田桂 謝凱

摘要：為提高視頻人臉檢測的準確性，我們提出了LSTM-RBM-NMS模型下的視頻人臉檢測方法。該模型首先利用公開的視頻人臉數(shù)據(jù)集輸入長短期記憶網(wǎng)絡（Long Short-Term Memory， LSTM）網(wǎng)絡中，在 LSTM網(wǎng)絡中加入批量歸一化（Batch Normalization， BN）算法，在預訓練的模型中，采用受限玻爾茲曼機代替全連接層。然后將預訓練好的模型去除softmax分類器，使用支持向量機（Support Vector Machine， SVM）分類器進行代替，最后采用非極大值抑制算法消除多余的窗口，最后得到視頻人臉檢測結(jié)果。實驗結(jié)果表明，通過使用本文提出的LSTM-RBM-NMS模型，與傳統(tǒng)的視頻人臉檢測方法OpenCV和Viola Jones（VJ）相比，在相同閾值的情況下，視頻人臉檢測準確率提高了3.3%～10.4%。

關鍵詞：視頻人臉檢測；長短期記憶網(wǎng)絡；批量歸一化算法；受限玻爾茲曼機；非最大抑制算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2019）04-0176-02

目前用戶進行身份驗證的方法主要是基于PIN模式的，這只在初始登錄期間提供身份驗證。用戶在注冊時設定的密碼，很容易被網(wǎng)絡攔截，進而被黑客破解，因此使用密碼進行用戶身份認證是極其不安全的。近年來，使用生物特征進行用戶認證已經(jīng)成為主流，例如基于觸摸手勢的系統(tǒng)、基于人臉的系統(tǒng)[1]和基于語音系統(tǒng)。近年來，隨著硬件設備更新地越來越快，對機器學習領域中的深度學習的探討已經(jīng)成了一種潮流。目前圖像處理最好的算法就是深度學習。與之相比，深度學習則能自動地對特征進行提取和表示，而且一個高效的神經(jīng)網(wǎng)絡框架可以對抽象物體進行解釋和分析。近十年來，許多學者對深度學習[2]的算法性能進行了優(yōu)化，設計了卷積神經(jīng)網(wǎng)絡的最優(yōu)結(jié)構(gòu)框架。例如，Matthew Zeiler和Rob Fergus在神經(jīng)網(wǎng)絡中加入了批量歸一化算法[3]，它是一種非常有效的深度學習技術(shù)，極大地加快網(wǎng)絡收斂的速度。然而，近年來一些研究學者逐漸從圖像處理領域研究到視頻處理領域，與靜態(tài)圖像人臉檢測相比，視頻中的人臉具有更多的空間信息，包括無約束的姿態(tài)變化、光照變化、對象遮擋等。一些傳統(tǒng)的視頻處理方法可以在受限場景下工作，但無法處理各種變化的復雜場景。視頻人臉的處理非常復雜。而長短期記憶網(wǎng)絡[4]是針對視頻處理提出的。根據(jù)以往的研究證明，深度學習在語音識別、人臉識別、圖像分類、目標檢測[5]等領域取得了重大進步。

1 本文模型

針對視頻中的人臉檢測，本文采用長短期記憶網(wǎng)絡進行特征提取，本文的模型如圖1所示。

我們將公開視頻數(shù)據(jù)集分為訓練集和測試集，采用訓練集進行訓練LSTM網(wǎng)絡，在訓練的過程中，加入歸一化層，加快訓網(wǎng)絡的收斂速度，同時使用隨機池化層進行降維。我們采用RBM代替全連接層，進一步對提取的特征向量進行降維，這樣就可以減少計算代價。我們將預訓練好的模型，移除softmax分類器用于視頻人臉的測試集上進行提取人臉的深度特征，將這些特征采用SVM分類器進行分類，SVM分類器泛化能力強，精度高。最后采用非最大抑制算法去除交叉重復，最后得到視頻人臉檢測的結(jié)果。

2 實驗結(jié)果和分析

本文采用兩個公開的數(shù)據(jù)集，即YouTube視頻人臉數(shù)據(jù)集和IJB-A視頻人臉數(shù)據(jù)集。我們知道人臉檢測，閾值的選擇是非常重要的。因為閾值的大小將會影響人臉檢測的準確性，所以分別選擇不同的閾值來進行實驗。根據(jù)圖2，我們可以看出，準確率與人臉檢測閾值成反比，即隨著人臉檢測閾值的增大，準確率反而呈現(xiàn)下降趨勢。

從圖中可以看出，值得注意的是閾值在0.1處時，人臉檢測的準確率最高，而在0.3到0.5之間，可以看出準確率下降的最快。在相同的閾值條件下，本文方法比其他方法具有更高的準確性。

3 結(jié)論

本文提出的LSTM-RBM-NMS模型下的視頻人臉檢測方法，我們采用公開的兩個數(shù)據(jù)集預訓練的LSTM網(wǎng)絡，同時加入歸一化算法，加快了網(wǎng)絡的收斂速度，采用RBM替換全連接層，降低了特征維度，即減少了計算代價，將預訓練好的模型去除softmax分類器，采用SVM分類器替代用于檢測的視頻人臉幀上，，采用非最大抑制算法，獲得最好的人臉檢測區(qū)域，與傳統(tǒng)的方法相比，該模型極大地減少了網(wǎng)絡參數(shù)，加快了視頻人臉檢測的速度，同時提高了視頻人臉檢測的準確率。

參考文獻：

[1] 廖延娜，馬超.基于稀疏表示的人臉識別系統(tǒng)設計與實現(xiàn)[J].電子設計工程，2016，24（17）：153-155.

[2] 丁冬兵.TL-CNN-GAP模型下的小樣本聲紋識別方法研究[J].電腦知識與技術(shù)，2018（24）.

[3] 張杰，陳懷新.基于歸一化詞頻貝葉斯模型的文本分類方法[J].計算機工程與設計，2016， 37（3）：799-802.

[4] 陳斌，周勇，劉兵.基于卷積長短期記憶網(wǎng)絡的事件觸發(fā)詞抽取方法[J].計算機工程，2018（9）.

[5] 李旭冬，葉茂，李濤.基于卷積神經(jīng)網(wǎng)絡的目標檢測研究綜述[J].計算機應用研究，2017， 34（10）：2881-2886.

【通聯(lián)編輯：唐一東】