基于大数据的深度学习技术在人脸识别中的应用

金诗谱 康 彦 张书茂

(安徽城市管理职业学院，合肥 230001)

大数据技术的发展与应用，推动着各领域信息技术的迅速发展，大量的数据不断更新并支撑起各种数据库。这些数据如果能得到充分利用，将会带来巨额的价值回报。深度学习是当前发展起来的机器学习新技术，在语音识别、计算机视觉等领域的应用正逐渐深入。深度学习的概念源于人工神经网络技术，其结构是一种深层次的学习结构。通过深度学习，可将较低层次的特征整合成更抽象的高层表示属性或特征类别。深度学习可研究非线性结构问题，实现复杂函数的近似表达，得到分布式特征表示，同时能较强地学习样本集的基本特征[1]。深度学习技术的应用，极大地推动了人脸识别技术的进步，其人脸特征表达是传统手工特征表达无法企及的。在此，介绍深度学习的基本概念，并融合大数据和深度学习的优势，探讨基于大数据的深度学习技术在人脸识别中的应用。

1 深度学习结构

深度学习结构可归纳为3种经典结构：生成性深度结构、区分性深度结构和混合性深度结构。

1.1 生成性深度学习结构

该结构可用于观察信息及其对应类的联合概率分布，或者对信息的高阶相关属性进行描述。因为不关注数据的标签，很多人常常采用非监督特征学习模式。与区分性深度结构的区别在于，生成性深度结构能够得到标签和观察信息的概率分布情况，有利于对概率进行估算。深度学习算法中的DBN(深度信念网络)就是生成性深度结构，一连串RBM(限制波尔兹曼机)单元构成了DBN[2]。RBM是传统的神经网络，其中有2个层彼此相连，通过隐层单元可以得到可视单元的高阶相关性。与常规信度网络不同的是，RBM更容易对权值实现快速学习。

1.2 区分性深度学习结构

区分性深度结构主要用于对数据的后验分布进行常规描述。历史上第1个实现多层网络结构训练的算法是CNNS(卷积神经网络)。CNNS算法是区分性训练算法，可以通过此算法获得变换不变性特征，而无法通过DBNS(动态贝叶斯网络)算法获得。经过研究，LE Cun等人成功训练了卷积神经网络[3]。CNNS算法功能强大，在大多实验中表现出良好的性能，多应用于图片识别、分类等技术领域。

1.3 混合型深度学习结构

混合型深度学习结构的最终目标是识别数据，重点在于区分数据。混合型深度学习结构有2种，一种是生成性结构，另一种是区分性结构。当运用生成性深度结构解决分类问题时，可以在网络权值优化预训练阶段与判别模型相结合使用。比如，深度神经网络可以通过深度信念网络预先训练而得到。BP算法能够用于优化DBN的权重，其初始权重来自RBM和DBN预训练，而非随机生成。相较于前馈神经网络，BP算法训练及收敛的时间效率都得到了提高。

2 深度学习模型

2.1 自动编码

假设输入和输出有一致性，在此前提下改变参数进行训练，获取每层的重量，同时会得出输入I的多种不同表示，即所需特征。研究发现，若在原有的特征里增加一些自动学习获得的特征，则实验效果明显提升[4]。这种方法称为自动编码(Auto Encoder)。

2.2 稀疏编码

通常哺乳动物眼睛所看见的画面是由很多像素组成，这些画面重建和存储的变换过程比较简单，这种变换称作稀疏编码(Sparse Coding )。经典的稀疏编码流程由Training部分和Coding部分组成：

(1) Training部分。指定训练样本[p1, p2, …, pm(in Rd)]，训练字典基 [q1，q2，…，qm(also in Rd)]。

(2) Coding部分。采取优化的方法获取所测试数据的codes。

2.3 受限玻尔兹曼机

受限玻尔兹曼机(RBM)是一种随机生成的神经网络，主要通过对输入数据集的概率分布进行学习。受限玻尔兹曼机是波尔兹曼机的变化形式，其合格模型只能采用二分图。该模型包含相应参数的输入单位以及对应训练结果的隐藏单位。图中的每个边缘要求连接到可见单元和隐藏单元。这种限制使得它比常规玻尔兹曼机的训练算法更加有效，尤其是比以梯度为基础的对比分歧算法更有效。

3 基于大数据的深度学习人脸识别新模式

当前，传统的深度学习人脸识别技术，通常基于常规人脸数据库，如ORL人脸图像库(见图1)。

图1 ORL人脸图像库部分图像

直接将深度学习算法应用于人脸识别，效果不佳。当缺乏足够强大的数据库训练支撑时，传统的深度学习应用于人脸识别时存在较大的局限性。在此，提出一种新的人脸识别模式，即基于大数据的深度学习人脸识别模式(见图2)。

基于大数据技术，利用数量庞大的cpu，对海量的人脸图像大数据进行特征训练，得到新型人脸特征数据库，最终大幅提高人脸图像识别的准确性。与传统的深度学习人脸识别模式相比，基于大数据的深度学习人脸识别模式是在海量的大数据基础上，通过深度学习进行特征训练，最终得到拥有海量数据的人脸特征数据库，从而更有效地提高了人脸识别的准确率。不过，此类识别实验计算量巨大，对硬件的需求量也大，需要通过分布式的系统进行并行计算来完成，一般小规模公司很难完成。Google所做的猫脸实验就是一个简单的识别数据训练雏形，一般小规模公司很难完成。Google使用拥有16 000个中央处理器的服务器来训练学习数据库，得到准确的识别结果。

图2 基于大数据的深度学习人脸识别模式

采用常规稀疏编码方法，分别使用新识别模式和传统识别模式对随机人脸进行识别对比。设置65、70、75、80、85、90等阈值，以此阈值为基准数据，对比2种识别模式下的误识率和识别通过率(见图3、图4)。

图3 新模式和传统模式误识率对比

由图3可以看出，传统模式下的误识率更高，而且随着阈值的不断提高，后期误识率不断升高；而新模式下误识率较低，且随着阈值不断提高，误识率呈下降趋势。新模式与大数据相结合，其优势非常明显。

由图4可以看出，传统模式下识别通过率较低，且随着阈值不断提高，识别通过率下降幅度增大；而新模式下的识别通过率相对很高，且随着阈值不断提高，识别通过率只是缓慢下降。

图4 新模式和传统模式通过率对比图

因此，新模式下的人脸识别误识率和识别通过率，均比传统模式更有优势。

4 结 语

人脸识别技术是实用性非常强的一项技术，在各领域的应用非常普遍。随着深度学习技术的不断深入发展，各种新的算法不断出现。同时，随着大数据技术的不断发展，海量的数据就像黄金一样宝贵，等着我们去积极探索。大数据技术与深度学习技术相结合的人脸识别新模式的应用，将会极大地推进人脸识别技术的发展。

[1] 赵丹丹.基于深度学习的掌纹识别算法研究[D].呼和浩特：内蒙古农业大学, 2016:10-20.

[2] 赵玮,徐良杰,冉斌,等.基于深度学习DBN算法的高速公路危险变道判别模型[J].东南大学学报(自然科学版),2017,47(4):832-838.

[3] 梁锡军.稀疏优化在机器学习中的若干应用[D].大连：大连理工大学,2013：10-20.

[4] 冯子勇.基于深度学习的图像特征学习和分类方法的研究及应用[D].广州：华南理工大学,2016：1-10.