关于人脸识别进入培训机构的探讨与应用＊

于传 唐毅 傅晓 徐华

（1.国网安徽省电力有限公司培训中心，安徽合肥 230000；2.安徽电气工程职业技术学院，安徽合肥 230000）

0 引言

在近几年的时间里，各类生物技术和科研开发都有了不错的发展，而对身份识别系统来说，在近几年来被广泛应用于人类的日常生活。早期我国的识别方法比较简单，例如个人密码、磁卡、智能卡等，这些安全性能太低，容易被伪造和窃取，个人信息私密性不容易得到保障。而人类本身身上就具有其他物体不能代替的特征，例如DNA、指纹、语音、人脸等，这类独有的特征再与计算机技术相结合，从而可以对人类身份的识别起到至关重要的作用。

人脸识别相对于传统的生物识别技术，它更加的方便和快捷，第一，人脸识别技术不需要外界帮助，其他的识别技术还需要人为配合，第二，在宣称监控的过程中也可以运用到人脸识别技术，而别的生物识别技术则无法做到，第三，对于现如今的第一、二代身份证而言，拥有最完善的数据库，在核查每个身份的时候就可以更加方便和直观，减少很多不必要的人工和时间浪费。

1 人脸识别技术的发展

1.1 人脸识别技术总结

早在我国的18世纪，生物识别技术部门的工作人员就分析过我国大部分人脸的基本特征，并且对人脸几何结构特征研究方法进行了实际行动证明，但是却并没有得到一个满意的结论。所以研究人员在研究和创新上面都努力做好创建和完善，在接下来的时间内就可以进行新型识别方法的使用。在人脸识别的技术方面，我国的研究人员也在不断地进行创新和实践，在研究中也取得了一定的成绩，人脸识别技术越来越清晰，而且在这个软件开发中更具有稳定性。在实用性方面，比如在非理想条件下的自然场景，进行后期的人脸识别处理，并且通过光照姿态、光照协防方面进行后期的识别。人脸识别技术的基础技术包括关键帧筛选和人脸识别技术。深度学习在传统神经网络架构上增加了池化层和卷积层，其中池化和卷积是对输入的数据集作非线性的特征提取操作[1]。深度学习主要对数据集进行无监督的特征提取并构建一个或多个具有一定深度的神经网络。

1.2 人脸识别常用方法

1.2.1 基于面部几何特征的方法

这个方法是最早的时候提出来的人脸识别方法，此类方法的基本特征是将人间面部特征作为人脸识别的主要基础[2]。针对人群的不同，面部特征不同的特点来提取面部的特征点：比如眉毛的形状不同采用不同的眉毛，对眼睛、鼻子、嘴巴等面部特点也是一样的方法。然后依次针对不同的特征情况进行几个距离的计算，将它们之间的距离、夹角等情况进行计算，然后最后选择合适的分类器进行分类，在测试方法的选择上，主要选择的就是基于面部特征的人脸识别技术。

1.2.2 基于特征脸的方法

特征脸方法主要是利用随机向量的方法，利用K-L变换得到正交K-L基，是一种人脸识别的描述型技术，随机向量一般作为包含人脸的区域看作随机向量，因此又被称为特征脸[3]。而合理的对这些基的组合计算，最后表达人脸图像，最后形成人脸识别的过程，在这个过程中，还需要注意的事项是在特征脸空间中的位置，要计算相似度（投影间图像的度量）这类方法是人脸识别技术中最常见的进行度量分类的方法。

1.2.3 神经网络法

基于神经网络的人脸识别方法主要的识别模式就是从学习能力和分类能力这两个方式出发，然后再运用神经网络来进行操作，但是在现如今的生活中，一般会采用自组织神经网络、径向基函数神经网络。他们这两类都是多层前向的网络体系，而且他们都是激励函数，是由于他们的基准为径向基函数，这类的方法由于他们的函数逼近、模式识别能力都远远高于BP神经网络，所以被人脸识别技术研究者广泛认可[4]。

2 人脸识别中常用数据库介绍

（1）英国ORL人脸数据库。英国ORL(OlivettiResearch L aboratory)人脸数据库主要的拍摄时间从1992年4月至1994年4月，主要针对的拍摄对象是一系列人脸图像，图像的背景都是清一色的黑色，然后每一幅原始图像的分辨率都为112×92，然后在灰度级别上面都是一样的，都为256，一共是由40个人的400幅灰度图像组成。在这些灰度图像中，每个人的面部特征都有不同的大小区别，有的图像睁着眼睛，有的闭着眼睛；有的戴着眼镜，有的没有戴眼镜；有的在哭，有的在笑……每幅图像的面部特征都有不同的差异。而在这接近400幅的图像中，在关于人脸识别的技术过程中，对于人脸部的尺寸也是会有一定的变化，一般会在10%左右的区间之内，英国的ORL人脸数据库截止到目前使用的人数最多，也是普遍得到大家认可的人间数据库。

（2）英国Manchester人脸数据库。在这个数据库中，主要的组成成分是30个人的690幅图像。针对不同的背景和光线情况，将其中的训练集和测试集区分开来。而针对每张图像的拍摄任人时间不同，图像的前后都会有一定的时间差异，一般情况不会超过3周。但是在这整个过程中，由于测试的时候光源都会有所影响，所以最后的结果也有会所不同，其中的难点还包括有一些人脸的相似度过高，差异也只是存在于发型和背景的不同，其中还有一些是因为有些图像的特征遮挡，如头发、黑眼镜、手臂等。

（3）美国FERET人脸数据库。美国FERET数据库比较特别，因为在这个数据库中，针对人脸识别技术的应用中是每个人有8张可选择的照片，分别是有3张从左到右角度不同的照片，两张正脸，还很一些是从不同的视点出发拍的不同角度的照片，都在此类的数据库中，截至2014年8月份，美国FERET人脸数据库已经储存了1199个人的14126幅图像，而且随着时间的推移，数量也在逐年增加。

3 人脸识别运用到培训时的实现过程

这个流程主要分为4个阶段：

（1）部署人脸图像采集环境；

（2）进行人脸检测/识别的数据获取分析、比对；

（3）课堂专注度的分析；

（4）导入课堂过程数据，形成课堂过程专注度分布分析。

4 人脸识别的优缺点

每个人都有自己独特的面部特征，但是却因为各种因素的影响，在人脸识别过程中受到一定限制，导致不能顺利地进行人脸检测，但是这类方法的研究还是备受社会各界研究学者的关注。不管是人脸识别中的哪一类，对于数据的准确性都有着较高的要求，为了确保方法的有效性和实用性，在取值方面最好不要存在偏差。

5 结语

改进光照因素影响的人脸识别在培训时的应用以及安全管理中的应用是一项系统工程，再加上人脸识别的应用，将其中的软硬件进行加工结合融入到互联网中，就可以在无干扰的情况下在课堂中采集学生的实时人脸图像，再利用统计学原理对人脸进行精准地识别判定，最终完成每个培训学员个体的专注度分析。重视并积极研究光照因素对整个人脸识别系统的影响，在一定程度上可以为培训中的管理以及安全方面提供有益的技术支撑，提高行业科技含量。