摘 要：針對(duì)傳統(tǒng)人臉識(shí)別存在識(shí)別速度慢、準(zhǔn)確度低等問(wèn)題，本文設(shè)計(jì)了一種基于SSD深度學(xué)習(xí)算法的自動(dòng)化人臉識(shí)別系統(tǒng)。首先，該系統(tǒng)采用基于深度學(xué)習(xí)算法的人臉識(shí)別方法檢測(cè)人臉圖像，并對(duì)關(guān)鍵點(diǎn)進(jìn)行預(yù)測(cè)。其次，利用SSD模型提取特征信息后構(gòu)建本地特征庫(kù)，完成人臉識(shí)別。最后，比較待檢測(cè)人臉圖像向量與本地特征向量間的歐氏距離，判斷結(jié)果并輸出。試驗(yàn)表明，SSD模型在檢測(cè)與識(shí)別上具有較好表現(xiàn)，系統(tǒng)的識(shí)別速度超過(guò)25f/s，當(dāng)特征向量間的歐氏距離設(shè)定為0.5時(shí)，識(shí)別準(zhǔn)確率高達(dá)99.3%。本文設(shè)計(jì)系統(tǒng)能夠提高人臉識(shí)別的魯棒性，具有較高的實(shí)時(shí)性與識(shí)別精度。

關(guān)鍵詞：SSD模型；深度學(xué)習(xí)；人臉識(shí)別；特征向量

中圖分類號(hào)：TP 39" " " 文獻(xiàn)標(biāo)志碼：A

人臉識(shí)別是利用攝像機(jī)收集人臉圖像，進(jìn)而驗(yàn)證身份信息的技術(shù)。與生物識(shí)別相比，人臉識(shí)別能夠通過(guò)視頻設(shè)備更直觀地識(shí)別人員信息，具有高效、易推廣等優(yōu)勢(shì)[1]。目前的人臉識(shí)別研究主要集中在面部特征檢測(cè)，例如王傳傳等將人臉圖像進(jìn)行歸一化處理，通過(guò)訓(xùn)練模型取得了良好的識(shí)別效果[2]；劉敏將人臉圖片作為輸入信息計(jì)算3次樣條權(quán)函數(shù)，經(jīng)試驗(yàn)證明系統(tǒng)的識(shí)別率較高[3]。綜上所述，這些方法易受內(nèi)、外因素干擾，算法魯棒性較低。傳統(tǒng)識(shí)別算法在發(fā)展中已逐步被深度學(xué)習(xí)算法代替，深度學(xué)習(xí)算法能夠利用數(shù)據(jù)集進(jìn)行特征訓(xùn)練，使模型具有較強(qiáng)的魯棒性[4]。本文在利用注意力機(jī)制改進(jìn)歐氏距離函數(shù)的基礎(chǔ)上，設(shè)計(jì)了一種基于SSD深度學(xué)習(xí)算法的自動(dòng)化人臉識(shí)別系統(tǒng)，首先，利用深度學(xué)習(xí)算法檢測(cè)人臉圖像，并對(duì)關(guān)鍵點(diǎn)進(jìn)行預(yù)測(cè)。其次，利用SSD模型提取特征信息后構(gòu)建本地特征庫(kù)，完成人臉識(shí)別。最后，比較待檢測(cè)人臉圖像向量與本地特征向量間的歐氏距離，判斷結(jié)果并輸出。試驗(yàn)結(jié)果可知，該系統(tǒng)在滿足識(shí)別效率的同時(shí)也具有較高的識(shí)別精度，適應(yīng)性更廣泛。

1 基礎(chǔ)工作

1.1 算法原理

深度學(xué)習(xí)算法是將人臉圖像映射至歐氏空間，設(shè)定最優(yōu)閾值，計(jì)算不同人臉特征向量間的歐氏距離。如果歐氏距離低于設(shè)定閾值，就判定為同類；如果歐氏距離高于設(shè)定閾值，就判定為不同類。在框架中，根據(jù)既定尺寸輸入待識(shí)別樣本圖像，將其輸送至深度學(xué)習(xí)網(wǎng)絡(luò)中，提取輸入圖像的特征向量。其中，特征向量具有多維屬性，進(jìn)行歸一處理后，通過(guò)映射得到特征向量均值，待二元損失函數(shù)回歸后得出最終的識(shí)別結(jié)果。

