基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別檢測分析
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對面交流
海量資料庫查詢
基金項目：河南省高等學(xué)校青年骨干教師培養(yǎng)計劃，項目編號：2021GGJS190
本文引用地址：http://m.butianyuan.cn/article/202308/449818.htm0 引言
人臉識別技術(shù)的關(guān)鍵就在于人臉檢測，作為重要研究方向廣泛應(yīng)用于模式識別和計算機識別領(lǐng)域[1]。人工設(shè)計特征作為傳統(tǒng)人臉檢測方法的重要監(jiān)測依據(jù)。目前由于人臉檢測算法表現(xiàn)出較高的檢測精度，因而應(yīng)用于多個領(lǐng)域[2]。人臉檢測算法結(jié)合深度學(xué)習(xí)在卷積神經(jīng)網(wǎng)絡(luò)得到廣泛應(yīng)用下逐漸獲取進一步發(fā)展，早已作為主流研究方法應(yīng)用于各領(lǐng)域，檢測準(zhǔn)確率高于傳統(tǒng)方法，超過95%[3]，拓展人臉識別研究具有重要的意義。
近年，人臉識別技術(shù)早已被Facebook、Google、商湯科技、曠世科技應(yīng)用融入到各個領(lǐng)域，尤其是在卷積神經(jīng)網(wǎng)絡(luò)不斷持續(xù)進步發(fā)展的趨勢[4]。很多挑戰(zhàn)和問題在實際應(yīng)用環(huán)節(jié)始終存在。盡管從識別準(zhǔn)確度來看，在LFW 數(shù)據(jù)集中應(yīng)用多種方式均可獲取較佳結(jié)果，人眼識別能力也得到顯著提升，然而必須要選取大量訓(xùn)練樣本訓(xùn)練各深度模型，倘若研究機構(gòu)場所小型化或?qū)儆诟咝?，實現(xiàn)相對較為困難[5]。所以目前亟需解決的主要問題就在于怎樣訓(xùn)練可滿足人臉匹配要求和快速區(qū)別人臉特征的性能佳且結(jié)構(gòu)簡單[6]。本文應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)到人臉識別領(lǐng)域，并開展網(wǎng)絡(luò)訓(xùn)練以及測試優(yōu)化分析。
1 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法
圖1給出了AlexNet網(wǎng)絡(luò)模型結(jié)構(gòu)圖。網(wǎng)絡(luò)模型中全連接層和卷積層分別為3 個和5 個，總共為8 層。將ReLU、局部響應(yīng)歸一化及池化層增加至前兩層后，將Dropout 和池化加入到第6、7 層，并在第8 層應(yīng)用softmax 分類器[7]。
圖1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)
將Dropout 技術(shù)引進全連接層中，這種情況下全連接層在AlexNet 網(wǎng)絡(luò)模型訓(xùn)練整個流程中的連接概率為固定且以隨機稀疏方式為主，將部分神經(jīng)元丟棄，有利于網(wǎng)絡(luò)復(fù)雜度降低，參數(shù)計算量得到減少，過擬合現(xiàn)象也會在某種程度上減小[8]。需采取局部歸一化操作方式處理輸出結(jié)果，有效抑制局部神經(jīng)元，進而促進網(wǎng)絡(luò)泛化能力的進一步強化。
網(wǎng)絡(luò)模型算量與卷積核結(jié)構(gòu)尺寸大小相關(guān)，感受也隨著卷積核尺寸增大而擴大，盡管圖片特征信息提取效率有效增加，但計算參數(shù)急劇增加。小尺寸的卷積核被更多研究學(xué)者應(yīng)用，可有效增加模型的寬度和深度。網(wǎng)絡(luò)參數(shù)模型訓(xùn)練時長將得到顯著減少，同時還有利于降低第一層的參數(shù)計算量。
