基于卷积神经网络的人脸识别在开放机房的应用

李玉玲 王祥仲

摘 要：针对开放机房存在的安全隐患，提出通过卷积神经网络进行人脸识别的管理方法。在中心服务器中建立在校学生人脸识别采集库，通过卷积神经网络的卷积、池化算法建立卷积神经网络模型，构建人脸识别控制机制;并对人脸识别在开放机房应用中的布局、工作原理、运行过程及测试进行研究。通过测试，发现人脸识别率达到98.8%，大大增加了开放机房的安全性，同时通过对后台数据库中不同时段上机人数进行统计，从而合理调整机器数量，提高管理效率。

关键词：卷积神经网络;人脸识别;开放机房;特征提取;反向传播;数据传输

中图分类号：TP393文献标识码：A文章编号：2095-1302（2020）06-000-05

0 引 言

随着各大学校学分制的实行、学生自主学习时间的增加、学习自由度的提升，各个学校机房开放势在必行！然而开放机房最大的问题在于如何保障安全，保障系统安全和网络安全是重点考虑的两个方面。

目前的开放机房管理方式为刷卡或指纹识别上机，但两者都有其弊端。刷卡上机，上机者必须携带本人校园卡进行身份认证，如果校园卡丢失，存在被他人代用的隐患;采用指紋识别的机房管理方式相比刷卡上机的安全程度有所提高，但指纹识别存在误识率较高，识别速度慢，以及指纹采集设备磨损或其他原因影响识别效果等问题[1]。

人脸识别可以加强机房操作的安全性。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频，并自动在图像中检测和跟踪，进而对检测到的人脸进行识别[2]。

1 人脸识别的研究现状

早期的人脸识别系统都是在手工提取特征[3]的基础上，应用分类算法进行识别。由于容易受到光线明暗、背景变化、姿态特征等诸多因素的干扰，使得通过手工提取的特征在以上外界因素发生变化时，导致原始图像出现结构丢失、特征描述不全面和不确定等问题，这些缺陷导致人脸识别率低[4]、可靠性差、无法进行大面积推广等。

基于卷积神经网络CNN进行人脸识别是近年来随着计算机技术、图像处理技术、模式识别技术等快速进步而出现的一种崭新的生物特征识别技术。基于卷积神经网络的人脸识别算法具备神经网络学习能力、抗干扰能力较强等特点，非线性映射能力、容错能力、泛化能力、鲁棒性较好。

2 卷积神经网络算法

卷积神经网络包含了一个由卷积层和池化层（子采样层）构成的特征抽取器[5]。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN卷积层中[6]，通常包含若干个特征平面（Feature Map），每个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，共享的权值即卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络训练过程中，卷积核将学习得到合理的权值。共享权值（卷积核）[7]的好处是减少了网络各层之间的连

接[8]，降低了过拟合的风险。子采样也叫做池化（pooling），子采样可以看作是一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度与模型参数。

通常，CNN的结构形式为数据层（data layer）→卷积层（convolutional layer）→池化层（pooling layer）→…（重复卷积、池化层）→全连接层（fully connected layer）→输出结果层（output result layer），其中最重要的为卷积层和池化层[9]。

2.1 卷积层

在卷积层中，特征图的每一个神经元与前一层的局部感受野[10]相连接，与一个可学习的卷积核卷积，经过卷积操作提取局部特征。卷积层的计算公式[11]：

式中：l代表层数;mj代表输入层的感受野;h代表卷积核;hlij是该层神经元j与前一层神经元i的连接强度;bjl是该层神经元j的偏置;f（·）表示激活函数[12]。卷积层的前一层可以是初始图像，也可以是卷积层或者下采样层生成的特征图。卷积核与局部感受野进行点乘，然后求和加偏置，卷积核内部的参数可训练，偏置的初始值[13]为0。

卷积层的计算方法：假设有输入图像A（5，5）和卷积核B（3，3），那么B卷积A的结果就是B矩阵在A矩阵上滑动，即B矩阵与A矩阵所有连续的3×3子矩阵做“对应元素积之和”运算[14]，此时的结果如图1所示。

2.2 池化层

卷积神经网络的一个重要概念为池化层，池化层又叫下采样层，一般在卷积层之后。在下采样中，计算图像某区域特征值时，需要对该区域进行分析和统计，用新的特征来表达该区域的总体特征。这个区域为池化域，其过程为池化[13]，输入的特征图经过池化操作后，个数不变，边长变为之前的1/n（n为池化的尺寸）。池化层对输入做降采样，减少参数的数量，防止过拟合现象的发生。常用的池化做法是对每个滤波器的输出求最大值、平均值等。