1.2 模型構(gòu)建

深度學(xué)習(xí)算法是從一端到另一端的目標(biāo)檢測(cè)算法。與雙階段的檢測(cè)模型相比，SSD模型不需要生成先驗(yàn)候選框，能夠提升檢測(cè)準(zhǔn)確率。為強(qiáng)化泛化能力，SSD模型將Inception-v4作為骨干網(wǎng)絡(luò)塊進(jìn)行人臉特征提取，并將連接層轉(zhuǎn)變?yōu)榫矸e層，可在保證圖像檢測(cè)準(zhǔn)確的過(guò)程中逐步改進(jìn)漏檢與誤檢問(wèn)題。SSD模型構(gòu)建流程如圖1所示。

SSD模型采用方向梯度直方圖特征，使預(yù)測(cè)的人臉部位回歸現(xiàn)實(shí)，主要步驟如下：決策樹(shù)子節(jié)點(diǎn)存儲(chǔ)殘差回歸量，將輸入與殘差回顧量相加可得預(yù)測(cè)人臉形狀，如公式（1）所示。

q=（k1，k2，……，kn）

q（z+1）=qz+ε（epsilon）z （1）

式中：q表示n個(gè)關(guān)鍵點(diǎn)坐標(biāo)的人臉形狀集合；kt表示圖像k的第t個(gè)關(guān)鍵點(diǎn)坐標(biāo)（t=1，2……，n）；qz表示第z次預(yù)測(cè)出的人臉形狀；ε（epsilon）z表示第z次測(cè)算出的殘差回歸量。

1.3 函數(shù)的改進(jìn)

歐氏距離函數(shù)是深度學(xué)習(xí)的核心構(gòu)成，應(yīng)用時(shí)一般通過(guò)在數(shù)據(jù)集上構(gòu)建合適的距離來(lái)解決相應(yīng)問(wèn)題。在初始深度學(xué)習(xí)網(wǎng)絡(luò)中，模型通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)提取的特征距離來(lái)判定相似度。設(shè)輸入圖像樣本為x1、x2、y1和y2，通過(guò)歐氏距離求解距離|X|，如公式（2）所示。

（2）

從公式（2）可看出，歐氏距離表示各元素差的平方和，對(duì)奇異值來(lái)說(shuō)沒(méi)有魯棒性。同時(shí)，歐氏距離不同維度尺度存在差異，進(jìn)行相似人臉圖像訓(xùn)練時(shí)可能會(huì)出現(xiàn)識(shí)別誤差。為了解決該問(wèn)題，部分學(xué)者應(yīng)用馬氏距離對(duì)歐氏距離進(jìn)行修正，其本質(zhì)是將樣本點(diǎn)線性轉(zhuǎn)換后計(jì)算距離，如公式（3）所示。

（3）

式中：ω表示正定矩陣，對(duì)輸入樣本點(diǎn)進(jìn)行線性轉(zhuǎn)換。

替換歐氏距離函數(shù)后，計(jì)算度量距離中所需的參數(shù)γ，參數(shù)結(jié)果通過(guò)最小化函數(shù)獲得。設(shè)l（f）為損失函數(shù)，將對(duì)比損失作為損失函數(shù)，原因是深度學(xué)習(xí)網(wǎng)絡(luò)無(wú)法執(zhí)行分類任務(wù)，但能執(zhí)行不同樣本間的相似學(xué)習(xí)任務(wù)，如公式（4）所示。

（4）

當(dāng)模型學(xué)習(xí)完不同樣本間的相似性后，在深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中添加分類器進(jìn)行分類，如公式（5）所示。

（5）

在公式（5）中，m為1時(shí)表示同類別，反之為不同類別。分類器設(shè)計(jì)好后，根據(jù)深度學(xué)習(xí)網(wǎng)絡(luò)特有圖像進(jìn)行圖像訓(xùn)練。設(shè)數(shù)據(jù)集中有a類樣本，各類中有b個(gè)樣本，根據(jù)傳統(tǒng)訓(xùn)練模式，模型需要a×b個(gè)數(shù)據(jù)。使用深度學(xué)習(xí)網(wǎng)絡(luò)時(shí)，可自由定義數(shù)據(jù)點(diǎn)，該數(shù)據(jù)點(diǎn)就是深度學(xué)習(xí)網(wǎng)絡(luò)需要訓(xùn)練的數(shù)據(jù)數(shù)量，其中半數(shù)為同類別，其余則為不同類別。按照排序組合，可將最大樣本數(shù)s表示為公式（6）。

