基于深度学习—DCNN的人脸图像识别技术应用研究

王 杰

（新乡医学院三全学院，河南 新乡 453000）

0 引言

随着人工智能相关研究的广泛应用及技术的快速发展，属于人工智能架构中的技术应用层，处于人工智能发展阶段中的感知智能阶段的图像识别技术同样得到广泛发展，其中的人脸识别区别与生物特征识别技术被广泛应用于各个领域中。

生物特征识别是利用计算机技术，通过采集人类的生物特征样本信息进行人物的身份信息识别，涉及的内容相对广泛。其中，人的生物特征是人体各个器官部位的综合体征，包括脸部特征、掌纹、动作、体形、虹膜、指纹、指静脉、声纹、步态等多种生物特征，其识别过程涉及图像处理、机器学习、计算机视觉、语音识别等多项技术。

不同于指纹、掌纹、虹膜等其他生物特征识别，人脸识别技术具有直观、非接触性、方便采集、交互性强、可扩展性等优点，成为大数据背景下的生物特征识别中的典型研究领域。在计算机技术的支持下，生物特征被采集整理，并利用深度学习框架包含的算法得出个人独有特征，以便于进行身份识别。

由于人脸面部的不同角度、表情以及环境条件，比如光线、角度、分辨率等外界环境因素，在识别率和误差率两方面容易受多维度因素影响，进而造成人脸识别的研究结果存在误差。鉴于此情况，本文阐述了深度学习理论、卷积神经网络、基于深度学习的人脸识别及深度学习在人脸图像识别技术中的应用，分析了基于深度学习的深度卷积神经网络的人脸识别技术应用技术路线，并对未来的应用发展进行展望。

1 基于深度学习的人脸识别技术

1.1 深度学习

深度学习是机器学习领域中一个新的研究方向，通过在多层神经网络上运用机器学习算法对数据进行表征学习的方法，从而实现数据挖掘、计算机视觉、语音识别、自然语言处理等任务的算法集合。人工智能是使机器展现出人类的智力，机器学习是达到人工智能目标的一条路径，而深度学习则是实现机器学习的一种技术。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，使其模仿人脑的机制来解释数据，如图像，声音和文本等。

多层神经网络的步骤是由特征映射到值，其中的特征是人工挑选得到的，而深度学习的步骤则是信号—特征—值，其中对应的特征是由网络所选择的。深度则体现在能对特征进行多次变换操作，深度的特有操作以及其在各领域的迅速发展，使得相关领域的研究学者在研究和应用中能够从样本中无监督地学习到更能体现数据的本来特征。

1.2 卷积神经网络

深度学习的核心是特征学习，是一个框架，其中包含多个重要的算法：卷积神经网络（CNN）是一类包含卷积计算并且具有深度结构的前馈神经网络（FNN）。随着深度学习在理论知识和实践应用领域的不断深入研究并且迅速发展，相继提出了多种卷积神经网络模型，比如AlexNet、VGGNet、GoogleNet、ResNet等。以AlexNet模型为例，AlexNet的隐含层可以由5个卷积层、3个池化层和3个全连接层组成。人工智能机器学习中非常重要的一个算法——深度学习算法，而深度学习最擅长的能力之一就是分类图像，目前深度学习算法对图像的分类及对图像进行识别的准确率相对较高。

为了有效地解决过拟合问题，对不同的位置区域提取出具有代表性的特征（进行聚合统计，如最大值、平均值等），这种聚合的操作称为池化（Pooling），将输入图像缩小，减少图像像素信息，只保留重要信息，但是特征的统计属性仍可以描述图像。由于降低了数据维度，可以有效地避免过拟合，而池化的过程一般被称为特征映射的过程，即特征降维。

1.3 基于深度学习的人脸识别

人脸识别是运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。人脸识别具有采集方便、非接触、并发及符合人的特点等特征，这也是其所体现的价值。基于深度学习建立的人脸识别技术主要包括两方面内容，分别是人脸辨识和人脸检验，目标是使计算机和人一样可以识别人，并且在某些方面更灵活、更便捷。

在人脸检验过程中的主要操作是判定是否存在人脸、图像是否是人脸、人脸面部五官所在的位置等，即进行1对1的比对操作，对比当前所示图像中的人物是否是同一人，其中检测是否存在人脸时，需要将区域内人脸图像裁剪出来；而人脸辨识则是判定区域内人脸图像的身份，但前提是并不知道人脸图像的身份，否则在识别可信度上存在片面性。因此人脸识别过程的操作是从大量人脸图像中提取出指定的人脸，进行1对多的比对操作。基于深度学习的深度卷积神经网络建立的人脸识别，必须构建数量大的图像数据库，存储采集到的不同的图像和人物身份信息，应用在各领域时可以提升识别图像人脸信息和人物身份信息速度。

