有关密集人群人脸检测的若干思考

山东外事职业大学 衣柳成

现阶段，人脸检测作为人脸识别的重要部分已日益成为一项专门的研究课题，逐步被业界所重视。安防监控的核心即为人脸图像识别，其特点是可以在密集人群中检测出人脸图像。如今，在密集人群的场合开展人脸图像识别一般会运用常用的CPU 芯片来对照人脸库中存储的全部图片，这样会大幅使用CPU 芯片的内部资源，减弱CPU 芯片的处理速度，也会对全面的人脸图像处理产生干扰。因此，要更多地探究密集人脸检测技术，作为后续研究的参考依据。

现如今，在电子信息及计算机科学等先进技术的快速发展环境下，计算机分析人脸成为一项重要的研究课题，人脸结构及细节方面的特点是人类身上重要且独特的生物特征，有效地分析其包含的众多信息，包括五官特点、性别、年龄、姿态、表情等，抓住这些信息数据来归纳不同的人脸属性。对于人脸地分析涉及到心理学、计算机视觉、人工智能以及人机交互等不同的技术及学科领域，也成为了计算机对人类重要的理解及提升认知的环节，对于人脸分析中开展特征提取及识别方式的更多开发，可进一步引导其他模式的分类，对不同的领域提供理论与实践方面的依据，对提升此类领域的不断发展也有着重要的意义。

1 人脸检测概述

1.1 人脸检测简介

目前，计算机的网络技术在持续发展，各界也提升了对模式识别及计算机视觉的重视。人脸识别也渐渐成为了目前不同领域内重要的研发项目，人脸识别的基本内容是人脸检测，其也是人脸识别中的重要项目。人脸检测是人脸识别的开端，与人脸识别密不可分，在人脸识别中作为最重要也最难完成的环节，其核心内容是判断人脸图像中的人脸数据。人脸检测对于计算机来说并不像人类分辨人脸那样简单，而是一个非常繁琐的过程。计算机进行人脸检测的最终目标就是降低计算量的同时要保持更高的准确率[1]。

对人脸检测的实际效果产生影响的因素包括:（1）人脸姿态。相机的成像位置会造成人脸中双眼未在同一水平线上，这会导致人脸检测时的面部姿态受到干扰。（2）遮盖物。单个或多个人脸图像可能会受到遮盖物或相互之间的遮挡，以及被其他背景遮挡等情况。（3）光照强度。人脸图像在拍摄过程中的不同光照强度会造成人脸图像灰度的不同，形成很大的局部对比度，导致人脸检测的真实效果受到干扰。（4）面部表情。人脸的表情会对人脸检测效果带来最直接的干扰。所以，目前的重点研究目标要从如何克服以上问题入手。

1.2 人脸检测主要任务

人脸检测作为一个系统的识别概念包括各类不同的信息，人脸的不同分析任务代表着检测角度的差异，比如，表情识别、年龄分析、性别判断、颜值吸引力判别等，现阶段的人脸检测基本都是单独的检测不同的分析任务[2]。

（1）表情识别。利用人脸的各种形态判断人的情绪及心理活动；（2）年龄分析:按照人脸的衰老状态、面部特点估算具体的年龄范围；（3）性别判断:计算机对人脸图像进行分析，判断其为男性或女性；（4）颜值及吸引力判别:这方面的分析需要事先设置标准脸。

人脸检测中有效捕获人脸的具体特征是开展人脸分析的重点，人脸特征地获取方式主要有两种，即人为构建和深度开展网络学习。人为构建的人脸特征会在指定的人脸分析任务中发挥很好的性能，但每种人脸的分析任务都要进行不同的特征设定，也无法达到获得其他更高语义属性的相关数据；深度学习的方式无需针对不同任务手动设计各类特征，但有很高的相关信息需求。虽然对于不同的人脸属性已具备相应的高精度属性识别算法，但这类算法只识别某个单一的特定任务，对其开展模型训练，对人脸的所有属性分析要整合每个单一的任务，不仅消耗时间及人力，同时任务模型只有单一的功能，结构参数庞大繁琐，可达几十兆至几百兆，在实际使用时，因移动平台内的硬件限制无法实现同时分析多个任务模型，因此，研究人脸分析算法时，在提升识别算法精准度的同时，更要注重实际应用中算法模型的大小及运算速度等方面的问题[3]。