在人臉檢測時應(yīng)用本文提出的網(wǎng)絡(luò)模型，需提前區(qū)分人臉及非人臉區(qū)域，為確保降低神經(jīng)網(wǎng)絡(luò)參數(shù)，將第2 個全連接層刪除，僅將第1、第3 個全連接層保留。按照1×1 卷積核尺寸標(biāo)準(zhǔn)修改第1 個全連接層，用全連接神經(jīng)網(wǎng)絡(luò)替代原有神經(jīng)網(wǎng)絡(luò)，任意大小的尺寸均可輸入卷積神經(jīng)網(wǎng)絡(luò)，人臉分類選用第2 個全連接層。本文所用的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1 所示。本文所用的網(wǎng)絡(luò)結(jié)構(gòu)邏輯見圖2 所示。
圖2 網(wǎng)絡(luò)結(jié)構(gòu)邏輯圖
將Dropout 技術(shù)引進全連接層中，這種情況下全連接層在AlexNet 網(wǎng)絡(luò)模型訓(xùn)練整個流程中的連接概率為固定且以隨機稀疏方式為主，將部分神經(jīng)元丟棄，有利于網(wǎng)絡(luò)復(fù)雜度降低，參數(shù)計算量得到減少，過擬合現(xiàn)象也會在某種程度上減小[8]。需采取局部歸一化操作方式處理輸出結(jié)果，有效抑制局部神經(jīng)元，進而促進網(wǎng)絡(luò)泛化能力的進一步強化。
網(wǎng)絡(luò)模型算量與卷積核結(jié)構(gòu)尺寸大小相關(guān)，感受也隨著卷積核尺寸增大而擴大，盡管圖片特征信息提取效率有效增加，但計算參數(shù)急劇增加。小尺寸的卷積核被更多研究學(xué)者應(yīng)用，可有效增加模型的寬度和深度。網(wǎng)絡(luò)參數(shù)模型訓(xùn)練時長將得到顯著減少，同時還有利于降低第一層的參數(shù)計算量。
在人臉檢測時應(yīng)用本文提出的網(wǎng)絡(luò)模型，需提前區(qū)分人臉及非人臉區(qū)域，為確保降低神經(jīng)網(wǎng)絡(luò)參數(shù)，將第2 個全連接層刪除，僅將第1、第3 個全連接層保留。按照1×1 卷積核尺寸標(biāo)準(zhǔn)修改第1 個全連接層，用全連接神經(jīng)網(wǎng)絡(luò)替代原有神經(jīng)網(wǎng)絡(luò)，任意大小的尺寸均可輸入卷積神經(jīng)網(wǎng)絡(luò)，人臉分類選用第2 個全連接層。本文所用的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1 所示。本文所用的網(wǎng)絡(luò)結(jié)構(gòu)邏輯見圖2 所示。
表1 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)
2 實驗結(jié)果分析
2.1 數(shù)據(jù)集
作為評測數(shù)據(jù)集，F(xiàn)DDB 常用于人臉檢測?；叶群筒噬珗D共2 845 張圖片均包含在數(shù)據(jù)集中，共有5 171人臉標(biāo)注數(shù)據(jù)，人臉拍攝環(huán)境為自然狀況。測試集挑戰(zhàn)性較高，同時低分辨率、遮擋等情況都包含在內(nèi)，拍攝環(huán)境與日常應(yīng)用場景都十分貼近。
作為人臉檢測的大型基準(zhǔn)數(shù)據(jù)集，WIDERFace 由香港中文大學(xué)建立而成。采用手工標(biāo)注數(shù)據(jù)集，人臉總數(shù)為4 萬張，光照及遮擋等不同場景下人臉圖像變化情況均包含在內(nèi)。
2.2 網(wǎng)絡(luò)模型訓(xùn)練設(shè)置
本文在訓(xùn)練改進卷積神經(jīng)網(wǎng)絡(luò)時，將Tensorfl ow 深度學(xué)習(xí)開源平臺作為重要應(yīng)用工具，選取NVIDIAGTX1050 型GPU 加速，訓(xùn)練數(shù)據(jù)用SSD 固態(tài)硬盤緩存，完成CUDA9.0GPU 并行計算庫的安裝。
網(wǎng)絡(luò)訓(xùn)練基于網(wǎng)絡(luò)參數(shù)完成，同時將0 作為卷積層學(xué)習(xí)率，訓(xùn)練的卷積層為候選框生成網(wǎng)絡(luò)特有，為確保能實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)中人臉分類及候選框生成網(wǎng)絡(luò)間的共享，最后環(huán)節(jié)需要微調(diào)人臉分類網(wǎng)絡(luò)。
2.3 實驗結(jié)果分析
