基于人脸识别的图像分类系统方案探讨

金丽丽

摘 要：随着计算机技术和信息技术的发展，人脸检测与识别技术的研究已经越来越成熟，但目前人脸识别的应用还是集中在门禁系统和防盗系统方面，在人们生活中的应用还不够广泛。文章综述国内外研究现状，基于深度学习的人脸识别方法表现最为优异，设计了一种基于深度学习人脸识别的图像分类系统方案，旨在解决人们电脑或手机中存储的大量图片分类不方便的问题。

关键词：人脸识别;深度学习;图像分类

0 引言

随着人们生活水平的提高和信息技术的不断发展，拍照已经成为人们工作、学习以及日常生活中必不可少的一部分，但随着照片越拍越多，手机或电脑中存储了大量的照片，当人们想要使用或查找某一类照片时就非常不方便，而图像分类系统正是一个很好的解决方案。图像分类在日常生活中的应用非常广泛，例如各类购物软件上的拍照购服务，各种搜索引擎中的图片搜索服务，停车场使用的车牌识别技术以及智能门锁、火车站闸机等使用的人脸识别技术等，都与图像分类有着密切联系。随着人工智能技术的崛起，作为人工智能领域重要的一环，图像分类在未来必将有着更广阔的发展前景。

目前，人脸识别技术的研究与发展已经较为成熟，人脸识别也成了近30年来模式识别和图像处理中最为热门的研究课题之一。但目前人脸识别的应用大多是在门禁系统和防盗系统等领域，在人们贴身生活中的应用还不多[1]。本文所研究的课题旨在解决生活中最常见的问题，提出一种基于人脸识别的图像分类系统方案，将手机或电脑中大量的照片高效率地分类管理。

1    图像分类方法

传统的图像分类方法大多数是基于图像特征的分类，就是利用图像处理算法来提取经过人工设计的一些定量或定性表达的特征，然后对这些图像特征进行数学统计分析或通过分类器运算得出分类结果。所提取的图像特征主要有图像的颜色、形状和纹理等底层视觉特征，以及方向梯度直方图、局部二值模式和尺度不变特征变换等局部不变性特征，而这些人工设计特征的泛化性能并不好，且过于依赖设计者的先进知识和对分类任务的理解[2]。目前，海量、高维度的数据也使得人工设计特征的难度大大增加。

目前，新兴的图像分类方法是基于深度学习的图像分类，与传统图像分类方法相比，基于深度学习的图像分类方法不需要去人工设计图像特征，而是通过神经网络自主地从训练样本中学习图像特征，从而提取出抽象的、高维度的特征，且这些特征和分类器紧密相连，很好地解决了传统图像分类中关于人工提取特征和分类器选择的问题[3]。由于深度学习的图像分类方法可以通过深层架构自主学习更多高维、抽象层次的数据特征，因此，基于深度学习的图像分类比传统图像分类方法的分类效果要好很多。

2    人脸识别技术

传统的人脸识别方法中早期采用的是基于几何特征的识别方法，这种方法主要是使用专用仪器来找出一组人脸图像的面部特征点，然后去测量这些特征点之间的相对位置和欧氏距离，从而得到人脸特征的矢量，这种方法比较简单，但识别精度较低[4]。后来，基于特征脸的识别方法和基于特征方法的识别方法相继问世。

基于特征脸的识别方法是一種基于主成分分析的方法。所谓特征脸就是将人脸图像的统计特性进行正交变换，消除原有向量分量之间的相关性，得出一组特征向量，这组特征向量就叫特征脸。这是一种基于变换系数特征的算法，这种方法比较简单实用，识别速度也比较快，但容易受到图像拍摄角度、光照以及面部表情的影响，识别效果也跟训练集和测试集之间的相关性有很大的关系，因此局限性非常大。

基于特征方法的识别方法是将人脸图像划分成不同的区域来提取人脸局部特征的方法，这种方法比提取人脸整体特征的方法鲁棒性更好，也不容易受到图像拍摄角度、光照、面部遮挡、面部表情等的影响，但这种方法由于将人脸图像划分了多个分区，每个分区都需要进行特征提取，因此需要检测的人脸图像数据的存储量和算法的计算量都比较大，识别速度较慢，消耗的资源也较多[5]。

目前，新兴的人脸识别检测方法是基于深度学习的识别方法，这种方法利用大量的人脸图像数据来进行训练，通过在训练集中的自主学习来得到不同类型的类内差异，如光照、面部遮挡、面部表情等，数据集越丰富，如果能包含人脸识别中遇到的各种情况，那么系统通过自主学习就能克服各种困难所带来的影响，识别的效果就更好。基于深度学习的人脸识别中方法中最常用的是卷积神经网络，这种方法不像传统的人脸识别一样需要去设计针对图像的特定特征，且提取到的人脸特征对光照、面部表情和局部遮挡等都具有很好的鲁棒性，因此基于深度学习的人脸识别比传统的人脸识别方法效果更突出。

3    图像分类系统设计方案

3.1  系统结构

本系统由用户操作模块、人脸识别检测模块和图片分类归档模块3个部分组成。其中用户操作模块为系统的人机交互部分，用户可进行添加样本、删除样本、选择目标路径及选择输出路径等操作。而人脸识别检测模块和图片分类归档模块为系统的数据处理部分，根据用户提供的样本对一个目录下的多张图片通过人脸识别技术进行分类归档，分类方式为根据人脸识别结果，将图片分为单人照、2人照、3人照、多人照及其他照片，并另存到相对应的路径下，其中单人照、2人照、3人照、多人照这4个路径存储的都是与样本相关的照片，而其他照片路径存储的是与样本无关的照片。

3.2  系统设计

添加样本：用户选择一张图片作为分类样本，系统将根据样本中的人脸数据对目标图片进行分类。

删除样本：删除用户已选择的样本图片，等待用户重新选择样本。

选择目标路径：用户选择待分类的图片路径，系统会将该路径下所有图片进行分类归档。

选择输出路径：用户选择图片分类归档的路径，系统会在该路径下新建单人照、2人照、3人照、多人照及其他图片等文件夹，然后将分类后的图片存入各自对应的文件夹。

人脸识别检测模块：识别样本和目标图片中的人脸，然后进行判断，并对目标图片进行标记。

图片分类归档模块：根据目标图片的标记值将目标图片进行分类归档，将标记值为1的图片存入单人照路径下，标记值为2的图片存入2人照路径下，标记值为3的图片存入3人照路径下，标记值为4的图片存入多人照路径下，标记值为5的图片存入其他照片路径下。系统设计流程如图1所示。

4    结语

本文主要针对人们电脑和手机中存储的大量图片自动分类管理困难的问题，探讨一种基于人脸识别的图像分类系统方案，利用基于深度学习的人脸识别技术，提取图像中的人脸特征，通过与样本图片的人脸特征数据对比，得出目标图片与样本图片之间的相似度，从而实现图片的自动分类管理。

[参考文献]

[1]贾宁，高楠，力贵才，等.基于OpenCV的图像分类软件的设计与实现[J].计算机科学，2014（S2）：150-153.

[2]苏赋，吕沁，罗仁泽.基于深度学习的图像分类研究综述[J].电信科学，2019（11）：58-74.

[3]刘洋.从图片验证看图像分类的研究现状[J].通讯世界，2019（1）：186-187.

[4]蒋阿娟，张文娟.人脸识别综述[J].电脑知识与技术，2019（2）：173-174，190.

[5]李霖潮.浅析人脸识别技术的发展[J].新型工业化，2020（3）：129-133.

（编辑 姚 鑫）