基于深度学习的人脸识别技术研究

基于深度学习的人脸识别技术研究

陈威龙  ,李积余 ,邱佳耀

广西大学电气工程学院  广西南宁市  530004

摘要:深度学习技术是信息技术高度发展的产物，同时也是当下的热门技术，该技术经过不断的发展完善，已经能在诸多领域发挥作用，在应用的过程中能够代替大量的重复性的人工操作，从而有效提升工作效率，并降低人力资源成本。目前来看，在深度学习领域，人脸识别技术较为成熟，且具有比较大的应用价值，目前基于深度学习的人脸识别技术已经在商务领域以及安保领域得到了广泛的应用，展现出了较大的应用价值。因此本文从深度学习技术的特点以及原理出发，探究深度学习技术在人脸识别方面的应用，希望该研究能够为深度学习技术与人脸识别技术的有机融合，提供一定的思路。

关键词:深度学习;人脸识别;应用

1.深度学习技术特点

神经网络是深度学习技术发展的重要基石，该技术通过计算机来模拟人体神经元的构造，实现多种非线性智能。深度学习（也称 Feature Learning)，是人工智能中最有前途的一个分支。在最近的几年里，表示学习是机器学习研究中发展最快、最受学术界关注的一个领域。在表达学习领域，将多个层次的非线性转换结合起来，从而获得更加抽象和高效的特征表达。目前，人工智能技术已经得到了广泛的应用，但其在特征工程中的应用模式还不够完善，其中最重要的工作就是要进行大量的人工操作，再加上一个可训练的分类系统。特征工程技术已被多种可训练的特征抽取方法所代替，其使用效率得到了极大的改善。而且，人工智能的目的是要使计算机能够了解我们周围的环境，而要做到这一点，必须要学会识别和识别隐藏在数据后面的各种因素。在深度学习技术中，一般的学习任务由三层网络构成，即输入层、输出层、中间层（隐性层），其中输入层负责线性地映射信息，而中间层则进行非线性转换，输出层则是线性叠加。但是，在实际应用中，由于参数过多、计算量大、梯度消失、梯度爆发等问题，不能实现稳定的收敛。深度学习中的多层次特征抽取结构使得它可以映射和简化学习信息，实现表达式学习，提高整个系统的性能。

2.深度学习技术原理

深度学习又称简化式学习，从其原理上来看，就是将复杂的计算任务分解成几个简单的学习任务，逐步地进行，从而使整个抽取的过程变得更容易。特别是在图象辨识方面，深度学习以单一的象素为基础进行辨识，再逐步升级为象素构成的线条、线条构成的网格、由网格组成的物体、由物体构成的影像，每次空间的增长都是由矢量的特性转换来实现的，而神经细胞也扮演着重要角色。以脸部辨识为例，系统使用象素所表达的影像做为其原始资料，在较低层级的学习中，主要对图像的边缘信息进行学习，例如由若干个象素所构成的线段。在中等级的学习中，则依靠低等级学习或获取的线段组合学习局部图像信息，而相关内容往往是构成图像的重要元素，而嘴巴、眼睛等;在高等级的学习中，会利用中等级学习所获得的局部图像信息，进行完整人脸图像信息的整合，通过判断不同图像要素之间的差异，来实现对人脸图像的识别与检测。

3.深度识别技术在人脸识别中的应用

3.1人脸侦测

人脸侦测是人脸识别的预处理阶段，在该阶段通过对图像中不相关的信息进行筛选，采用模板对比法，检查对比度、颜色等，利用深度学习方法进行人脸识别，具有较高的识别效率和较高的准确性。人脸的大小、轮廓、颜色灯都有很大的差别，采用深度学习的方法，能够保证较高的判别准确率。再人脸侦测的过程中首先会精确地定义人脸的边界，实现人脸图像的区域划分;其次，确定脸部的具体位置，对图像中的非面部信息进行筛除.最后，基于前面两个步骤，进一步加强对脸部区域的定位。

3.2构建样本数据库

在完成了预处理后，就需要进行人脸特征的提取，然后将人脸的特征与模型进行比较，得到与人脸特征相关的矢量和参数。在这个过程中需要尽量获得多维的资讯，排除噪音、表情变化、光线、背影等因素的干扰，提高识别准确率。在不影响信息熵的情况下，通过减小维数，可以得到高品质的综合矢量信息。然而，由于人脸矢量信息具有大量的冗余性，从而增加了辨识的工作量，降低了判别的效率，因此，在深度学习的过程中，可以利用模糊特征矢量来处理这类问题。基于大数据技术的深度学习技术，以及大量的数据资源，都是基于上述方法获取的人脸数据。数据库中往往会含有不相关的数据，这些数据会对系统的性能产生一定的影响，所以要对这些数据进行有效的处理。以 VGGface数据库为例，支持输入260个人脸样本，可以为用户提供高品质的数据。利用该技术可以获得海量的人脸样本，从而丰富了人脸库。

3.3深度学习提升识别效果

基于深度学习的人脸识别技术，使机器具备了与人相似的信息加工与辨识能力，并且这种能力可以持续增强。为了进一步提升人脸识别的效果，还可以应用特征抽取的方法，进行图像、图形的深度抽取，将高维的信息转化为低维的信息，并引入非面部特征的属性，在数据库中增加大量的数据，并根据线性判别对人脸进行分类和对比。具体而言，就是利用类比中的相似方差，将不同类型间的差异进行放大。深度学习技术可以有效地改善人脸的准确度，使人脸识别的效率大大提高，并可以根据不同的场景，使用多种算法进行图像的识别。在人脸识别中，利用计算机图像过滤软件对图像进行信息提取，并利用矢量信息建立矢量信息模型，在此基础上计算出特征矢量和特征值。通过对所获取的数据进行比对，识别出相应的目标，并充分考虑识别准确性的需求，对识别过程进行校正，通过多次、充分的识别，逐步提高识别准确率。

参考文献：

[1]邓熠，毕磊，薛甜，范亚江，侯丹.基于深度学习的人脸识别技术发展现状分析[J].无线互联科技，2021，18(19):71-72.

[2]王秋雨. 三维信息辅助的深度学习人脸识别[D].中国科学技术大学，2021.DOI:10.27517/d.cnki.gzkju.2021.001696.

[3]周立. 基于深度学习人脸识别算法的研究与实现[D].吉林大学，2020.DOI:10.27162/d.cnki.gjlin.2020.006484.

[4]姜健涛. 基于深度学习的人脸识别技术研究[D].哈尔滨工业大学，2019.DOI:10.27061/d.cnki.ghgdu.2019.001556.