在人臉檢測中對本文改進的模型結(jié)構(gòu)性能進行驗證，選取測試的數(shù)據(jù)集為FDDB 人臉數(shù)據(jù)集。召回率要求在實際使用過程中的嚴(yán)格程度更深，所以評估本算法應(yīng)用的評價指標(biāo)以FDDB 為主，F(xiàn)alsepositive 表示橫軸，即FP，誤檢數(shù)為檢測出人臉但實際非人臉的數(shù)量，Truepositiverate 表示縱軸，即recall 召回率。如圖3 所示，為測試曲線圖。
本文對比了CascadeCNN 及MTCNN 等較為經(jīng)典的人臉檢測算法，測試評價方法均選用FDDB 數(shù)據(jù)庫實現(xiàn)，另外還對比了各檢測方法所耗費的時長，下圖為各檢測算法對應(yīng)的數(shù)據(jù)結(jié)果。
圖3 FDDB評價圖
算法比較結(jié)果見表2。其中，fps 表示檢測速度，即每秒傳輸?shù)膸瑪?shù)。通常算法檢測速度隨幀數(shù)增長而加快。本文主要是在GPU 上完成檢測速度的統(tǒng)一測試。與CascadeCNN、MTCNN，兩種算法相比，本文算法表現(xiàn)出較高的召回率，對比表中數(shù)據(jù)得出準(zhǔn)確率最高，相比于MTCNN 和CascadeCNN 檢測速度較低，人臉簽到系統(tǒng)的基礎(chǔ)需求得到滿足。
表2 算法比較
為了確保人臉檢測算法多個特征能更直觀且清晰地顯示，在開展人臉檢測驗證前采用隨機方式挑選圖片，圖4 為檢測具體結(jié)果。側(cè)臉及戴頭盔遮擋的單人照片依次如圖（a）（b）所示，通過觀察對比得出，檢測人臉圖片的準(zhǔn)確度及清晰度均相對較高，這意味著對于部分遮擋人臉或側(cè)臉采用本文算法展示的魯棒性較佳。
（a）
（b）
圖4 測試結(jié)果圖
3 結(jié)束語
本文開展基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別檢測分析，得到以下有益結(jié)果：
1）本文算法表現(xiàn)出較高的召回率，人臉簽到系統(tǒng)的基礎(chǔ)需求得到滿足。
2）對于部分遮擋人臉或側(cè)臉采用本文算法展示的魯棒性較佳。
參考文獻：
[1] 姜紹忠,姚克明,陳磊,等.基于CNN與Transformer混合模型的口罩人臉識別方法[J].傳感器與微系統(tǒng),2023, 42(1):144-148.
[2] 徐武,陳盈君,湯弘毅,等.局部特征映射與融合網(wǎng)絡(luò)的人臉識別優(yōu)化算法[J].河南科技大學(xué)學(xué)報(自然科學(xué)版),2023, 44(02):59-64+72+7-8.
[3] 仲崇麗,劉華.改進卷積神經(jīng)網(wǎng)絡(luò)的熱紅外成像人臉識別[J].激光雜志,2022,43(12):117-121.
[4] 季瑞瑞,謝宇輝,駱豐凱,等.改進視覺Transformer的人臉識別方法[J].計算機工程與應(yīng)用,2023,59(8):117-126.
[5] 趙洪坡,劉顯梅.數(shù)據(jù)挖掘的熱紅外成像人臉識別研究[J].激光雜志,2022, 43(11):47-51.
[6] 孫金龍,吳振寧,肖仲喆,等.關(guān)于人臉識別算法對不同照明技術(shù)的魯棒性研究[J].電子器件,2022, 45(5):1123-1128.
[7] 馬倩,馬祥.聯(lián)合松弛塊對角表示矩陣回歸的遮擋人臉識別[J].計算機應(yīng)用研究,2023,40(2):612-616+633.
[8] 張晨晨,王帥,王文一,等.針對人臉識別卷積神經(jīng)網(wǎng)絡(luò)的局部背景區(qū)域?qū)构鬧J].光電工程,2023,50(1):113-125.
[9] 戚琦,馬迎新,王敬宇,等.面向算力受限邊緣環(huán)境的雙分支多尺度感知人臉檢測網(wǎng)絡(luò)[J].通信學(xué)報,2020,41(8):165-174.
[10] 皮家甜,楊杰之,楊琳希,等.基于多模態(tài)特征融合的輕量級人臉活體檢測方法[J].計算機應(yīng)用,2020,40(12):3658-3665.
[11] 王藝皓,丁洪偉,李波,等.復(fù)雜場景下基于改進YOLOv3的口罩佩戴檢測算法[J].計算機工程,2020,46(11):12-22.
（本文來源于《電子產(chǎn)品世界》雜志2023年8月期）
評論