2.2.1 池化层的前向传播

池化层的前向传播方法通常为最大值池化（max-pooling）和平均值池化（mean-pooling）。

最大值池化取池化域中的最大值作为下采样特征图的特征值。平均值池化是对池化域内所有值求和并取其平均值作为下采样特征图的特征值[15]。最大值池化（max-pooling）[16]如图2所示，选出每个区域中的最大值作为输出。平均值池化（mean-pooling）如图3所示，需计算每个区域的平均值作为输出[17]。

2.2.2 池化层的反向传播

在池化层进行反向传播时[18]，max-pooling和mean-pooling采用不同的方式[19]。

对于max-pooling，在前向计算时，选取每个2×2区域中的最大值，并记录最大值在每个小区域中的位置。在反向传播时，只有最大值对下一层有贡献，所以将残差传递到该最大值的位置[20]，区域内其他2×2-1=3个位置置零，其中4×4矩阵中非零的位置即为计算出来的每个小区域的最大值的位置，如图4所示。

对于mean-pooling，我们需要把残差平均分成2×2=4份，传递到前边小区域的4个单元即可，具体过程如图5所示。

3 人脸识别在开放机房中的应用

3.1 结构布局

因人脸识别[21]所具有的自然性、非强制性、非接触性特点，不易被复制，有着无法被替代的唯一性，相较其他生物识别技术而言，用户无需与设备直接接触，安全又卫生。

通过对全校在校学生信息的采集，基于卷积神经网络人脸识别模型的构建与人脸在线识别，识别正确者可以顺利进入系统，非在校生及其他人员无法随意进入系统，极大地保证了机房的系统安全、网络安全。人脸识别在开放机房的布局如图6所示。系统由中心服务器、人脸识别控制器、交换机、客户端（学生机）、摄像头组成。

3.2 工作原理

人脸识别技术是基于人的脸部特征，对输入的人脸图像进行判断。首先判断是否存在人脸，如果存在，则进一步给出每张脸主要面部器官的位置信息。并依据这些信息，进一步提取人脸中蕴涵的面部特征。如果是初次信息采集，则直接将结果存入人脸资料库;如果并非初次采集，则进行人脸识别，并将其与已知的人脸资料库中的图像进行对比，从而完成身份识别[22]。人脸识别在开放机房的工作原理如图7所示。

通过客户端进行在线人脸识别验证输入，验证输入数据通过内部局域网由用户管理服务器发送至构建有人脸识别模型的中心服务器，人脸识别结果通过内部局域网返回给用户管理服务器和各客户端。

（1）进行人脸图像采集，在中心服务器中建立学生人脸识别采集库。每一位学生在上机前，需在客户端（学生机）摄像头前获得输入图像。

（2）客户端把图像传到人脸识别控制器，对输入的人脸图像与服务器图片库中的图像进行比对，判断其是否存在。若身份识别通过，则客户端自动开机，进入操作系统;否则，无法开机进入操作系统。

3.3 网络结构

通过每个机房内的RG-S2952G千兆交换机把中心服务器、客户端、人脸识别机连接起来，再通过RG-S8610交换机的三层交换功能连接到校园网络路由器，经防火墙连接到Internet网络。机房内的千兆交换机保证了客户端与中心服务器之间进行数据传输的实时性，中心服务器通过防火墙的过滤，能够很大程度上保证中心服务器数据的安全。网络结构如图8所示。

3.4 识别过程

通过用户管理服务器录入学生个人信息并采集人脸样本后，对采集的人脸样本进行预处理，之后将人脸样本与学生个人信息相关联;用户管理服务器将关联后的学生个人信息与人脸样本发送至中心服务器;将人脸的特征与存储于人脸库中的人脸特征进行对比;当测试人脸的特征与存储于人脸库中的人脸特征间的相似度未达到指定阈值时，提示测试者对当前所给出的人脸库中最大相似度的人脸特征进行判断;若人脸库中最大相似度的人脸特征与测试人脸一致，则将定时器清零，计算机开启。系统流程如图9所示。

4 人脸识别在开放机房中的应用测试

4.1 人脸识别管理部门的添加

利用云服务器建立人脸识别数据库，进行管理部门添加，如图10所示。北京联合大学生物化学工程学院机房中心为该管理部门添加管理员和团队成员，如添加有误，可以删减修改，保证团队成员的正确性和完整性。

4.2 人臉录入管理

待管理部门成员信息添加完毕后，开始进行人脸图像采集，存入人脸录入管理库中。如果录入人脸图像有误，可以删减，保证人脸图像采集的正确性;及时更新人脸图像数据库，保证人脸图像采集库的有效性。北京联合大学生物化学工程学院机房中心人脸录入管理界面如图11所示。

