基于深度学习的人脸识别技术发展现状分析

邓熠 毕磊 薛甜 范亚江 侯丹

摘 要：人脸识别是一项热门的计算机技术研究领域，同时也奠定了生物特征识别的研究方向。随着技术的进一步成熟和社会认同度的提高，越来越多的学者将基于神经网络的多种深度学习方法结合起来，但在人脸标志检测方面还存在精度问题，由此提出一种深度卷积神经网络的训练方法加以解决。深度学习以多层自编码神经网络的方式进行预训练，进而结合人脸面部信息进一步优化神经网络权值的深度置信网络（DBN）。文章基于深度学习人脸识别发展现状进行分析，目的是进一步提高人脸识别精度。

关键词：人脸识别;深度学习;深度算法;发展现状

1 背景介绍

大数据时代信息冗杂，爆炸式增长的数据产生了信息泄露等严峻问题，保密机制形同虚设，信息时代面临着前所未有的巨大挑战。生物特征识别技术的出现恰好可以有效解决此问题，这项技术具有不易伪造和唯一性，可以称之为“信息技术安全守护者”。人脸识别技术作为生物特征识别技术的核心技术之一，继承了其唯一性的特点，而且包含人脸的光学表示。目前人脸识别技术被广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域[1]。

2 深度学习

深度学习（Deep Learning，DL）是机器学习领域中的一个研究方向，是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前的相关技术。它可以经过层间的轮班训练和一般的微调迫使计算机进行自我学习，并且随着网络层的增加，学习能力逐渐被委托深入的学习理论，如对比度分集算法、背乘算法、时延神经网络等专家混合系统，对于人工智能的发展具有重要意义[2-3]。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。随着深度学习的发展，人脸识别技术更加成熟。

在人脸识别领域中，深度学习一共有以下几种典型应用[4-5]：

（1）基于卷积神经网络的人脸识别方法;

（2）深度非线性人脸形状提取方法;

（3）基于深度学习的人脸姿态鲁棒性建模;

（4）约束环境下的全自动人脸识别;

（5）基于深度学习的视频监控下的人脸识别;

（6）基于深度学习的低分辨率人脸识别和其他基于深度学习的人脸相关信息的识别。

卷积神经网络（Convolutional Neural Networks，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。基于卷积神经网络的人脸识别方法，是深度监督学习下的机器学习模型，它可以挖掘数据的局部特征，并提取全局特征，然后进行分类，其权值共享结构网络更类似于生物神经网络，被应用于模式识别的各个领域。

2.1  深度学习概述及发展

深度学习是神经网络的重要组成部分，有时也被称为深度神经学习或深度神经网络。

深度学习是由Hinton等人于2006年基于深度信网（DBN）提出的非监督贪心逐层训练算法。随着目标的正确识别逐渐成为人工智能的重要组成部分，基于深度学习的人脸识别目前也成了特征识别领域的研究热点。

2.2  人脸识别细分类的深度学习算法

脸部表达模型分为二维脸部和三维脸部，即2D和3D脸部。二维人脸识别的研究时间比较长，方法流程也比较成熟，应用于许多领域，但由于二维人脸识别信息存在深度数据丢失的缺陷，无法完全表达真实的人脸，因此在实际应用中存在着识别准确率低、活体检测率低等问题。

现在市场上的3D人脸识别根据使用相机成像原理主要分为：3D结构光、TOF、双目立体视觉。

2.3  人脸识别算法

最近的几年来，随着相关领域人员对人脸识别的研究不断深入，现有的人脸识别技术主要针对现实环境和现实应用场景进行识别，具体包括以下3个方面：

（1）人脸模型的设计，包括线性鉴别分析、线性建模方法、非线性建模方法和三维人脸识别[4]。

（2）新特征表征，包括局部描述和深入研究，部分说明和深度学习方法。

（3）新的数据源，包括视频人脸识别以及草图和近红外图像。

以下是较为经典的三大人脸识别的经典算法：

（1）Deep Face采用了一种基于监测点的人脸检测方法。脸部检测部分将首先选取6个基准点，2个眼心，1个鼻点，3个口点，然后利用SVR对LBP特征进行特征学习，获得标记点。