（6）

由公式（6）可知，在完整的人臉圖像數(shù)據(jù)庫(kù)中，利用較少的訓(xùn)練樣本可得一定數(shù)量的訓(xùn)練數(shù)據(jù)，與生成式的對(duì)抗網(wǎng)絡(luò)生成的圖像相比，深度學(xué)習(xí)網(wǎng)絡(luò)降低了噪聲干擾，進(jìn)而增加了模型的魯棒性。

2 系統(tǒng)設(shè)計(jì)

2.1 整體框架

系統(tǒng)實(shí)現(xiàn)框架如圖2所示，包括人臉信息收集與人臉圖像識(shí)別2個(gè)模塊。首先，利用攝像機(jī)收集人員信息，通過(guò)信息提取與特征提取構(gòu)建人臉信息特征庫(kù)。其次，攝像機(jī)收集人臉圖像，并根據(jù)所得圖像信息提取人臉特征，從而獲得待識(shí)別特征。最后，將這些待檢測(cè)特征與特征庫(kù)信息進(jìn)行比較，并輸出最終結(jié)果。

2.2 信息收集

信息收集的作用是收集待識(shí)別人臉特征，并將其添加至本地特征庫(kù)中。信息收集流程如圖3所示。1）收集整體圖像。調(diào)用Oracle深度學(xué)習(xí)數(shù)據(jù)庫(kù)中的歐氏距離函數(shù)，使用攝像機(jī)讀取人員視頻流，從中截取部分視頻幀，構(gòu)成數(shù)據(jù)集，并標(biāo)記好各類信息名稱。2）提取圖像。使用SSD模型檢測(cè)已標(biāo)記的圖像信息，利用回歸分析法分析圖像信息后將數(shù)據(jù)傳輸?shù)綀D像庫(kù)。3）提取特征。根據(jù)圖像庫(kù)存儲(chǔ)信息，利用SSD模型提取特征向量，不同圖像均可通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)提取出多維特征向量。4）搭建特征庫(kù)。存儲(chǔ)提取的特征向量和對(duì)應(yīng)信息，將存儲(chǔ)格式設(shè)置為T(mén)XT，用字符串記錄標(biāo)簽并存儲(chǔ)特征向量。

2.3 人臉識(shí)別

人臉識(shí)別的作用是完成人臉識(shí)別，即通過(guò)攝像機(jī)獲取待識(shí)別人臉信息。人臉識(shí)別流程如圖4所示。1）載入圖像特征庫(kù)。信息收集模塊與特征庫(kù)相連，將上述存儲(chǔ)的特征向量及其對(duì)應(yīng)信息作為識(shí)別結(jié)果進(jìn)行輸出，其中特征向量通過(guò)矩陣載入，對(duì)應(yīng)信息以Json載入。2）向量匹配。合理匹配提取出的特征向量和特征庫(kù)向量，從而獲取待檢測(cè)信息，并通過(guò)測(cè)算歐氏距離判斷匹配是否成功。3）輸出結(jié)果。比較待檢測(cè)特征向量、本地特征向量的歐氏距離|X|和已設(shè)閾值，如果已設(shè)閾值低于|X|，可知匹配失??；如果已設(shè)閾值高于|X|，可知匹配成功。最后輸出與特征向量對(duì)應(yīng)的信息。

3 系統(tǒng)試驗(yàn)

3.1 試驗(yàn)配置

為了驗(yàn)證系統(tǒng)性能，本文進(jìn)行了人臉識(shí)別試驗(yàn)。試驗(yàn)數(shù)據(jù)來(lái)自常用的WiderFace數(shù)據(jù)集。該數(shù)據(jù)集包括大量不同種類、尺寸、姿態(tài)和遮擋程度的人臉圖像，因此被廣泛應(yīng)用于人臉檢測(cè)算法的訓(xùn)練和性能評(píng)估。本試驗(yàn)運(yùn)行軟硬件環(huán)境見(jiàn)表1。