4.3 人脸识别测试

通过添加学校2 016位在职学生和老师的基本信息，分别在白天和夜晚，日光、灯光两种不同的光照条件下，对503名常用机房的师生进行人脸图像库取样，然后分不同时段进行采样人脸识别测试，其中白天的测试中有500名学生一次性通过，有3名学生在第二次人脸识别时通过，一次性通过率达到99.4%;晚上在灯光下测试的学生中有494名学生一次性通过，通过率达到98.2%，有3名学生在第二次人脸识别时通过。卷积神经网络的人脸识别如图12所示，测试结果见表1所列。

4.4 人脸识别数据统计

利用人脸识别数据库中的数据进行统计。日统计，即对每日上机的学生总数进行统计;月统计，即对每月上机的学生总数进行统计。人脸识别数据统计如图13所示。系统也可以记录学生特定时间段的上机量，进而通过对学生在某个时间段上机量数据库的分析，精确统计人数，以便及时调整该时间段的机器数。

5 结 语

本文通过对卷积神经网络算法的人脸识别研究分析，并将此算法应用在开放机房的安全管理，设计开放机房应用的结构布局，分析工作原理、运行过程并进行人脸识别测试;通过测试，达到98.8%的人脸识别率，增加了开放机房的安全性;通过人脸识别数据管理，既能满足学生上机需求，提高资源利用率，同时又节省机房管理时间、提升管理效率。该系统具有很强的社会价值和推广意义。

注：本文通讯作者为王祥仲。

参考文献

[1]张静端.基于人脸识别技术的图书馆门禁系统的研究[J].现代电子技术，2016，39（18）：99-103.

[2]解骏.基于卷积神经网络的人脸识别研究[J].软件导刊，2018（17）：25-27.

[3]陈耀丹，王连明.基于卷积神经网络的人脸识别方法[J].东北师大学报（自然科学版），2016（2）：70-76.

[4] QUIONERO CANDELA J，SUGIYAMA M，SCHWAIGHOFER A，et al.Dataset Shift in Machine Learning [M]. Cambridge，USA：The MIT Press，2009.

[5]周飞燕.卷积神经网络研究综述[J].计算机学报，2017（6）：1233-1236.

[6] CHU J L，KRZYZAK A. Analysis of feature maps selection in supervised learning using convolutional neural networks[C]// Proceedings of the 27th Canadian Conference on Artificial Intelligence，Montreal，Canada，2014：59-70.

[7] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[8] GAO Ligang，CHEN Paiyu，YU Shimeng. Demonstration of convolution kernel operation on resistive cross-point array [J]. IEEE electron device letters，2016，37（7）：870-873.

[9]陈旭.卷积网络深度学习算法与实例[J].广东工业大学学报，2017（6）：20-26.

[10] HUBEL D H，WIESEL T N. Receptive fields，binocular interaction and functional architecture in the cats visual cortex [J].The journal of physiology，1962，160（1）：106-154.

[11] SYAFEEZA A R，KHALIL-HANI M，LIEW S S，et al. Convolutional neural network for face recognition with pose and Illumination Variation [J]. International journal of engineering & technology，2014，6（1）：44-57.

[12] NAIR V，HINTON G E，FARABET C. Rectified linear units improve restricted Boltzmann machines [C]// Proceedings of the 27th International Conference on Machine Learning. Haifa，Israel，2010：807-814.

[13]彭清.卷积神经网络在车辆识别中的应用[J].计算机科学与探索，2018（12）：282-291.

[14]卢宏涛.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理，2016（1）：1-17.

[15] BOUREAU Y L，ROUX N L，BACH F，et al. Ask the locals： Multi-way local pooling for image recognition [C]// Proceedings of the 2011 International Conference on Computer Vision. Barcelona，Spain，2011：2651-2658.

[16] ZEILER M D，FERGUS R. Stochastic pooling for 3557v1[Z].2013.

[17]景晨凱.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）：223-231.

[18] KRIZHEVSDY A，SUTSKEVER  HINTON G. Imagenet classification with deep convolutional neural networks [C]// Proceedings of the Advances in Neural Information Processing Systems. Lake Tahoe，USA，2012：1097-1105.

[19]李国和，乔英汉，吴卫江，等.深度学习及其在计算机视觉领域中应用[J].计算机应用研究，2019（12）：2.

[20] YOO H J. Deep convolution neural networks in computer vision： A review [J]. IEIE transactions on smart processing and computing，2015，4（1）：35-43.

[21]张富为.基于卷积神经网络的构件分类策略的研究[J].计算机工程与应用，2019，55（8）：201-207.

[22]杨巨成.基于深度学习的人脸识别方法研究综述[J].天津科技大学学报，2016（12）：1-10.

[23] LECUN Y，BOSER B DENKER J S，et al. Backpropagation applied to handwritten zip code recognition [J]. Neural computation，1989，11（4）：541-551.