2 人脸检测算法的发展现状

人脸检测算法是要精准定位图像中全部人脸的具体对应位置，输出的外接矩形是人脸图像所在的坐标及人脸姿态信息等。人脸虽有着不变的结构，但相同的人因呈现的姿态及表情的差异，在外观上也会有不同的体现，外加光照、遮挡、相机设置等因素的影响，造成了人脸极难被精准的检测到。

2.1 传统人脸检测算法的发展

在深度学习方式未引入人脸检测领域时，人脸检测算法的具体流程如下:采用无数人脸及非人脸的样本图像开展模型训练，获得分类器来处理二类分类的具体问题，这也就是通常所说的人脸检测模板。人脸检测模板只能输入特定尺寸的图片，并进行二类分类，也就是说，人脸检测模板只能判断是否为输入区域或是否为人脸。传统的人脸检测算法使用的即为此类分类器匹配技术，采用一个人脸检测图像模板匹配被检测图片的所有位置区域，来明确此区域内是否存在人脸，这就是初期的在具备上下文信息的高密度人群内开展人脸检测分析的人脸检测算法流程。在此之后，某些深入学习在应用于人脸检测的相关算法中涵盖了神经网络及支持向量机（SVM）等。以上均是在图像中的各个区域开展的二分类识别[4]。

2.2 基于深度学习的人脸检测算法的发展

以人工设计为基础的人脸特征不具备稳定性，设计出的特征很容易在光照条件、照相角度、人脸间的遮挡等不同的外界条件下受到相应的干扰，因此，在高密度人群的繁杂情境中，传统的人脸检测方式无法保障其性能，传统人脸的检测算法的应用方面也极大地受情境制约。由于传统的人脸检测算法在机器学习的基础上，其速度、性能、应用场景等方面都受到了制约，因此，需要其他性能更高的算法应用于复杂场景中，即深度学习方式地出现，极大地缓解了这种局面[5]。由于人脸检测有着重要的商业用途及研究价值，在深度学习基础上的人脸检测算法可作为目标检测算法及深度学习算法等研究的发展方向。深度卷积神经网络可以有效地学习图像目标的不同形态特征，是可以抵御各种复杂情况干扰的新型人脸检测方式。在二阶段人脸检测基础上的传统算法采用滑动窗口来直接获取候选区域，这种方式需要大量的计算，且无法实现动态检测效果；而一阶段具有更快的人脸检测算法效率。不管检测器是第一或第二阶段，大体也都是根据卷积神经网络的自身特征来设定。深度卷积神经网络（DCNN）在成功达成图像分类的难题后，运用其捕捉特征的方式大大超越了传统的机器学习检测结构的精准度，目前已具备了相应的检测精度及更高检测效率的算法，并被人脸检测的各个领域推广应用。

2.3 小人脸检测的发展现状

小目标检测在人脸检测领域中作为一直备受困扰的难题，其中的小人脸检测也是遗留的一项重要问题。由于小人脸具备的特征信息不多，且尺寸微小很难被检测到，且这类问题与主流算法的自身结构设定有着密切的关系，如深度卷积神经网络的重复采样造成了最终分数层上对应原图上区域的定位点超过小人脸尺寸。人脸检测器根据结合多尺度特征层，输入图像的金字塔以及空间的上下文等不同的信息来开展小人脸检测。预测过程中要运用不同的锚结构来对应不同放缩比例的输入图片，其中会得到锚结构更接近小人脸的尺寸，来帮助开展小人脸检测。

3 密集人群人脸检测的具体算法

动态人脸分析系统简化了之前的人脸属性算法，并在传统人脸检测算法优越的效率优势基础上，结合深度学习精准地对人脸属性进行检测的识别算法，提出深度学习识别算法的小网络模型来开展对人脸不同属性的判断，不仅保障了识别的准确度且大大提升了识别效率。人脸检测一般会运用以下的处理步骤:首先是人脸识别输入的采样图像，其次是大致定位人脸图像的具体五官位置，再按照五官的位置将人脸对齐给出标准人脸，最后在不同人脸属性特征的训练分类器内开展人脸属性识别。利用人脸检测捕捉人脸图像后同步开展定位人脸的关键点以及识别人脸属性，这样能促进模型的简单统一，且防止利用对齐人脸关键点（二维仿射变换）造成人脸失真，从而导致人脸属性缺乏识别的准确度。