深度卷积神经网络通过大量的数据训练具有很好的自学习能力，不需要严格选择特征，只需要引导学习来达到预期的目的，因此逐渐被广泛地应用于图像预处理领域。通过分析和研究现阶段人脸识别技术在多个领域的应用研究成果，研究基于深度学习的人脸识别算法，算法流程主要包含组合特征构建和组合特征训练两部分。随着基于深度学习的人脸识别算法的误差率不断降低，人脸识别技术被应用于金融行业、社保行业、教育行业、交通行业等各个与人类生活相关的方面，“刷脸”身份认证、“刷脸”支付、甚至“刷脸”进站等现象的出现，表明无论是在学术研究还是应用领域，人脸识别技术均有一定成果。

2 深度学习在人脸图像识别技术中的应用

人脸图像识别的应用已成为时下的热点研究内容，而本文的主要研究内容就是分析深度学习在人脸图像识别技术中的应用，因此本研究主要包含三个模块：图像识别、图像处理以及深度学习模型训练，技术路线图如图1所示。

图1 技术路线图

2.1 图像识别模块

图像识别利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。首先通过图像采集器、摄像头及数据转换卡等外部设备将光信号、模拟信号等物理信息转化成数字图像；其次进行图像预处理操作，包括图像去噪、增强、分割、重建等，具体的算法及相关技术主要包括灰度化、直方图均衡化、形态学处理、各向异性扩散等；最后是图像特征提取，而特征提取则是决定辨别结果的主要因素，其中常用的特征包括形状、颜色及纹理等，目标图像的重要特征是特征中的纹理，可以认为是颜色或灰度在空间分布的规律所形成的图案。

现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人销售货架、智能零售柜等零售领域。

2.2 图像处理模块

图像处理即检测和捕捉图像、人脸图像五官关键点的定位（用矩形框选中标注）、人脸特征提取操作。该模块主要涉及光线、图像等多方面的处理，包含光线补偿、图像灰度化、高斯平滑、图像对比度增强等操作。图像预处理模块在整个应用中有相对关键的作用，图像处理过程及结果质量的高低将影响实证验证的可行性分析。

人脸图像检测以Adaboost算法为例，通过调整人脸图像样本所占权重和弱分类器的权值，从训练出的弱分类器中筛选出权值系数最小的弱分类器并组合成一个最终强分类器。首先，分类正确率高的学习器权重较高，分类正确率低的学习器权重较低；其次，对图像进行归一化、去噪等图像处理操作，提取图像特征，构建DCNN模型；最后将以上图像信息进行人脸图像信息管理操作，即建立数据库管理系统并将图像信息进行存储。

2.3 深度学习模型训练模块

深度学习模型训练选择精确度相对较高的模型，设置对应的优化算法及参数进行训练得到可用的模型，需要大量的实验并根据结果不断对模型的参数进行调整，为提高人脸图像识别的精确度和提升识别效率起到关键性的作用。在隐私安全方面，随着深度学习及其模型和算法在人脸识别中的应用，人脸识别技术应用覆盖领域逐渐广泛，造成隐私安全问题，各类终端设备采集的人脸图像数据的存储、利益驱使收集人脸图像等问题，同样是需要关注的热点。因此，相关领域的研究学者针对隐私保护提出了方法，避免技术被滥用。

3 结语

随着深度学习的不断发展，算法和模型的广泛应用，人脸识别技术的应用已成为时下的研究热点。目前，在解决各类复杂因素下的人脸识别问题时，传统的人脸识别技术，实际应用面临很多方面的挑战。随着深度学习的发展和广泛应用，人脸识别研究有了相对较大的成果，构建深度学习的各类算法或模型，结合其特点，在自适应性、精准性以及速度等多方面得到很大提升。总体而言，结合深度卷积神经网络模型，运用人脸识别技术，完成人脸图像的有效辨别，最后实现识别功能，有效提高识别准确度、人脸识别率，从而为各应用领域提供科学而准确的量化依据。

基于深度学习—DCNN的人脸识别技术的不断发展，在图像样本数量增加的情况下，为了更好地解决问题，国家相关法律法规也在不断完善，技术的合理化应用，如安防人脸辨识和检验、各类场所的实时监控等领域对人脸识别技术的精确性要求更高，人脸图像在面部表情、姿势、光照、遮挡等外界环境下改进算法，降低人脸图像识别的误差率，进一步提高人脸识别的效率。大数据时代，为了适应当前的发展，对数据库资源要求也相应提高，因此将面临相对较大的挑战性，而基于深度学习的人脸识别技术与其他技术结合使用，可更好推动人工智能在各个领域应用的发展。