技术交流 非受控场景下的二维人脸识别研究 闰月影北京城市学院 摘要： 近年来， 人脸识别是生物特征识别、 计算机视觉等领域研究的热点课题之。 人脸识别按照测试数据类型“fly 2 分为受控场景人 脸识别和非受控场景人脸识别。 在受控的场景下， 人脸识删技术已经迟到了 令人满意的效果。 然而在实际的应用过程中 ， 由于光照变化， 姿 态变化 、 遮挡 和表情 变化等一 系列非可控 因素的影响 ， 可能导致非 受控场 景下 的人 脸 图像 类 内变化远 大于类间变化 ， 使得人 脸 识 别的性能急 剧下降， 无法满足实际应用的需求。 因此， 本文将针对非受控场景中的人 脸识别问题展开深入研究与分析， 针对其中的关键问题和难点， 提 出相应的解决办法。 本课题针对非受控人脸识别问题中的各类干扰因素以及 “ 数据缺失” 现 象， 聍人脸识别算法进行了 研究和设计。 针对非 受控人脸识别中 各类干扰因素的影响， 本文设计出 一种改进的卷积神经网络 ( C N N ) 进行人脸识别工作。 该 C N N模型具有多个隐藏层， 通过 逐层提取特征的方式， 能够很好地消除非受控状态下人脸识别问题中 各种复杂干扰的影响。 关键调： 人脸识别 非受控卷积神经网络 1引曹 随着 电子商务 ( E l e c t r o n i c C o mme r c e ) 在世界范围内的迅 速发展 ，在 I n t e me t 等开放式网络中进行 电子交易等商务活动 逐渐步入公众 的视野 。然而 ，网络上存在着一些敏感 的个 人 信息 ，这些个人信息通过授权后才能允许访 问，因此作为网 络安全 的一个关键 问题 ，身份鉴别 引起越 来越多的关注。传 统 的身份验 证方式包括用户 口令、用户账号、身份证和智能 卡 等，但是 ，随着信息技术 的不断 发展 ，这 些传 统的身份认 证方 式变得 不再安全。例如 一些网络黑客会通过 网络窃取 用 户个人信息 ，给 网络 用户带来巨大的损失 ，解决这一 问题迫 在 眉睫 。生物特征识别技 术是指计算机利用人体生物特征进 行 身份 识别或个体验证的一种技术 。与传统身份验证方式相 比 ，生物特征 识别技 术具有其独特 的属性 ( 生物特征通常具 有唯一性 )，因此能够在一定程度上解决这一问题 。 人脸 识别技术 由于其直接 、友好等特性 ，易 于为用户所 接受 ，逐渐在众 多生物 识别技 术 ( 视网膜识别 、声音识别 、 指纹识别等 )中脱颖而出。人脸识别技术是通过计算机分析 人脸 图像 ，利用特殊方法提取 人脸 中有效的识别信息 ，进行 身份验证的一门技术 。 人脸识别按照测试数据 类型可 分为受控场景人脸识别和 非受控场景人脸识别 。非受控场景下 的人脸识别 是指使 用在 个体不被告知或不被打扰 的情况下获得 的图像进行身份识别 。 与注册图像相比，测试图像会存在人脸局部遮挡、姿态变化、 光照变化 、表J隋变化 、化妆甚至成像质量下降等 一个 或多个 情况 ，这给人脸识别带来 了巨大挑 战。因此 ，本 文通过分析 非受控状态下人脸识别 过程中可能遇到的各种 问题 ，给出相 应的解决策略 。 2非受控状态下的人脸识 别 2 1人 脸 识 别 系统 人脸识别 属于图像识别 的一种 ，其大致工作过程如 下 ： 首先输入需要进行身份识别的人脸图像，经过预处理和特征 提 取等步骤逐渐减 少数据量 ，并得到特征 向量 。然后将提取 到的特征向量与样本特征库 中的特征进行 比较 ，输 出识别结 果。输 入的图像可 以使二维平面 图像或含 有丰富人 脸信息的 数码世界 R 3 9 4 三 维点云数据 。一个人脸识别 系统通 常有两种模式 ，人脸认 证 模式和人脸识别模式 。人脸认证模 式下进行的是一对一 的 处理，将输入人脸图像提取出的特征与已经获得分类信息的 图像进行特征 匹配 ，通过对 比输入 图像的特征与样本库 中的 特征判断是否具 有相 同身份 。