3.1 五官定位和属性识别的算法

定位人脸关键点指的是对人脸的重要轮廓，如眼睛、鼻子、嘴巴等的定位，其宗旨是利用人脸关键点周围的数据及其相互间的关系来开展定位。人脸的属性识别即是对人脸属性的合理分类，一般分为两个步骤:获取人脸特征属性及训练属性的识别分类器。人脸具有不同的属性，各类人脸属性也具有各自的人脸特征及属性分类器，若需对多任务属性进行识别，用人为手段或单独种类的人脸特征或分类器则很难实现，但深度学习可有效处理这类问题。深度学习方式无需手动设定人脸特征，可通过海量的人脸数据智能地对人脸特征进行学习，且深度学习采用统一的框架，有效地整合特征提取及分类器训练等不同功能，同时运用此优势对各类属性任务开展训练，并有效完成训练任务，也就是说，其在定位人脸的关键点时，可同步识别人脸属性，通过关键点信息来促进对人脸属性地判断，再通过反馈的人脸属性信息来辅助定位人脸的关键点，这将得到更为精准的人脸关键点定位信息。

深度学习不仅在关键点定位方面得到普遍的应用，在目前也触及到了人脸属性的识别算法。进行人脸属性的识别任务时，对于吸引力、胖瘦、微笑、性别、年龄、是否佩戴眼镜等六种不同的分类任务进行判断、识别、检测等，开展深度的网络学习训练。在对以上六类属性开展分类的过程中，对其中每类任务开展逐一的训练可以发现，无论采取哪种网络训练方式，都只会捕捉眼镜和性别这两类属性，其他的微笑、胖瘦、吸引力、年龄等属性则无法捕捉，由此可以判断，需通过一个综合的网络训练来解决属性不复杂的二分类问题，而相对复杂且不清晰分类的属性任务则无法用一个深度网络学习到适用的模型；单一属性的训练失败后又进行了几类属性的集成任务训练，结果一样是在吸引力、年龄等属性任务的分类中没有获取更好的分类效果，原因可能为这一设计并未设置限制关键点的规范，而是直接开展通过人脸图像及属性标签的相关训练，简单的单个神经网络不足以捕捉对应的人脸属性特征。应重视人脸的关键点与其属性间的关系，在关键点开展检测任务的过程中提升重视人脸属性，创建多任务的深度学习网络，通过制约人脸关键点来提升精准识别人脸属性识别，并在单个网络开展检测人脸关键点的同时辅以人脸属性来提升检测的精准度。

深度网络的结构层次为由低到高，每个层次的输入都以非线性的形式展现，从低层的边缘、轮廓等信息的层次叠加，形成高层次的语义信息，多任务的深度网络允许不同数据源的同时输入，不同的数据源在共享数据的过程中开展子任务的模型训练，共享低层数据，具备共同属性的任务在共享中与相关信息建立连接，可显著降低计算量，并全面学习特征，由指定层为指定的任务创建指定的损失函数，来独自完成各自的任务，实现数据共享及指定多任务之间的全面统一。

3.2 密集人群人脸检测系统的实现

人脸检测系统共有摄像头、处理系统、显示屏三种硬件设施。摄像头利用数据传送接口将捕捉到的视频信息传送到处理系统，系统接收信息数据后开展检测分析，并将结果传送至显示屏。人脸分析的应用情境主要是人群状态分析，如在车站、景点及街道等相对事故高发、人群密集的区域内开展对人群的分析识别，对人群密度、性别分布及情绪状态等进行分析，预先防护，避免意外事件发生。人脸检测系统共有的功能主要如下:在捕捉到视频图像中的人脸信息以后上传至人脸检测模块；获得人脸区域后再传送至人脸关键点及属性模块；开展人脸关键点及属性的定位及识别；在嵌入式的开发板上实现系统操作，要先进行开发板的软件环境配置。

3.3 密集人群人脸检测的应用

在实际生活中人脸分析系统拥有更多的应用前景，在大型卖场及无人超市的应用中，利用人脸分析系统能够创建一类新型的营销情境，用户进店之后，人脸分析根据用户属性及其目前的情绪状况对用户开展精准有效的商品推荐；同时对用户喜好合理统计并进行产品定位，按各类商品的客流统计状况，判断用户中不同的年龄及性别人群的喜好，来提升助力产品定位。

4 结语

现如今，随着计算机视觉及人工智能的持续发展，人脸检测也在不断地进行深入研发，现阶段的研究重点是怎样迅速、精准地在复杂场景中分析动态人脸的多种形态，这也是当下的研发难点。目前正在采用更多更新的技术和方法来进行更深入的探索，以此来体现人脸检测技术对于人脸识别技术发展的促进作用。