黃奧云，程賓洋，孫家煒

（四川川大智勝軟件股份有限公司，成都 610045）

0 引言

近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)作為計(jì)算機(jī)視覺(jué)里最熱門的技術(shù)之一，被廣泛應(yīng)用于圖像分類、物體檢測(cè)、人臉識(shí)別等領(lǐng)域，并取得了顯著的成果。文獻(xiàn)[1]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法，將一張對(duì)其后的人臉圖片截取后輸入到一個(gè)包含9 個(gè)卷積層的神經(jīng)網(wǎng)絡(luò)，最后經(jīng)過(guò)Softmax 輸出結(jié)果。該方法在人臉公開數(shù)據(jù)集LFW 上達(dá)到了99.77%的識(shí)別率。文獻(xiàn)[2]采用GoogLeNet 和Triplet Loss，將人臉映射到歐氏空間的特征向量上，計(jì)算人臉特征的間距，最后通過(guò)距離的大小來(lái)判斷人臉的類別。該方法在人臉公開數(shù)據(jù)集LFW上達(dá)到了99.63%的識(shí)別率。

為了獲得更好的識(shí)別效果，一方面，采用更大的數(shù)據(jù)集，目前公開的人臉數(shù)據(jù)集有CASIA-WebFace、CelebFaces+、VGG face dataset 和 MSCeleb-1M，等等；另一方面，設(shè)計(jì)更加優(yōu)秀的深度神經(jīng)網(wǎng)絡(luò)和采用更加合理的訓(xùn)練方法，如文獻(xiàn)[3]提出了Maxout 激活函數(shù)，實(shí)現(xiàn)了對(duì)噪聲的過(guò)濾和對(duì)有用信號(hào)的保留,該算法在一個(gè)相對(duì)較小的模型下性能有一定的提升。文獻(xiàn)[4]針對(duì)人臉識(shí)別算法提出了Angular Margin Loss，將角度邊緣置于余弦函數(shù)內(nèi)部，這一約束使得對(duì)整個(gè)分類任務(wù)的要求變得更加嚴(yán)苛，此外，該算法還改進(jìn)了ResNet 網(wǎng)絡(luò)結(jié)構(gòu)的block 層，使其更適合訓(xùn)練人臉圖片；數(shù)據(jù)方面，剔除了噪聲數(shù)據(jù)，在MegaFace 數(shù)據(jù)集上的識(shí)別率達(dá)到了98.36%。

本文針對(duì)低質(zhì)人臉圖片的識(shí)別，基于深度神經(jīng)網(wǎng)絡(luò)和訓(xùn)練方法，提出了基于卷積內(nèi)部進(jìn)化機(jī)制的殘差網(wǎng)絡(luò)結(jié)構(gòu)與模型加權(quán)的人臉識(shí)別算法。在加深網(wǎng)絡(luò)深度的同時(shí)，保持了網(wǎng)絡(luò)的簡(jiǎn)單性，并且采用了內(nèi)部進(jìn)化機(jī)制，對(duì)神經(jīng)元響應(yīng)進(jìn)行了篩選，在網(wǎng)絡(luò)中添加殘差模塊，并引入權(quán)重因子，對(duì)輸出的單個(gè)特征分別賦予不同的權(quán)值，最后對(duì)多特征進(jìn)行加權(quán)融合，提升了識(shí)別性。該算法在公開人臉數(shù)據(jù)庫(kù)和多場(chǎng)景人臉數(shù)據(jù)測(cè)試表明，該算法對(duì)光照、人臉姿態(tài)和表情變化、面部遮擋物、年齡變化等低質(zhì)人臉數(shù)據(jù)具有較高的魯棒性。

