的预处理来提高算法的识别效果。在人脸识别中，数据集的质量对算法的性能影响很大。我们可以通过去除噪声、标准化和对齐等方法来提高数据集的质量，从而提高算法的准确率。

基于深度学习的视频人脸识别方法 2

基于深度学习的视频人脸识别方法 2

硕士学位论文 基于深度学习的视频人脸识别方法 THE VIDEO FACE RECOGNITION METHOD BASED ON THE DEEP LEARNING 由清圳 哈尔滨工业大学 2012年12月 国内图书分类号：TP391.9 学校代码：10213 国际图书分类号：621.3 密级：公开 硕士学位论文 基于深度学习的视频人脸识别方法 硕士研究生： 由清圳 导 师： 丁宇新副教授 申 请 学 位： 工程硕士 学科、专业： 计算机技术 所在单位： 深圳研究生院 答辩日期： 2012年12月 授予学位单位： 哈尔滨工业大学 Classified Index: TP391.9 U.D.C: 621.3 Thesis for the Master Degree of Engineering THE VIDEO FACE RECOGNITION METHOD BASED ON THE DEEP LEARNING Candidate： Qingzhen You Supervisor： Associate Prof. Yuxin Ding Academic Degree Applied for： Master of Engineering Speciality： Computer Technology Affiliation： Shenzhen Graduate School Date of Defence： December , 2012 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工程硕士学位论文

I 摘 要 本文的视频人脸检测识别方法的基本设计思想是，在给出一段视频文件以及这个视频文件的字幕和剧本之后，可以自动的对视频中的人物进行检测和识别，不需要任何的训练样本。视频人脸检测识别方法主要由四个部分组成：字幕剧本融合部分，人脸检测部分，样本集自动生成部分和基于深度学习的人脸识别部分。本文将深度学习算法引入到了视频人脸识别中来，有两方面的重要意义，一方面，视频人脸的识别要求算法具备一定的抗干扰能力，并且能够保证一定的实时性，本文的实验与分析表明，深度学习算法具备这方面的要求；另一方面，从深度学习算法特性的角度来说，深度学习算法最大的缺点就是构造深度模型需要大量的样本，这很大程度上限制了深度学习算法的应用，然而本文所设计的基于视频的人脸检测模块可以轻松的产生数万、数十万的样本，从而满足了深度学习算法的大样本集要求。 基于深度学习模型的人脸识别部分是整个系统的重点，这一部分主要有两方面的意义：一，经历了视频人脸的检测部分之后，虽然视频人脸集合中人脸的纯度有了很大的提升，但是依然会存在一些杂质，因此必须通过识别模块来进一步的过滤掉人脸集合中的杂质；二，通过视频所得到的帧文件中，经常会出现多张人脸同时出现的情况，在这种情况下，视频人脸的检测部分是无法将说话者与人脸进行对应的，必须通过识别模块才能区分出一个帧中的多个人脸。 基于深度学习模型的人脸识别部分主要包含三个模块：数据预处理模块、深度学习模块和识别模块。数据预处理模块主要由数据整合和构造数据立方体两个部分组成。深度学习模块通过两个具体过程来实现：RBM调节和深度模型的反馈微调。RBM的调节过程是自下而上的各个层间的调节过程，以这种方式来初始化整个深度模型的系统权值，而深度模型的反馈微调，首先进行自下而上的识别模型转换，然后再进行自上而下的生成模型转换，最后通过不同层次之间的不断调节，使生成模型可以重构出具有较低误差的原样本，这样就得到了此样本的本质特征，即深度模型的最高抽象表示形式。经过深度学习模型的处理，可以得到降维之后的样本特征，在此基础上运用识别模块，本文中所采用的识别方法是人工神经网络的识别方法。 关键词：人脸检测；肤色模型；深度学习；识别模型；生成模型；人工神经网络哈尔滨工业大学工程硕士学位论文

基于深度学习的人脸识别技术研究

基于深度学习的人脸识别技术研究

基于深度学习的人脸识别技术研究

随着科技的不断发展，人类对于人脸识别的需求越来越高。例如，在社交媒体中上传照片，需要自动识别出照片中的人物；在公安系统中，需要通过人脸识别技术帮助警方抓捕犯罪嫌疑人；在公司打卡签到时，需要通过人脸识别技术来防止打卡作弊等。为了满足这些需求，人脸识别技术得到了极大的发展，其中基于深度学习的人脸识别技术成为当前最为热门的研究方向之一。

一、 人脸识别技术的发展历程

人脸识别技术可以追溯到20世纪50年代初，当时人们使用人工方法进行人脸识别。在20世纪70年代，计算机科学开始蓬勃发展，人们开始使用计算机进行人脸识别研究。但随着计算机性能不断提高，人们发现传统方法在处理大规模数据时存在精度低、鲁棒性差等问题，难以满足实际需求。

基于深度学习的人脸识别技术在此时应运而生。深度学习通过构建多层神经网络进行特征提取和建模，提高了人脸识别的准确率和性能。目前，基于深度学习的人脸识别技术已经广泛应用于安全监控、智能交通、医疗诊断等领域。

二、 基于深度学习的人脸识别技术的核心算法

基于深度学习的人脸识别技术主要包括人脸检测、人脸对齐和人脸识别三个模块。其中，人脸检测是指在一张图片中准确地找出人脸区域；人脸对齐是指对检测出的人脸进行对齐和归一化，以消除不同角度、光照等因素的干扰；人脸识别是指通过学习得到的人脸特征向量进行匹配，来识别出图片中的人脸。

在这三个模块中，深度学习技术的核心算法主要包括卷积神经网络（CNN）、循环神经网络（RNN）以及残差网络（ResNet）。CNN 是一种特殊的神经网络，其能够通过卷积操作来提取图像特征。在人脸检测中，CNN 能够快速有效地定位图片中的人脸区域。在人脸对齐和人脸识别中，CNN 能够对图像进行特征提取，提高模型的鲁棒性和准确率。

RNN 是一种带有时间循环的神经网络，其能够捕捉时间序列中的依赖关系。在人脸识别中，RNN 能够对不同时间段的特征进行学习，提高模型的特征提取能力和鲁棒性。