基于计算机视觉的人脸检测与识别初探

侯雨静　孙福明

摘要：该文主要归类和总结了现有开源的方法和技术，包括：facenet方法和opencv方法。详细介绍了这两种开源方法在各个模块所涉及的方法和原理，用开源方法对恶劣天气的特殊情况进行处理，并在此基础上指出了各自的优缺点。

关键词：人脸检测；特征点定位；识别；对比；深度学习

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）33-0202-02

人类进入21世纪，随着计算机和网络技术的日渐发达，信息安全体的隐患日益突出。随着技术的不断发展，传统的身份识别方法已经受到越来越多的挑战，可靠性大为降低，势必出现新的信息识别和检测技术。人们逐渐的把目光转向了生物体征。这些都是由人类遗传的DNA所决定的，并且每个人都拥有自己独一无二的生物体征。

1 人脸识别算法基本原理

1.1 Facenet算法

Facenet算法主要通过计算两幅人脸图像之间的距离作为判断同一性的条件。人脸检测涉及两个嵌入之间距离的阈值；验证则可以使用诸如均值这类的外部解决方案实现[1]。

1.1.1 三元组学习法

Facenet方法最重要的部分，就是三元组学习法部分，三元组学习是整套Facenet算法的精髓所在。而三元组的选择十分重要，不合适的三元组将影响模型的收敛速度，进而影响整个方法的运算效率与结果[2]。如图1所示。其三元组是由两个匹配的脸部缩略图和一个不匹配的脸部缩略图组成的，而损失的目的就是将积极的一对与消极的距离分开[3]。

1.1.2 最近邻分类法

最近邻分类算法（K-Nearest Neighbors，KNN）[4]是模式分类中最常用的方法之一。但是他往往产生竞争的结果，在某些领域，在结合先验知识的条件下，可以大大地提高其先进性[5]。因此，它的性能取决于用来识别最近邻居的距离度量。

理想情况下，kNN分类的距离度量应该适用于解决的特定问题。事实上，就像很多研究人员表述的那样，KNN分类可以显着提高学习距离度量标记的例子[6]。即使是一个简单的全局线性变换的输入功能都产生更好的KNN分类器。

1.2 Opencv算法

Opencv算法是Opencv的自带算法，其人脸识别方法主要是基于Haar特征提取，并采用了adaboost算法[7]來实现的。Opencv人脸识别方法实现的是一个人脸检测器，它由下而上由3个部分组成：Haar矩形特征的提取；基于Adaboost的强分类器；以及强分类器之间的级联。

Haar 特征又被称为矩形特征，而矩形特征都是由几个形状相同、大小相等的黑白两种颜色的简单矩形构成的，Haar特征的特征值是由矩形特征的所有白色矩形的像素值之和减去黑色矩形的像素值之和表示。Haar特征不仅简单、计算容易，而且能够很好地描述脸部特征。

2 特殊条件下的人脸检测

对于人脸识别技术来说，频繁出现的雾霾天气算是一个不小的挑战，雾霾会影响摄像头在拍摄人脸的过程中取得的画质，直接关系到对人脸的采样与识别。Opencv方法对雾霾的人脸检测情况如图3所示。

可以看出，在轻度和中度雾霾的情况下，Opencv方法可以准确的检测人脸。但是在重度雾霾的条件下，Opencv方法则无法检测。检测人脸的步骤直接影响识别结果，所以必须保证检测的准确性。

3 人脸相似度对比

Facenet方法在处理人脸识别对比问题上在上文中已经介绍过，他是用最大近邻法进行人脸识别验证的。所以两幅人脸图像的距离越近，同一性越强。如图4所示。

观察可知，Facenet方法对人脸验证问题处理的同样较为理想，同一认定比较严格，相似的人脸距离较近，可以很好的完成人脸识别与验证。

4 总结

人脸识别作为当前模式识别与人工智能的研究热点之一，是一项十分重要的身份识别与鉴定的重要技术，具有十分广阔的应用前景。一如DNA检测、瞳孔识别、指纹识别，人脸识别对于身份验证的优点主要表现在识别速度快、操作便捷、结果更加直观等方面，这也是人脸识别能广泛运用在例如监控、检验等方面的重要原因。

参考文献：

[1] R Chellappa， C Wilson， S Sirohcy. Human and Machine Recognition of Faces ：A Survey[J].Proceedings of the IEEE，1995，83（5）.

[2] K. Q. Weinberger， J. Blitzer， Saul L K. Distance metric learning for large margin nearest neighbor classification. In NIPS. MIT Press， 2006. 2， 3.

[3] Y. Bengio， J. Louradour， R. Collobert， et al. Curriculum learning. In Proc. of ICML， New York， NY， USA，2009. 2.

[4] Becker S， LeCun Y. Improving the convergence of backpropagation learning with second order methods. In D. Touretzky， G.Hinton， & T. Sejnowski （Eds.）， 1989.

[5] Kiefer J， Wolfowitz J. Stochastic estimation of the maximum of a regression function. Annals of Mathematical Statistics， 1952（23）：462-466.

[6] Barto A G.. Reinforcement learning and adaptive critic methods. In D. A. White， & D. A. Sofge （Eds.）， New York， NY： Van Nostrand Reinhold，1992.

[7] Violap，Jones M.Robust real time objict detection.8th IEEE International Conference on Computer Vision，Vancouver，2001.