基于深度学习的人脸识别技术及其应用场景探讨

刘秀丽，陈 锐

(山东华宇工学院，山东 德州 253000)

1 基于深度学习的人脸识别技术

1.1 深度学习

深度学习是通过模仿人脑神经网络建立的一种类似的学习策略，是一种由包含复杂结构或包含多重非线性变换构成的多个处理层对数据进行高层抽象的算法，通过从低层输入数据逐层向前推算，最终得到网络输出。深度学习模型见图1。

图1 深度学习模型图Fig.1 Deep learning model

目前公认的深度学习模型有卷积神经网络、递归神经网络、深度信念网络及堆叠自动编码器等。

1.2 人脸识别技术

人脸识别是采用摄像机采集有关人脸的图像或视频，可以自动检测和跟踪人脸，并对检测到的人脸进行自动识别。

1.2.1 传统人脸识别技术

最早应用的人脸识别技术是对人脸几何特征进行描述，每个人的眼睛、鼻子、嘴巴等大小和形状各不相同，所以几何特征描述可以很好地应用于人脸轮廓描述上。该方法计算比较简单，识别速度较快，但是当面容表情发生变化时，识别精度就会下降。对于局部特征的描述可选取局部细节特征进行识别，该方法简单，但是选取的特征具有局限性，识别误差大。LBP算法是实现特征提取的传统算法之一，是将图像划分成多个很小的区域，将每个区域中的像素与四周的相邻区域像素进行对比，若周围像素值大于中心像素值，则在空字节字符串标记为“1”，小于则标记为“0”，这样3×3邻域内就可以得到8位的二进制数及区域的直方图。直方图可以用以下公式表示：

其中f(X,Y)为图像区域，n代表区域数量，通过对直方图进行计算可以得到整个图像的特征向量。该算法的缺点是在平面图像区域上不具有鲁棒性，强度差异幅度小，且容易受到图像噪声的影响。

1.2.2 基于深度学习的人脸识别技术

基于深度学习建立的人脸识别技术主要包括人脸检测、人脸对齐、人脸验证和人脸识别等步骤，见图2。

图2 人脸识别步骤流程图Fig.2 Process of face recognition

人脸检测。通过摄像头对某一场景进行拍摄或直接选取一张照片，对视频或照片进行检测，自动识别其中存在的每一个人脸。基于深度学习创建的多类目标检测可以有效进行人脸检测，具体的检测方法包括以Faster-RCNN为代表的基于Region Proposal的目标检测算法、以YOLO、SSD为代表的基于回归的深度学习目标检测算法。对图像中的人脸进行检测机算，如果存在人脸，确定其所处位置之后，将人脸和背景进行分离，有效降低图像噪声对人脸识别的干扰，进一步提高人脸辨识的准确性。

人脸对齐。它是对人的面部特征进行提取，常用的特征提取算法是MTCNN，可以同时实现检测和对齐，该种算法可以很好地克服由于姿势、亮度及遮挡等原因造成的人脸对齐困难问题，有效地排除干扰因素，提取人脸特征。MTCNN是多任务卷积神经网络的缩写，主要包括PNet、RNet、和ONet三层网络结构，它的实现流程是构建图像金字塔，将图像进行不同尺度的变化，保证不同大小人脸都可以进行检测；根据构建完成图像金字塔，在PNet构造中使用FCN进行初步的特征提取并标定图像的边框，再进行窗口调整及过滤大部分的窗口；图片经过PNet处理后，留下许多预测窗口，RNet会根据留下的预测窗口进行过滤，除去效果较差的候选框，留下的候选框会进一步优化预测结果；ONet通过更多的监督识别面部区域，回归面部特征点，得到最终的面部特征点，MTCNN各层效果图见图3。

图3 MTCNN算法各层效果图Fig.3 Effect sketch of MTCNN arithmetic of all layers

人脸验证。人脸验证通常是指进行1∶1的比对，即对比两个图像中的人物是否为同一人。通过对两张图像中人脸特征进行对比，确定相似度，与设定的阈值进行对比验证，如果相似度大于阈值则认为为同一人，若相似度小于阈值则认为不是同一人。

人脸识别。人脸识别是做1∶N的比对，从众多人脸中提取出指定的人脸，可广泛应用于疑犯追踪、小区门禁等地方。基于深度学习建立的人脸识别，必须建立数量庞大的人脸数据库，储存不同的人脸和身份信息，在使用时可以迅速匹配人脸信息和身份信息。

2 基于深度学习的人脸识别技术的应用

2.1 铁路乘车实名制中的应用

目前，铁道部门采用实名制验证检票进站系统，95%以上采用二代居民身份证来核验乘客信息，但由于身份证照片年限较长，出现了与人脸信息无法核对一致的问题，耗时耗力，给乘车核验带来了一定的难度，由此引进了人脸识别技术。

采用人脸识别技术建立的验证检票系统。乘客采

用自助进站闸机自动检票，乘客手持身份证及纸质车票在自动验证检票机上识别身份信息，先进行车票和身份证的一致性核验，通过后进入人脸和身份证信息的识别核验，通过人脸识别采集设备采集人脸照片，与身份证进行信息对比，当身份证与人脸匹配度大于设定的阈值时，表示通过核验，进站闸机开门，乘客可以进站。如果出现自助核验不通过的情况，乘客需要等待人工核验，人工核验则是由服务器将乘客身份证信息和人脸采集设备抓拍的3张照片显示出来，工作人员人工核验身份信息，通过则开启闸机。

2.2 智慧安防中的应用

人脸识别技术由于具有非接触性、直观性、识别速度快及不易察觉等优点，被广泛应用于社会治安防控中。

在监狱管理中应用人脸识别技术，需要对监狱罪犯进行人脸采集，并上传相应的身份信息和犯罪信息，建立人脸数据库，在每个AB门及所有建筑出入口安装配套的人脸识别设备和摄像头，24 h不间断地对进出人员进行人脸采集识别，由专人负责视频监控及人脸识别信息分析。通过建立完善的人脸识别系统，可以解决监狱管理中的许多问题。

犯人异常行为追踪。当劳动收班或结束自由活动后，如果有人进入相应的活动场所并长时间滞留徘徊，人脸识别系统就会进行人脸收集，与人脸数据库进行人员比对，确定该人员是否是犯人，如果是则发出警报，提醒狱警及时查看罪犯出现在活动场所的原因，防止有罪犯勘察监狱地形结构发生越狱行为。部分罪犯性格比较乖张暴戾，常常会发生打架斗殴事件，当出现这一行为时，人脸识别系统将直接采集打架斗殴人员的信息并发出警报，及时通知狱警出警，遏制斗殴事件的发生，防止事态进一步恶化。

重点人员重点监管。人脸监控系统可以对重刑犯进行重点监控，实时查看他们的活动状态，当出现异常活动状态时，及时进行干预。当有外协人员进入监狱时，通过人脸采集，定位追踪外协人员是否按照规定路线和规定时间办事。

3 结语

介绍了传统人脸识别技术和基于深度学习的人脸识别技术，展现了深度学习算法的优势。基于深度学习建立的人脸识别技术，可以快速进行海量人脸数据识别，降低了背景噪音的影响，极大提高了识别精准率，随着人脸识别技术的日益成熟，将给人们生活带来更多便利。