1 人臉數(shù)據(jù)預(yù)處理

1.1 基礎(chǔ)訓(xùn)練數(shù)據(jù)構(gòu)成

基礎(chǔ)訓(xùn)練數(shù)據(jù)主要由兩類數(shù)據(jù)構(gòu)成，第一類數(shù)據(jù)包含各類人臉公開數(shù)據(jù)集，真實(shí)現(xiàn)場(chǎng)采集人臉圖像，這類圖片的特點(diǎn)是雜亂，涵蓋了高分辨率和低分辨率的圖片，各種場(chǎng)景如光照條件、人臉姿態(tài)和表情變化、面部遮擋物、年齡變化等屬性的人臉圖像，這類圖像數(shù)據(jù)樣本類別較大，從而滿足了在訓(xùn)練過(guò)程中對(duì)各類低質(zhì)圖像魯棒性的要求。第二類數(shù)據(jù)是法定身份證件低質(zhì)人臉圖像，由法定身份證件低質(zhì)人臉圖像和若干現(xiàn)場(chǎng)采集人臉圖像構(gòu)成，這兩類人臉圖像數(shù)量較大，但其缺點(diǎn)是樣本不均勻。

1.2 數(shù)據(jù)擴(kuò)展

研究表明，要取得更好的識(shí)別精度和魯棒性，基于深度學(xué)習(xí)的人臉識(shí)別的訓(xùn)練數(shù)據(jù)在構(gòu)成上應(yīng)滿足：a.樣本類別數(shù)大（基礎(chǔ)數(shù)據(jù)滿足）。b.每類樣本的樣本數(shù)均勻（數(shù)量一致）且應(yīng)包含各類情況的人臉圖像。基礎(chǔ)數(shù)據(jù)不能滿足b 條件，應(yīng)進(jìn)行擴(kuò)充。本研究通過(guò)鏡像圖，添加光照，模糊化，加噪等方法對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行擴(kuò)充，使得樣本數(shù)均勻且包含多類情況下的人臉圖像，其效果圖如圖1 所示。

圖1 人臉數(shù)據(jù)擴(kuò)展處理方法

1.3 數(shù)據(jù)裁剪

研究表明，要取得更好的識(shí)別精度和魯棒性，訓(xùn)練數(shù)據(jù)一定要滿足數(shù)據(jù)量大和樣本均勻兩個(gè)要求。之前的研究對(duì)數(shù)據(jù)進(jìn)行了充分的擴(kuò)展，主要包括鏡像、加噪、模糊處理、加光照等，滿足了訓(xùn)練要求。本研究在原有擴(kuò)展數(shù)據(jù)集的基礎(chǔ)上，對(duì)數(shù)據(jù)集進(jìn)行了裁剪。通過(guò)裁剪，去除了訓(xùn)練樣本中的噪聲，使得訓(xùn)練數(shù)據(jù)盡可能干凈，因此減少了噪聲對(duì)識(shí)別率的負(fù)面影響，對(duì)識(shí)別率有一定的提升作用。數(shù)據(jù)裁剪具體的處理步驟為：

（1）以人臉左右眼中心位置為中心進(jìn)行裁剪。

（2）以人臉鼻尖位置為中心進(jìn)行裁剪。

（3）以人臉左右嘴角中心位置為中心進(jìn)行裁剪。

（4）每個(gè)裁剪的類別分別對(duì)應(yīng)一種特征子向量。

裁剪人臉數(shù)據(jù)樣本如圖2 所示。

圖2 人臉數(shù)據(jù)裁剪處理方法

2 人臉識(shí)別算法

2.1 卷積內(nèi)部進(jìn)化機(jī)制的實(shí)現(xiàn)

卷積神經(jīng)網(wǎng)絡(luò)采用激活函數(shù)來(lái)實(shí)現(xiàn)非線性，主要有 Tanh、Sigmoid、ReLU 函數(shù)等。Tanh 的特點(diǎn)是在特征相差明顯時(shí)的效果會(huì)很好，但在實(shí)際訓(xùn)練數(shù)據(jù)和現(xiàn)場(chǎng)采集數(shù)據(jù)中，由于光照、姿態(tài)、表情、年齡變化等各種原因，往往包含很多模糊的數(shù)據(jù)。Sigmoid 函數(shù)的優(yōu)點(diǎn)是在特征相差比較復(fù)雜或是相差不是特別大時(shí)效果比較好，但該函數(shù)收斂緩慢，反向傳播時(shí)，很容易出現(xiàn)梯度消失的情況，從而無(wú)法完成深層網(wǎng)絡(luò)的訓(xùn)練。ReLU 收斂速度快，但很容易出現(xiàn)梯度消失的現(xiàn)象。

