馮賀平+楊敬娜+吳梅梅

摘要：人臉識別是身份檢測的首選模式，因此具有巨大的市場前景。深度神經(jīng)網(wǎng)絡是人工智能與模式識別新興研究熱點，利用其視覺特征深度學習特點，提出了一種適用于戶外的身份識別方法，用該方法設計了人臉動態(tài)識別系統(tǒng)，該系統(tǒng)可以用在智能小區(qū)和校園等場所，對小區(qū)、校園實現(xiàn)的人員實現(xiàn)有效控制。

關鍵詞：人臉識別 ；深度神經(jīng)網(wǎng)絡；視頻監(jiān)控

中圖分類號：TP319 文獻標識碼：A 文章編號：1009-3044（2016）22-0161-02

1 概述

隨著人的安全意識的加強，身份識別越來越重要，人臉是最重要的生物識別特征，人臉設別技術是身份檢測的首推模式。然而在當前大數(shù)據(jù)時代，僅僅靠人工在海量視頻中搜索人臉顯然不行，要靠物聯(lián)網(wǎng)技術進行人臉識別。目前人臉識別技術在較好的采集條件下，具有令人滿意的識別效果，然在非理想環(huán)境下，人臉識別率明顯下降。深度學習的提出，使得深度神經(jīng)網(wǎng)絡在語音及圖像識別等方便取得了極佳的效果。本文提出了一種基于深度神經(jīng)網(wǎng)的能適用于室外開放場合的動態(tài)人臉識別方法，并結合智能小區(qū)的實際應用，研制出智能小區(qū)給予人臉的身份識別系統(tǒng)。經(jīng)實驗，該系統(tǒng)運行穩(wěn)定，且檢測功能良好，滿足實際需求。

2 深度信念網(wǎng)

2.1 深度信念網(wǎng)結構

2006年，Hinton提出了深度信念網(wǎng)（deep belief network， DBN）。它是由多層神經(jīng)元構成，分為用于接收輸入的顯性神經(jīng)元即輸入層和多個用于提取特征的隱形神經(jīng)元即隱層以及輸出層，結構如圖1所示。

2.2 深度信念網(wǎng)學習算法

具有多個隱層的深度信念網(wǎng)進行全局優(yōu)化非常困難，逐層訓練即貪婪算法用于此，取得了較好的優(yōu)化性能。這種方法在訓練時，每次只學習相鄰受限波爾茲曼機模型參數(shù)，最終獲得全局的DBN，因此，深度信念網(wǎng)的訓練過程分為兩部分，即受限波爾茲曼機的預訓練和反向傳播（BP）算法的微調。

1）限制波爾茲曼機訓練

限制波爾茲曼機（RBM）是一個兩層神經(jīng)網(wǎng)絡，由可視層和隱含層單元彼此互連構成。把多個限制波爾茲曼機疊加，前一個限制波爾茲曼機的輸出作為后一個限制波爾茲曼機的輸入，構成深度信念網(wǎng)絡。

3 動態(tài)人臉識別系統(tǒng)

住宅小區(qū)或校園動態(tài)人臉識別系統(tǒng)是通過架設在小區(qū)或校園門口的高清攝像頭，對出入小區(qū)的人員進行人臉設別，并利用各部門提供的犯罪嫌疑人的人臉數(shù)據(jù)對出入小區(qū)或校園的違法犯罪人員進行提前鎖定以及及時預警。

本文描述的動態(tài)人臉識別系統(tǒng)由視頻預處理模塊、人臉動態(tài)識別模塊及人臉信息管理模塊，如圖2所示：

4 總結

本文提出的基于深度神經(jīng)網(wǎng)絡的動態(tài)人臉識別系統(tǒng)，適用于任何室外開放場所，并基于此方法研制出智能小區(qū)和智能校園人臉動態(tài)識別系統(tǒng)，該系統(tǒng)能夠實現(xiàn)小區(qū)和校園內人臉識別功能，對小區(qū)和校園的有效管理啟動了保證作用，滿足了實際的需求。

參考文獻：

[1] 陳國平，杜姍姍.基于深度神經(jīng)網(wǎng)絡的動態(tài)人臉識別方法及應[J].微型電腦應用，2015，31（9）：39-41.

[2] 邢建飛，羅志增，席旭剛.基于深度神經(jīng)網(wǎng)絡的實時人臉識別[J].杭州電子科技大學學報，2013，33（6）：107-110.

[3] 閆新寶.深度學習及其在人臉識別中的應用進展[J].無線互聯(lián)科技，2016，4（8）：132-137.

[4] 王飛，李強.基于改進的深度信念網(wǎng)絡的人臉識別算法研究[J].蘭州大學學報，2016，35（1）：42-47.

[5] 夏振杰.基于人臉識別技術的身份認證系統(tǒng)實現(xiàn)簡介[J].科技前沿，2010（5）：44-46.

[6] 喬俊飛，潘廣源，韓紅桂.一種連續(xù)型深度信念網(wǎng)的設計與應用[J].自動化學報，21015，12（41）：2139-2146.