基于神经网络算法的人脸识别

文/于艺春

当前信息时代下，如何快速、准确、安全的鉴定出一个人的身份，是计算机、信息网络技术发展中需要解决的一个关键问题。传统中主要以身份验证技术为主，如检查证件、设置密码，再到前些年的指纹验证等，但这些都技术和方法在信息时代下很容易伪造，安全性并不高。指纹验证属于生物特征识别范畴，该方法虽然存在一定弊端，但应用依然广泛。但随着技术的发展，比指纹验证安全性更高、更快捷的方式也不断出现，即人脸识别。人脸识别无需用户和设置直接进行接触便可实现身份验证，且无需用户特意配合，可以在用户无意识情况下直接进行身份验证。鉴于人脸识别的快速性和准确性，人脸识别出现以来，便在身份验证领域中得到了广泛研究和应用。但人脸识别过程中，由于光照、遮挡、面部表情、姿态等因素的存在，影响了人脸识别的精度。如何降低外部因素对人脸识别精度的影响是迫在眉睫的事情。卷积神经网络可以对人脸上的局部文理特征进行提取，且不受外界因素的影响，人脸识别的精度较高。鉴于卷积神经网络在人脸识别中的重要性，该方法及其应用引起了很多专家、学者的关注，文章就基于卷积神经网络算法的人脸识别问题进行了简单分析，提出了自己的看法。

1 何谓卷积神经网络

卷积神经网络是人工神经网络中的一种。卷积神经网络是带有卷积计算、深度结构的前馈神经网络，属于深度学习中的一个经典算法，也是人工神经网络中的重要一种。20世纪80年代开始卷积神经网络进入专家、学者的研究范畴内。进入到21世纪后，随着深度学习理论的提出和应用，卷积神经网络由于十分适合应用于深度学习领域，开始得到迅速发展，并在多个领域和行业内得到了广泛应用，如计算机视觉等。

基于神经元之间的连接是卷积神经网络的特有的特征。其主要结构由于五类，即数据输入层、卷积层、池化层、全连接层、输出层。如图1所示为卷积神经网络功能结构图。

图1：卷积神经网络层次结构图

图2：循环神经网络示意图

随着卷积神经网络的发展，在生物视觉模型中得到了应用。之所以能在生物视觉中应用，主要是由于卷积神经网络具有如下特征：

（1）卷积神经网络实施视觉任务的水平和人类十分接近；

（2）卷积神经网络的工作架构对视觉系统中的基本功能结构进行了复制；

（3）卷积神经网络的活动能之间联系着视觉系统中的各个区域。

深度学习属于人工智能的一种，也是机器学习领域中的一个新的且重要的研究方向，在计算机视觉、生物信息学等领域中应用较多。卷积神经网络作为深度学习中的一种经典算法，再鉴于卷积神经网络的上述三个特点，将之应用到人脸识别中再合适不过。

2 基于深度神经网络算法的人脸识别

2.1 卷积神经网络人脸识别

为提高视频人脸识别的准确度和实时性，学者提出了将卷积神经网络与CUDA结合在一起进行人脸识别。改进算法是由6层结构的卷积神经网络，通过Adaboost算法进行视频中人脸识别。仿真结果表明该方法提到了人脸识别实时性。传统卷积网络由于无法将低层次特征和高层次特征结合在一起造成识别率很难提高。为此构建了一种将附惩罚函数应用到卷积神经网络算法中。所构建的算法中第一层和传统网络的最后一层连接在一起，这样增加了特征的识别率，降低了浅层的损失。仿真结果表明所改进的算法提高了卷积神经网络准确率。为解决卷积神经网络中需要大量训练才能得到较高的准确率为此。将姿态变化人脸底层特征图的样本方法应用到卷积神经网络模型中。第一步是分析人脸分布规律，通过非线性方法分析人脸特征；第二步将自学习卷积神经网络与人脸变化结合在一起用于特征提取。仿真结果表明所设计的姿态变化算法提高了人脸识别准确率。为解决应光照、姿态、表情等因素造成人脸识别率不高问题，将融合局部方法和卷积神经网络结合在一起。该方法采用主动形状模型确定面部关键部位，去掉干扰区域从而提高了人脸识别准确率。为解决人因随着年龄增加面貌更改传统卷积神经网络算法无法识别问题，将跨年龄人脸识别算法和卷积神经网络算法那组合在一起。所构建的组合算法中在特征学习时能够得到最优的测度函数，这样解决了不合适的阈值问题。通过仿真结果表明该算法识别率达到93.6%。为解决卷积神经网路算法运行效率低、收敛速度慢的问题，采用自归一化的方法进行卷积神经网络人脸识别。该算法是由2个卷积层、1个池化层以及Softmax回归层进行自归一化处理。仿真结果表明改进算法极大提高了算法收敛效率和识别率。在采集人脸图像时由于图像模糊造成识别率较低，为提高图像识别率设计了增加信息的卷积神经网络算法，该算法采用滤波算法进行图像处理去除噪音然后利用Radon尺度变换方法进行人脸关键部位增强实现。该算法提高了算法识别率。

2.2 循环神经网络人脸识别

循环神经网络人脸识别又称谓时间递归神经网络，采用时间序列方式进行神经网络运算。该算法与传统卷积神经网络算法相比实现了隐含层的神经元连接。如图2为循环神经网络示意图。

由图2可知循环神经网络中RNN的隐藏层之间是连接的，图中x表示输入数据，s表示隐藏层数据，O表示输出结果，U表示隐藏层和输入层的权重矩阵[6]。文献[6]在循环神经网络算法中增加了时间处理函数，仿真结果表明该方法降低了均方差误差提高了算法准确率。为解决随着年纪增加，人的几何特征发生改变，这些影响因素有遗传、生活环境、生活习惯等，使用人脸识别技术进行寻人查找已成为当前研究重点，使用经典的神经网络算法识别无法完成人脸老化图像识别。为解决这以问题提出将循环神经网络算法应用到人脸图像老化识别中，该方法采用监督下降方法对不用年龄阶段图形进行特征分析，并利用线性回归方法进行人脸校正。仿真结果表明该方法提高了人脸老化方法识别准确率[7]。

查阅文献目前关于循环神经网络算法应用到人脸识别的应用比较多，除文献[7]中详细研究了循环神经网络算法用于图像识别。目前循环神经网络算法应用主要应用在语音识别、机器翻译、文本分类、信息检索中。

3 结论

目前神经网络算法与图像识别技术融合已取得诸多成果，通过分析当前卷积神经网络人脸识别识别图像的研究比较热门，循环神经网络人脸识别相对较少。当前神经网络人脸识别算法那需要采集大量样本信息并建立相应的数据集才能提高识别率。对于一些应用场景数据量较少比如火灾数据，如果采用当前神经网络算法进行识别无法获得较高的准确率。未来神经网络算法将朝向样本数量少方向发展。