3.2 模型訓(xùn)練

SSD模型采用梯度下降進(jìn)行相應(yīng)訓(xùn)練，設(shè)定學(xué)習(xí)率初始值為0.01，當(dāng)多次驗(yàn)證模型準(zhǔn)確率迭代次數(shù)不出現(xiàn)變化時(shí)，學(xué)習(xí)率就會(huì)降低50%。因?yàn)閿?shù)據(jù)樣本量較大，所以選取數(shù)據(jù)集中的一部分進(jìn)行試驗(yàn)，其余數(shù)據(jù)用于訓(xùn)練模型。在訓(xùn)練過(guò)程中，當(dāng)?shù)螖?shù)為120時(shí)，模型準(zhǔn)確率開(kāi)始逐步穩(wěn)定，同時(shí)相應(yīng)損失率為1.3%。為驗(yàn)證檢測(cè)準(zhǔn)確率的上限，將最大迭代次數(shù)設(shè)置為210。當(dāng)?shù)螖?shù)達(dá)到150時(shí)，準(zhǔn)確率已無(wú)較大變化，因此綜合訓(xùn)練時(shí)長(zhǎng)與損耗率等因素已無(wú)較多參考價(jià)值，不再進(jìn)一步增加迭代次數(shù)。強(qiáng)化前、后SSD模型訓(xùn)練的準(zhǔn)確率與損失率如圖5所示。從試驗(yàn)結(jié)果可知，強(qiáng)化前的準(zhǔn)確率為95.3%左右，強(qiáng)化后的準(zhǔn)確率高達(dá)98.5%，相應(yīng)的訓(xùn)練損失率可以忽略不計(jì)。

3.3 速度檢測(cè)

基于SSD深度學(xué)習(xí)算法的自動(dòng)化人臉識(shí)別系統(tǒng)主要利用ISV-V02M013S-N高級(jí)視頻分析攝像機(jī)對(duì)識(shí)別結(jié)果進(jìn)行速度檢測(cè)。進(jìn)行系統(tǒng)試驗(yàn)后可知，本系統(tǒng)的識(shí)別速度均值＞25f/s，已遠(yuǎn)超所需的23f/s標(biāo)準(zhǔn)，因此本系統(tǒng)在人臉識(shí)別速度上符合現(xiàn)實(shí)工作需要。

3.4 精度檢測(cè)

為進(jìn)一步驗(yàn)證系統(tǒng)識(shí)別精度，從數(shù)據(jù)集中隨機(jī)抽取300人（600張圖像）進(jìn)行檢測(cè)。每個(gè)人有2幅圖像，選擇其中一幅作為待檢測(cè)圖像，另一幅放于特征庫(kù)。設(shè)定特征向量間的歐氏距離和閾值，如果閾值小于歐氏距離，可知特征庫(kù)中不存在圖像數(shù)據(jù)，反之則需要重新判斷準(zhǔn)確率。精度檢測(cè)具體情況見(jiàn)表2。當(dāng)閾值為0.5時(shí)，識(shí)別準(zhǔn)確率最高，為99.5%。由試驗(yàn)可知，本系統(tǒng)在識(shí)別準(zhǔn)確率方面能夠滿足現(xiàn)實(shí)所需。

4 結(jié)語(yǔ)

綜上所述，本文在利用注意力機(jī)制改進(jìn)歐氏距離函數(shù)的基礎(chǔ)上，設(shè)計(jì)了一種基于SSD深度學(xué)習(xí)算法的自動(dòng)化人臉識(shí)別系統(tǒng)。在仿真測(cè)試中，SSD模型在檢測(cè)與識(shí)別上具有較好表現(xiàn)，系統(tǒng)的識(shí)別速度超過(guò)25f/s。當(dāng)特征向量間的歐氏距離為0.5時(shí)，識(shí)別準(zhǔn)確率高達(dá)99.3%，人臉識(shí)別的魯棒性有所提高。該系統(tǒng)具有顯著的識(shí)別效果，能夠應(yīng)用于不同的人臉識(shí)別領(lǐng)域。

參考文獻(xiàn)

[1]賀宇桐，盧泓熹.基于單目RGB活體檢測(cè)技術(shù)人臉識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2023（24）：120-124.

[2]王傳傳，高婕.基于改進(jìn)FaceNet算法的人臉智能識(shí)別方法[J].工業(yè)控制計(jì)算機(jī)，2024，37（2）：126-128.

[3]劉敏.基于樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J].現(xiàn)代信息科技，2024，8（4）：109-112.

[4]焦陽(yáng)陽(yáng)，黃潤(rùn)才，萬(wàn)文桐，等.基于圖像融合與深度學(xué)習(xí)的人臉表情識(shí)別[J].傳感器與微系統(tǒng)，2024，43（3）：148-151.