達(dá)爾文生物進(jìn)化論認(rèn)為自然選擇是進(jìn)化的主要機(jī)制，通過(guò)進(jìn)化，優(yōu)勢(shì)物種和個(gè)體被保留了下來(lái)，弱勢(shì)物種和個(gè)體被淘汰掉。目前，一些傳統(tǒng)的遺傳算法通過(guò)模擬自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程，從而可通過(guò)模擬自然進(jìn)化過(guò)程來(lái)獲得全局中的最優(yōu)解。

本研究根據(jù)進(jìn)化過(guò)程中的相關(guān)方法，創(chuàng)新性地采用內(nèi)部進(jìn)化機(jī)制來(lái)實(shí)現(xiàn)非線性，將Feature Maps 突變?yōu)槎嘟M神經(jīng)元，在進(jìn)化的過(guò)程中篩選出最佳響應(yīng)，最后形成新的Feature Maps；通過(guò)進(jìn)化我們得到的是神經(jīng)元響應(yīng)最佳的結(jié)果，因此使得神經(jīng)網(wǎng)絡(luò)對(duì)優(yōu)勢(shì)特征更加敏感，相對(duì)于 Tanh、Sigmoid、ReLU 等激活函數(shù)，基于進(jìn)化機(jī)制能有效去除噪聲信號(hào)并保留有用信號(hào)，具有較強(qiáng)的魯棒性和泛化能力，內(nèi)部進(jìn)化機(jī)制原理如圖3 所示。當(dāng)一個(gè)卷積層的輸入用如下式表示時(shí)：

其中 n={1,…,2N}，W 和 H 分別表示 feature map的寬和高。進(jìn)化機(jī)制將輸入的feature map 突變?yōu)槎鄠€(gè)子feature map，經(jīng)過(guò)內(nèi)部進(jìn)化，最后得到一個(gè)最佳的feature map，其原理可用如下公式表示：

1≤ k ≤ N,1≤ i ≤ H,1≤ j ≤ w ，其中，輸入的卷積層的通道是2N。

通過(guò)進(jìn)化，我們從輸入的feature map 得到了輸入信息的最佳神經(jīng)元。

圖3 內(nèi)部進(jìn)化機(jī)制示意圖

2.2 殘差模塊的設(shè)計(jì)

深度學(xué)習(xí)對(duì)于網(wǎng)絡(luò)深度遇到的主要問(wèn)題是梯度消失和梯度爆炸，傳統(tǒng)對(duì)應(yīng)的解決方案則是數(shù)據(jù)的初始化（normalized initialization）和（batch normalization）正則化，但是這樣雖然解決了梯度的問(wèn)題，深度加深了，卻帶來(lái)了另外的問(wèn)題，就是網(wǎng)絡(luò)性能的退化問(wèn)題，深度加深了，錯(cuò)誤率卻上升了，基于以上原因，文獻(xiàn)[5]提出了一種具有殘差結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)能很好地解決上述激活函數(shù)在網(wǎng)絡(luò)訓(xùn)練時(shí)所帶來(lái)的退化問(wèn)題，并且該結(jié)構(gòu)易于優(yōu)化，提高網(wǎng)絡(luò)的性能。基于ResNet 的基本單元設(shè)計(jì)方法[2]，本研究創(chuàng)造性地將兩個(gè)基于進(jìn)化機(jī)制的卷積網(wǎng)絡(luò)層，組成一個(gè)基本的殘差模塊，使得網(wǎng)絡(luò)的性能也提升了。

基于卷積內(nèi)部進(jìn)化機(jī)制的殘差網(wǎng)絡(luò)具體實(shí)現(xiàn)結(jié)構(gòu)如圖4 所示，該結(jié)構(gòu)構(gòu)成深度卷積網(wǎng)絡(luò)的一個(gè)結(jié)構(gòu)層。多個(gè)結(jié)構(gòu)層串聯(lián)（級(jí)聯(lián)）構(gòu)成了特征提取的深度卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)這樣設(shè)計(jì)的深度卷積神經(jīng)網(wǎng)絡(luò)，在特征提取方面更加豐富，從而使得識(shí)別準(zhǔn)確率有了大大提升，其特征提取過(guò)程如圖5 所示。