人脸 识别模式下进行一对 多处 理 ，将输入图像 的特征 与有标 签数据集中 的所有对 象分别进 行 匹配 ，找 出与之 匹配程度最高 的一个对 象，从而 识别 出输 入图像的身份 。图 2 - 1 显示了人脸识别的过程 。 。 、 圈 2 1人 脸 识 别 过 程 2 2非 受控 状 态下 的人 脸 识 别 问题 分析 在实际应用过程中，人脸识别系统的性能往往会受到各 类综合 因素的影响 ，例如光照变 化、姿态变化 、面部表情 、 年龄跨度 、面 部遮 挡等。人脸识别可 以分 为两大类 ：合作情 况 ( 受控状态 )与非合作情况 ( 非受控状态 )。 合作 的情 况主要有 以下这 些应用 ：安全检查 系统 、计算 机登录和电子护照等。在这种情况下，用户愿意主动配合， 并以要求 的方式 ( 如 中性 表情、眼睛睁开的正面姿 势 ) 来 表 现他们 的人脸 以获得访 问权限或通过检查 。在非合作 的情况 下 ，例如视频监控中，用 户可能并不知道到他们正在被监控 。 同时通常在 用户主动配合 的情况下 ，如计算机登 录等 ，距离 一般少于 1 米 ， 这样的人脸识别问题相对来说是比较简单的。 而非合作情况下的应用一般距离都较远 ， 如视频监控识别等 ， 非常富有挑战性 。 虽然非 受控 状态 下 的人脸 识别 比受 控状 态下 的识 别难 度大 ，但显然 非受控状态下的人脸识别应用范围更加 广 泛 。 近年 来 ，虽然 人脸识别技术 由于其 友好性和非打扰 等优 势 ，逐渐被广泛应用在 各个领域。 同时 ，在应用过程 中它 的 很多缺陷与问题也逐渐突显出来 ， 成 为其进一步发展的阻碍 ， 主要表现在 以下几个方面 ： 光照变化 。在 实际应用 中，受到外界 的光照 干扰等 因 素影 响，会 导致拍 摄到的人脸图像部分 区域 出现 过亮或过暗 现象 ，严 重者可 能导致人脸特征完全消失 ，给预处理 等过程 带来极大 的不便。 由于在非受控状态 下，光照条件保持 稳定 是完全 不可能实现 的 ，目前众多人脸识别方法都对 光照 条件 有一定 的要求 ，因此光 照是人脸识别技术需要克服 的最大技 术难题之一 。 姿态变 化 。这里 的姿 态变 化是 指人脸 相对 于摄 像机 的视角发生变化 ，这也是一个会对人脸识别 系统的性能 产 生极 大影 响 的因 素 。 当 同一 身份 的人 脸 头 部 发 生 姿态 变化时 ( 旋转或倾斜 )，人脸特征会随之发生较大变化。 同时，在实际应用中，大部分情况下被识别者的动作是 非受控 的，这就会 导致人脸发生大姿态变化 ，有可 能只 能采 集到 小部 分入脸 ， 给入脸 识别 带 来极大 的 困难 。 因 此 ， 提高 识别系统对人脸 姿态 的鲁棒性 也是人脸识别 中的挑 战 之 一 。 表情变化。人脸由于人类发达的面部肌肉可以做出 各种丰富的表情。人脸表情的变化会引起人脸几何形状及 面部特征的变化， 同时引起采集的二维人脸图像发生变化， 对人脸识别系统的性能产生干扰。因此，即便是身份相 同 的人 ，在表J 青变化的影响下 ，人脸特征会发生极大变化， 使人脸识别算法难以提取有效识别特征 ，影响人脸识别算 法 的性 能 。 有无遮挡。人脸面部可能存在眼镜、胡须、帽子、围 巾等遮挡物 。尤其 是当这些遮挡物 的面积 过大或遮挡住了人 脸的关键部位时，会对人脸识别系统产生影响，导致系统难 以获得足够 的人脸 特征 而发生漏判或错 判 ，导致识别率 的下 降。 非人脸和类肤色干扰 。在 非受控状态下 的人脸 图像采 集中，背景中有时会存在和肤色类似的像素，同时人脸附近 也可能存在有非人脸肤 色部分 ，导致人脸 图像 的肤 色区域难 以分离出来，导致人脸识别系统无法检测出准确的入脸位置 和 区域而发生错误 ，致使识别率下降。 其他 因素。