基于深度学习的人脸识别技术研究

王艳平 芦欣 赵宇丹

当前，人脸识别主要被广泛使用在通行、公安司法、自助服务和安防等领域，有着良好的应用前景。本文介绍了基于深度学习的人脸识别技术和研究经验。

在如今的许多领域，密码、虹膜、指纹和ID卡等已成为鉴别身份的重要方式，但其存在着遗失和泄漏风险高、损坏几率大以及容易造假等不足之处。利用生物识别技术，可以解决相关问题，有安全、方便、可靠、稳定等优点。

关于人脸的侦测

过滤图像中的无关信息，使用模版对比的方式，核对对比度和色泽信息，基于深度学习的人脸识别技术有着识别率高和耗时少的特点。人脸的大小、方向和颜色存在差异，利用深度学习技术，可以使判断的正确率达到标准要求。首先，准确界定人脸图像的边缘区域，可以对人脸画面区域进行分类；其次，明确人脸的具体位置，过滤画面中的非人脸区域；最后，在前2步的基础上深化，让人脸区域定位更加准确。

建构样本数据库

在结束预处理之后，需要提取人脸图像的特征，对比人脸特征和模型，获取关于人脸特征的向量和参数。尽可能获取多个维度的信息，排除噪声干扰、表情变化干扰、光线以及背影干扰，提升准确率。在不改变信息熵的前提下，把维度降低，可以获得高质量合成向量信息。但是这种向量中存在较多的冗余信息，会提升识别负担，进而影响判断效率，可以在应用深度学习技术时，采用稀释特征向量的方法来解决这些问题。

通过以上方式获得的人脸数据需要储存在样本数据库中，深度学习技术的基础是云计算技术和海量数据资源。在数据库中，必然包含影响系统运行效率的无关数据，因此需要采用有效方法剔除无效数据。通过规范数据库中的样本数据，能构建高质量数据库，例如，VGG face数据库录入了260个人脸样本，能提供高质量的人脸识别数据服务。采用网络爬虫技术也能获取大量的人脸样本，使人脸数据库更加丰富。

基于深度学习提升识别效果

基于深度学习的人脸识别技术，让设备有了类似于人类的信息处理和识别功能，而且这种功能可以不断强化。利用特征提取技术，可以实现深度学习提取图像和图形中的信息，把高维度信息转变为低维度信息，提出不涉及人脸特征的属性，丰富数据库的数据，通过线形判断来类比和识别人脸。具体来说，就是借助类比数据库内部的同类方差，放大类别之间的方差。深度学习技术能够显著提高人脸识别的精准度，让人脸识别更加高效，可针对不同的应用场合，采用多元化算法来识别图像。

在人脸识别过程中，图像信息是用计算机图像滤波软件进行信息采集，然后形成向量信息模型，使用人脸识别算法计算特征向量和特征值。在数据库中对比采集到的图像信息，利用匹配的数据相似度识别出特征目标，结合识别的精确度，可以修正识别过程，这就是人脸识别技术的学习过程，通过多次、充分识别，使得人脸识别的精度逐渐提高。

基于深度学习的人脸识别技术发展方向

随着云技术、信息技术和大数据技术的普及与发展，人脸识别技术获得了更多的技术支持，其技术不断完善并趋于成熟。在市場需求显著提升的背景下，人脸识别技术应用会越来越多，不仅可以在传统的金融领域应用，也可以在职业和教育领域广泛应用，应用的深度与广度也会快速提升。随着深度学习算法的不断发展和完善，可以实现真正意义上的无卡支付、无卡乘车等。深度学习算法的革新，将会极大促进智慧酒店、智慧家居和智慧城市等行业的发展。此外，基于深度学习的人脸识别技术也能助力公安户籍数据库的建立，显著提升当前人口管理信息化的水平。

人脸识别技术已经获得了广泛推广，当前的人脸识别技术在动态捕捉、精准度等方面还有待提升，这是基于深度学习的人脸识别技术未来的发展方向。想要解决当前存在的问题，还需要加强对深度学习算法的优化，不断突破和创新，加强对于人脸识别技术的研究和支持力度。