侯雨靜　孫福明

摘要：該文主要?dú)w類和總結(jié)了現(xiàn)有開源的方法和技術(shù)，包括：facenet方法和opencv方法。詳細(xì)介紹了這兩種開源方法在各個(gè)模塊所涉及的方法和原理，用開源方法對(duì)惡劣天氣的特殊情況進(jìn)行處理，并在此基礎(chǔ)上指出了各自的優(yōu)缺點(diǎn)。

關(guān)鍵詞：人臉檢測(cè)；特征點(diǎn)定位；識(shí)別；對(duì)比；深度學(xué)習(xí)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）33-0202-02

人類進(jìn)入21世紀(jì)，隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的日漸發(fā)達(dá)，信息安全體的隱患日益突出。隨著技術(shù)的不斷發(fā)展，傳統(tǒng)的身份識(shí)別方法已經(jīng)受到越來(lái)越多的挑戰(zhàn)，可靠性大為降低，勢(shì)必出現(xiàn)新的信息識(shí)別和檢測(cè)技術(shù)。人們逐漸的把目光轉(zhuǎn)向了生物體征。這些都是由人類遺傳的DNA所決定的，并且每個(gè)人都擁有自己獨(dú)一無(wú)二的生物體征。

1 人臉識(shí)別算法基本原理

1.1 Facenet算法

Facenet算法主要通過(guò)計(jì)算兩幅人臉圖像之間的距離作為判斷同一性的條件。人臉檢測(cè)涉及兩個(gè)嵌入之間距離的閾值；驗(yàn)證則可以使用諸如均值這類的外部解決方案實(shí)現(xiàn)[1]。

1.1.1 三元組學(xué)習(xí)法

Facenet方法最重要的部分，就是三元組學(xué)習(xí)法部分，三元組學(xué)習(xí)是整套Facenet算法的精髓所在。而三元組的選擇十分重要，不合適的三元組將影響模型的收斂速度，進(jìn)而影響整個(gè)方法的運(yùn)算效率與結(jié)果[2]。如圖1所示。其三元組是由兩個(gè)匹配的臉部縮略圖和一個(gè)不匹配的臉部縮略圖組成的，而損失的目的就是將積極的一對(duì)與消極的距離分開[3]。

1.1.2 最近鄰分類法

最近鄰分類算法（K-Nearest Neighbors，KNN）[4]是模式分類中最常用的方法之一。但是他往往產(chǎn)生競(jìng)爭(zhēng)的結(jié)果，在某些領(lǐng)域，在結(jié)合先驗(yàn)知識(shí)的條件下，可以大大地提高其先進(jìn)性[5]。因此，它的性能取決于用來(lái)識(shí)別最近鄰居的距離度量。

理想情況下，kNN分類的距離度量應(yīng)該適用于解決的特定問(wèn)題。事實(shí)上，就像很多研究人員表述的那樣，KNN分類可以顯著提高學(xué)習(xí)距離度量標(biāo)記的例子[6]。即使是一個(gè)簡(jiǎn)單的全局線性變換的輸入功能都產(chǎn)生更好的KNN分類器。

1.2 Opencv算法

Opencv算法是Opencv的自帶算法，其人臉識(shí)別方法主要是基于Haar特征提取，并采用了adaboost算法[7]來(lái)實(shí)現(xiàn)的。Opencv人臉識(shí)別方法實(shí)現(xiàn)的是一個(gè)人臉檢測(cè)器，它由下而上由3個(gè)部分組成：Haar矩形特征的提?。换贏daboost的強(qiáng)分類器；以及強(qiáng)分類器之間的級(jí)聯(lián)。

Haar 特征又被稱為矩形特征，而矩形特征都是由幾個(gè)形狀相同、大小相等的黑白兩種顏色的簡(jiǎn)單矩形構(gòu)成的，Haar特征的特征值是由矩形特征的所有白色矩形的像素值之和減去黑色矩形的像素值之和表示。Haar特征不僅簡(jiǎn)單、計(jì)算容易，而且能夠很好地描述臉部特征。

2 特殊條件下的人臉檢測(cè)

對(duì)于人臉識(shí)別技術(shù)來(lái)說(shuō)，頻繁出現(xiàn)的霧霾天氣算是一個(gè)不小的挑戰(zhàn)，霧霾會(huì)影響攝像頭在拍攝人臉的過(guò)程中取得的畫質(zhì)，直接關(guān)系到對(duì)人臉的采樣與識(shí)別。Opencv方法對(duì)霧霾的人臉檢測(cè)情況如圖3所示。

可以看出，在輕度和中度霧霾的情況下，Opencv方法可以準(zhǔn)確的檢測(cè)人臉。但是在重度霧霾的條件下，Opencv方法則無(wú)法檢測(cè)。檢測(cè)人臉的步驟直接影響識(shí)別結(jié)果，所以必須保證檢測(cè)的準(zhǔn)確性。

3 人臉相似度對(duì)比

Facenet方法在處理人臉識(shí)別對(duì)比問(wèn)題上在上文中已經(jīng)介紹過(guò)，他是用最大近鄰法進(jìn)行人臉識(shí)別驗(yàn)證的。所以兩幅人臉圖像的距離越近，同一性越強(qiáng)。如圖4所示。

觀察可知，F(xiàn)acenet方法對(duì)人臉驗(yàn)證問(wèn)題處理的同樣較為理想，同一認(rèn)定比較嚴(yán)格，相似的人臉距離較近，可以很好的完成人臉識(shí)別與驗(yàn)證。

4 總結(jié)

人臉識(shí)別作為當(dāng)前模式識(shí)別與人工智能的研究熱點(diǎn)之一，是一項(xiàng)十分重要的身份識(shí)別與鑒定的重要技術(shù)，具有十分廣闊的應(yīng)用前景。一如DNA檢測(cè)、瞳孔識(shí)別、指紋識(shí)別，人臉識(shí)別對(duì)于身份驗(yàn)證的優(yōu)點(diǎn)主要表現(xiàn)在識(shí)別速度快、操作便捷、結(jié)果更加直觀等方面，這也是人臉識(shí)別能廣泛運(yùn)用在例如監(jiān)控、檢驗(yàn)等方面的重要原因。

參考文獻(xiàn)：

[1] R Chellappa， C Wilson， S Sirohcy. Human and Machine Recognition of Faces ：A Survey[J].Proceedings of the IEEE，1995，83（5）.

[2] K. Q. Weinberger， J. Blitzer， Saul L K. Distance metric learning for large margin nearest neighbor classification. In NIPS. MIT Press， 2006. 2， 3.

[3] Y. Bengio， J. Louradour， R. Collobert， et al. Curriculum learning. In Proc. of ICML， New York， NY， USA，2009. 2.

[4] Becker S， LeCun Y. Improving the convergence of backpropagation learning with second order methods. In D. Touretzky， G.Hinton， & T. Sejnowski （Eds.）， 1989.

[5] Kiefer J， Wolfowitz J. Stochastic estimation of the maximum of a regression function. Annals of Mathematical Statistics， 1952（23）：462-466.

[6] Barto A G.. Reinforcement learning and adaptive critic methods. In D. A. White， & D. A. Sofge （Eds.）， New York， NY： Van Nostrand Reinhold，1992.

[7] Violap，Jones M.Robust real time objict detection.8th IEEE International Conference on Computer Vision，Vancouver，2001.