圖4 殘差模型示意圖

圖5 特征提取示意圖

詳細(xì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)共13 個(gè)卷積層，進(jìn)化機(jī)制和池化層連接在兩個(gè)卷積層之間，最后是全連接層并輸出類別數(shù)，為了防止在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合，在全連接層后加入了Dropout 層。訓(xùn)練數(shù)據(jù)集是經(jīng)過(guò)人臉對(duì)齊的大小為150×150 的人臉灰度圖片，訓(xùn)練時(shí)，首先將圖片的大小裁剪成96×96，作為卷積層的輸入，最后經(jīng)過(guò)全連接層，輸出一個(gè)256 維的特征，經(jīng)過(guò)Softmax 層最后輸出該人臉圖片所屬類別。

3 訓(xùn)練

3.1 訓(xùn)練策略

為了驗(yàn)證算法的可靠性，本研究基于人臉公開數(shù)據(jù)庫(kù)和多場(chǎng)景采集真實(shí)人臉數(shù)據(jù)共440 萬(wàn)人臉數(shù)據(jù)，基于公開深度學(xué)習(xí)框架PyTorch 訓(xùn)練與測(cè)試。Dropout參數(shù)設(shè)置為0.75,momentum 設(shè)置為0.9，weight decay 設(shè)置為1e-6,初始學(xué)習(xí)率設(shè)置為0.01,之后隨著迭代次數(shù)的增加衰減到1e-5。訓(xùn)練時(shí)，分別以眼睛、鼻子、嘴角為中心，裁剪出大小為96×96 的圖片，并對(duì)其進(jìn)行灰度處理，然后分別送入深度神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練，最后得到9 個(gè)對(duì)應(yīng)的模型。

3.2 模型融合

研究實(shí)驗(yàn)表明，相對(duì)于深度神經(jīng)網(wǎng)絡(luò)的單模型的特征提取，多模型提取的信息更加豐富和穩(wěn)定[5]。模型融合是用于組合來(lái)自多個(gè)預(yù)測(cè)模型的信息以生成新模型的模型組合技術(shù)。通常，融合后的模型因?yàn)樗钠交院屯怀雒總€(gè)基本模型在其中執(zhí)行得最好的能力，并且抹黑其執(zhí)行不佳的每個(gè)基本模型，所以其最終效果將優(yōu)于每個(gè)單一模型。本研究訓(xùn)練模型按照對(duì)應(yīng)的權(quán)值拼接起來(lái)組成一個(gè)高位度的新模型，經(jīng)過(guò)測(cè)試，相比于單一模型，模型拼接所得到的識(shí)別率較單一模型提升了3-4%左右，該步驟具體流程如圖6 所示。

圖6 模型融合示意圖

4 測(cè)試與分析

為了驗(yàn)證該算法的有效性，分別在公開人臉數(shù)據(jù)集和多場(chǎng)景采集數(shù)據(jù)集上進(jìn)行了測(cè)試。

測(cè)試時(shí)，人臉特征比對(duì)采用余弦相似度，余弦相似度公式為：

余弦值的范圍在[-1,1]之間，值越趨近于1，代表兩個(gè)向量的方向越接近，為同一個(gè)類別的概率越大；越趨近于-1，它們的方向越相反，為同一個(gè)類別的概率越小。測(cè)試樣本如圖7 所示。

4.1 測(cè)試數(shù)據(jù)集介紹

本文測(cè)試的公開人臉數(shù)據(jù)集是LFW 數(shù)據(jù)集。該類標(biāo)準(zhǔn)人臉數(shù)據(jù)集共收集了5749 類人臉類別共計(jì)13233 張人臉數(shù)據(jù)。其中，大約1680 個(gè)人包含兩個(gè)以上的人臉。該數(shù)據(jù)集被廣泛用于測(cè)試人臉識(shí)別算法的性能。