（2）Face Net是谷歌提议的网络结构，它可以灵活地使用22层 Zelier& Fergus的网络，也可以使用 inception网络，后者目前在物体识别方面比较有效。它的主要特点是利用3个单元之间的距离来构造损失函数。

（3）Center Loss不同于三元损失，中心损失并不直接优化距离，它保留了原来的分类模型，但是为每一类分别指定了一个分类中心。同一类图像对应的特征都应尽可能接近其各自类别的中心，不同类别的中心应尽可能远离。

3 人脸识别技术在深度学习中的广泛应用

在不久的將来，全国主流的人脸识别技术将以识别13亿人像为重点。可以预见的是，建立一个全国统一的人脸图像数据库，使存储在这个数据库中的数十亿张人脸图像的容量达到几十亿甚至几千亿张。此时，可以出现大量性能和关键功能相似的人脸。如果没有基于深度学习的人脸识别技术，就没有办法建立更加复杂多样的人脸模型，这就是为什么要实现准确快速的人脸识别会更加困难的原因。

4 未来的发展与问题

如今，基于深度学习的人脸识别技术已经取得了很大的阶段性成功;而且有着非常广阔和光明的前景和未来，它的发展空间非常的大，但随之而来也会产生相关如下的几个问题。

4.1 重心应该偏移至数据方面

基于深度学习的人脸识别技术的三要素—算法、硬件、数据，随着相關科技的不断发展和经济水平的提高，算法与硬件的技术障碍越来越小，但是数据之间的差异则显得越来越突出。对于人脸识别来说，把握数据入口，形成算法—产品—数据的闭环生态是算法在未来取胜的关键。与此同时，对海量数据的分析处理也将成为研究的重点。

4.2 发展终端和云端

目前，随着 GPU和各种深度学习芯片等人脸识别技术的发展，使设备的运算能力得到了很大的提高，同时随着手机、智能家居等设备的普及，前端和云端将更加智能化。

4.3 安全和隐私权

如今，数据正呈指数增长，数据安全和隐私问题也变得十分重要。而且脸部识别技术正好处在容易被不法分子利用的情况下，将面临照片、视频、面具等各种欺诈攻击，脸部特征在传输、存储过程中会受到黑客和其他犯罪嫌疑人的威胁，用户在享受深度学习带来的便利的同时，也非常关心自己的数据是否被盗用、传播等。对活体探测、隐私加密等问题应加强研究，防止不法分子利用漏洞来侵犯用户的权益以及隐私[6]。

4.4 兼容性

当前，随着深度学习相关人脸识别技术的不断发展，相关厂商也在不断增加，但用户往往需要根据自己的实际情况和需求来定制所需的人脸识别系统，但该系统所涉及的技术层面很多，从硬件到软件，都需要各大厂商的支持，因此需要考虑从底层到上层的界面开发及兼容性问题，以推动其发展。

5 结语

伴随着人工智能时代的不断发展，深度学习在模式识别中的应用不断深化，在网络复杂性方面，深度学习网络也需要简化算法以提高其效率。因此在网络功能方面，应探索深度学习与其他模式识别模型的结合，以不断扩展网络接口和功能。总之，深度学习将为包括人脸识别在内的模式识别应用打开新的局面。

[参考文献]

[1]刘卫凯，郝雅倩，郑晗，等.人脸识别综述[J].信息记录材料，2018（7）：13-14.

[2]夏志强.人脸识别综述[J].电子世界，2017（23）：44.

[3]徐晓艳.人脸识别技术综述[J].电子测试，2015（10）：885-894.

[4]党永成.人脸识别技术综述及分析[J].电子技术与软件工程，2018（3）：158.

[5]金连文，钟卓耀，杨钊，等.深度学习在手写汉字识别中的应用综述[J].自动化学报，2016（8）：1125-1141.

[6]赵鹏，王斐，刘慧婷，等.基于深度学习的手绘草图识别[J].工程科学与技术，2016（3）：94-99.

（编辑 傅金睿）