除了以上几种 常见 因素之外 ，非受控状 态 下 的人脸识别还存在大 量干扰因素 ：年龄跨度 导致 入脸 特征 发 生变化 ；人脸采集设 备 ( 如 噪声 、曝光不足 、模糊 等 )会 对拍摄 到的人脸图像产 生不同的影响 。因此要解决如此 多复 杂因素的影响，就必须设计出鲁棒性更强，人脸识别准确率 更高的人脸识别方法。 2 5 深 度 卷 积 网 络 2 3 1卷积神经网络结构 卷积神经网络是一种结构特殊 的神经网络 ， 包含输入层 、 输 出层 和隐藏层等 各层 ，每 一层 由若干二维平面构成 ，而每 个二维平面由众多独立的神经元组成。 通常第一层为输入层， 而 与它直接 连接的是特征提取层 c，而 与 c层连接 的则是特 技术交流 征映射层 S 。网络中最重要的部分就是中间的隐藏层 ，包括卷 积层和下采样层。其中卷积层是由抗形变的C元聚合而成， 而下采样层 则由 S元构成 ( 承担特征提取 工作 )。输入层 的 所有局部感受野都与 c层中的每一个神经元相连接，用来提 取输入层的局部特征。首先将样本图像输入卷积层进行卷积 ( 卷积层中包含滤波器 )，这个滤波器可以添加偏置并且可 以训练 ，卷积后在 C1 层产生 n个特征 映射图 。接下来对这 些 特征映射图进行分组求和加权以及偏置。接着通过 S i g mo i d等 激 活函数得到 s 2 层 的 n 个特征映射图。最后循环执行以上过 程 ( 循环次数人为设定 ) ， 最后一个下采样层与输出层全连接 ， 得 到最终输 出结果。 2 3 2 卷积神经网络在非受控人脸识别上的优势 卷积神经网络采用局部感知野、权值共享以及多个滤波 器 等方 法综合在一起 ，因此具有网络结构简单 、训练参数较 少和适应性强等特点 。卷积神经网络 的特殊结构避免了传统 算 法中复杂的特征提取和特征重建过程 ，在训练过程 中能够 并行进行特征提取和模式分类。 卷积神经 网络可 以分层提 取特征 ，然后再进行人脸验证 工作，这种结构显然 能够 解决解决非受控状态下 的人脸识别 问题 。因为无论对于 具有相似干扰 ( 遮挡 部位 )的图像还是 具有不同干扰的图像，通过卷积神经网络的分层特征提取都 可以解决。 正是卷积神经网络 的这种特殊结构，它才可以完全解 决非受控问题中诸如姿态变化、 光照变化、 表情变化、 遮挡、 旋转和尺度变换等综合干扰因素的影响以及大姿态、大范 围遮挡 下的 “ 数据缺 失”问题。 3结论 卷积神 经网络是人工神经 网络 与深度学 结合 的产 物 ，具有层次结构化 、局部感 知区域 、特征提取和分 类过程 结合的全局训练等特点。研究表明，C NN 网络通过多层非线 性映射 ，能够很好地解 决姿态变化 、光照变化 、表情变化、 遮挡、旋转和尺度变换等综合干扰影响对人脸识别工作的影 响。 参考文献 【 1 】 Hi n t o n G E S a l a khu t di n o v R R Re d u c i n g t he d i me n s i o n a l i t y o f d a t a wi t h n e u r a l n e t wo r k s J 】 S c i e n c e ， 2 0 0 6 ，3 1 3 ( 5 7 8 6 ) ：5 0 4 - 5 0 7 【 2 】 B e l hu me u r P N Ong o i ng Cha l l e n ge s i n Fa c e Re c o g ni t i o n Fr o nt i e r s o f E ng i ne e r i ng：Re p o r t s o n Le a di ng- Ed g e E n g i ne e r i n g f r o m t h e 2 0 0 5 S y mpo s i u m R】 ， Ne w Yo r k U