另一部分測(cè)試數(shù)據(jù)集來(lái)自標(biāo)準(zhǔn)身份證件照片和現(xiàn)場(chǎng)采集的人臉數(shù)據(jù)。Test1 數(shù)據(jù)集包含3139 類共84245張人臉圖像，該類人臉數(shù)據(jù)光照干擾明顯，部分?jǐn)?shù)據(jù)出現(xiàn)面部遮擋物，因此噪聲特別大；Test2 數(shù)據(jù)集包含5996 類共19433 張人臉圖像，該類人臉數(shù)據(jù)中有一定的年齡跨度，因此該類數(shù)據(jù)特征較不明顯；Test3 數(shù)據(jù)集包含299類共2298 張人臉圖像，該類人臉數(shù)據(jù)的特點(diǎn)是人臉表情變化豐富；Test4 數(shù)據(jù)集包含2380 類共23295 張人臉圖像，該類人臉數(shù)據(jù)集涵蓋了高分辨率，低分辨率的人臉數(shù)據(jù)。部分測(cè)試數(shù)據(jù)集如圖8 所示。

圖7 測(cè)試樣本

圖8 部分測(cè)試數(shù)據(jù)集

4.2 結(jié)果分析

分別測(cè)試了基于內(nèi)部進(jìn)化機(jī)制的深度神經(jīng)網(wǎng)絡(luò)在人臉公開數(shù)據(jù)集LFW 上的效果，并與公開的當(dāng)今最流行的人臉?biāo)惴y(cè)試結(jié)果做對(duì)比，其結(jié)果如表1 所示。從表中可以看出，本研究所提出的算法效果明顯好于其他算法。其中，Model1 和Model2 表現(xiàn)出了最好的成績(jī)，在整個(gè)LFW 數(shù)據(jù)集上的識(shí)別率最高達(dá)到了100%，比現(xiàn)階段公開的算法的測(cè)試結(jié)果提高了0.23%。通過(guò)以上對(duì)比可以得出，基于內(nèi)部進(jìn)化的深度神經(jīng)網(wǎng)絡(luò)的性能好于其他網(wǎng)絡(luò)。證明了本算法的可行性和有效性。

表1 不同網(wǎng)絡(luò)結(jié)構(gòu)在LFW 的測(cè)試結(jié)果

單模型和多模型在多場(chǎng)景低質(zhì)采集人臉數(shù)據(jù)集上的測(cè)試結(jié)果如表2 所示。除第一個(gè)測(cè)試數(shù)據(jù)集包含了部分訓(xùn)練數(shù)據(jù)外，其余三個(gè)數(shù)據(jù)集的數(shù)據(jù)均不包括在訓(xùn)練數(shù)據(jù)集內(nèi)。單模型在四個(gè)數(shù)據(jù)集上皆表現(xiàn)出優(yōu)異的成績(jī)；融合后，識(shí)別率相較于單模型又提升了1-5%。

表2 低質(zhì)數(shù)據(jù)集測(cè)試結(jié)果

以上測(cè)試結(jié)果表明，相比于其他人臉識(shí)別算法，基于內(nèi)部進(jìn)化機(jī)制的深度卷積神經(jīng)網(wǎng)絡(luò)與模型加權(quán)的人臉識(shí)別算法無(wú)論在標(biāo)準(zhǔn)人臉還是低質(zhì)人臉數(shù)據(jù)都具有較高的識(shí)別率，本算法適用于各類場(chǎng)景的人臉識(shí)別，具有較高的魯棒性和實(shí)用性。

5 結(jié)語(yǔ)

本文基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種全新的網(wǎng)絡(luò)結(jié)構(gòu)，即基于卷積內(nèi)部進(jìn)化機(jī)制的深度卷積殘差網(wǎng)絡(luò)結(jié)構(gòu)；同時(shí)，在訓(xùn)練和測(cè)試階段提出了特征提取和加權(quán)模型融合的方法。經(jīng)過(guò)測(cè)試，本文提出的算法無(wú)論在公開人臉數(shù)據(jù)集或由于光照條件，人臉姿態(tài)和表情變化、面部遮擋物、年齡變化等表現(xiàn)出的低質(zhì)人臉圖像，皆表現(xiàn)出較高的識(shí)別率。測(cè)試結(jié)果表明，本文提出的人臉識(shí)別算法具有較高的魯棒性和實(shí)用性。