人脸识别是当今社会的一个热门话题，也是一个重要的研究方向。它的应用范围非常之广，是几乎任何的智能设备都可以搭载的一项技术。但是，很多时候人脸识别用于安全方面，比如现在的人脸解锁。这对于人脸识别的精确度提出新的要求。因为在人脸识别的过程中有着比传统的密码识别，或是先进的指纹、虹膜识别更加多的干扰。从第一步的获取人脸图像开始，就有例如光线的方向、强度等随机因素，人脸的多变性，表情的影响等等诸多考验。因此现在的人脸识别还有较大的提升空间，也有很长的一段路要走。

当前很多国家展开了有关人脸识别的研究。主要有美国、欧洲、日本等。 研究机构有MIT媒体实验室和人工智能实验室、CMU的机器人研究所、法国的INRIA研究院。美国国家标准技术局举办的FRVT2006通过大规模的人脸测试表明，当今世界上人脸识别的一些方法的识别的精度已经超过人类的平均水平。而对于高清晰、高质量人脸图像识别，机器的识别精确度几乎达到百分之百。

我国在人脸识别领域的研究虽起步较晚，但是进展迅速，中科院科院计算所山世光研究员带领的人脸识别研究组研发的SeetaFace人脸识别引擎SeetaFace人脸识别引擎包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块SeetaFace Detection、面部特征点定位模块SeetaFace Alignment以及人脸特征提取与比对模块 SeetaFace Identification。其中，SeetaFace Detection采用了一种结合传统人造特征与多层感知机（MLP）的级联结构，在FDDB上达到了84.4%的召回率（100个误检时），并可在单个i7 CPU上实时处理VGA分辨率的图像。面部特征点定位模块SeetaFace Alignment通过级联多个深度模型（栈式自编码网络）来回归5个关键特征点（两眼中心、鼻尖和两个嘴角）的位置，在AFLW数据库上达到state-of-the-art的精度，定位速度在单个i7 CPU上超过200fps。人脸识别模块SeetaFace Identification采用一个9层的卷积神经网络（CNN）来提取人脸特征，在LFW数据库上达到97.1%的精度（注：采用SeetaFace人脸检测和SeetaFace面部特征点定位作为前端进行全自动识别的情况下），特征提取速度为每图120ms（在单个i7 CPU上）。

种种这些人脸识别技术的发展都离不开计算机配置的不断提高。尤其是运算速度和效率的不断加快，以及图像采集加工能力的提高，人脸识别方法有了重大突破。不仅能自动识别正面的，光照良好的，没有遮挡的人脸。而且对不同姿态变化、不同表情、不同年龄、不同光照的人脸也能进行识别。这一阶段研究人员提出了许多人脸识别的方法，在一定程度上带动了人脸识别技术的发展。

2. 研究的基本内容与方案

基本内容：拟通过机器学习及相关算法，以PYTHON语言作为工具，训练一个网络，为脸部图片生成测量值并能够识别该脸部图片。

目标：使用PYTHON语言，编程实现深度学习，搭建并训练卷积神经网络。最终实现人脸识别功能。

拟采用的技术方案及措施：首先是数据的预处理，我们需要在给定的图片中寻找出“人脸”，采用方向梯度直方图的方式。首先将图片转为黑白，再将黑白图片中的每一个像素标上一个箭头，箭头指向变暗的方向，遍历所有的像素，可以得到一张梯度图，然后与已知人脸的梯度图进行对比，确定人脸的位置。接下来将运用到深度学习的相关知识。确定人脸的位置之后，将采用面部特征点估计的算法，这个算法将在人脸上标出68个特征点，这些特征点通过旋转,缩放等一些不影响失真的后可以便于对应同一张人脸的不同形态，如侧脸等。最后将训练一个深度卷积神经网络为脸部生成128个测量值来识别人脸。每次训练要观察三个不同的人脸照片，两张同一人的不同照片，一张另一个人的照片，要求得到的结果是这些测量值前两张接近，而与最后一张不同 。这样就可以区分人脸与人脸的不同。最后将人脸打上对应的类标，当用户访问的时候就可以输出相应的功能，如解锁或是智能分类等。在此过程中将用到深度学习，神经网络，图像处理等相关知识。

1. 塞巴斯蒂安·拉施卡.PYTHON机器学习2017.5.1

2. 严严,陈日伟,王菡子.基于深度学习的人脸分析研究进展[J].厦门大学学报(自然科学版),2017,56(01):13-24.

   剩余内容已隐藏，您需要先支付 5元 才能查看该篇文章全部内容！立即支付