【面部識(shí)別的算法分析與設(shè)計(jì)案例3600字】VIP

面部識(shí)別的算法分析與設(shè)計(jì)案例目錄TOC\o"1-3"\h\u26758面部識(shí)別的算法分析與設(shè)計(jì)案例 1213711.1基于MTCNN的檢測(cè)算法 1108811.1.1卷積神經(jīng)網(wǎng)絡(luò) 1214241.1.2多種任務(wù)的學(xué)習(xí) 3111491.2算法的選取 5202631.3人臉識(shí)別的算法 51.1基于MTCNN的檢測(cè)算法近年來(lái)，在計(jì)算機(jī)視覺(jué)領(lǐng)域卷積的神經(jīng)網(wǎng)絡(luò)取得了劃時(shí)代的進(jìn)步，基于卷積神經(jīng)網(wǎng)絡(luò)的臉部計(jì)算算法不斷登場(chǎng)。最有名的是KaippengZhang團(tuán)隊(duì)提出的基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的多任務(wù)學(xué)習(xí)水平的面部檢測(cè)算法。該算法主要設(shè)計(jì)了一種輕量卷積的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠充分保證實(shí)時(shí)性能，并提出了一種解決困難在線樣本的方法。該算法目前基于與算法相同的算法，具有最高的識(shí)別精度。1.1.1卷積神經(jīng)網(wǎng)絡(luò)CNN是一種將二維的數(shù)據(jù)作為輸入處理的不完整連接的N層神經(jīng)網(wǎng)絡(luò)的算法。網(wǎng)絡(luò)各層有N個(gè)二維的平臺(tái)面，各平臺(tái)面有N個(gè)獨(dú)立的神經(jīng)元。神經(jīng)元之間的連接只存在于相鄰之間。CNN的底層主要用于提取圖像的紋理和邊框。然后將最下層得到的信息通過(guò)神經(jīng)元連接傳遞到下一層，圖像最重要的結(jié)構(gòu)信息被分階段提取出來(lái)。簡(jiǎn)單來(lái)說(shuō)，層越多，性能越好。CNN使用的算法和普通的神經(jīng)網(wǎng)絡(luò)算法的區(qū)別在于CNN是由本地連接和共享。這樣一來(lái)，需要訓(xùn)練的重量就會(huì)減少，網(wǎng)絡(luò)模型的學(xué)習(xí)復(fù)雜性也會(huì)減輕。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。圖3-1主要包括卷積層、環(huán)層和完全連接的層。圖1.-1卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)圖卷積層上圖所示的C1和C2是卷積層。卷積層通過(guò)如上圖的conv1和conv2所示的可學(xué)習(xí)卷積內(nèi)核。首先，從上一層矩陣中提取大小相同的卷積內(nèi)核區(qū)域，然后按順序?qū)⒕矸e內(nèi)核的相應(yīng)位置值與該區(qū)域值相乘，最后添加偏移量。最后，其他區(qū)域的結(jié)果按照卷積內(nèi)核的移動(dòng)步長(zhǎng)順序計(jì)算。所有折疊完成后，這些結(jié)果是為了生成新的矩陣而結(jié)合的。L-1第一個(gè)單層卷積神經(jīng)網(wǎng)絡(luò)的第無(wú)數(shù)個(gè)特征圖為的意思是從L的第一層的第M層到第L層的第n層的圖表的卷積內(nèi)核。所以第n個(gè)特征圖的公式為1.1.1：（3-1）*對(duì)于符號(hào)，這是離散卷積算法的運(yùn)算符號(hào)。f（*）是算法的激活函數(shù)，通常是信令函數(shù)，表示為圖1.1.2（3-2）這里面的X是輸入，f（x）是輸出池化層上圖的S1和S2是池化層。池化層對(duì)主要的視覺(jué)特征進(jìn)行過(guò)濾，通過(guò)采樣將其整合抽象和視覺(jué)功能。環(huán)層采用最大值的采樣方法，采樣大小為4X4。首先，由上一層提取的特征矩陣被分割成4X4矩陣，然后獲得各矩陣的最大值，進(jìn)行最終輸出。尺寸是原來(lái)的1/2。減少采樣后的計(jì)算量，可以避免圖像轉(zhuǎn)換的影響。儀式如下公式1.1.3：（3-3）其中L-1層網(wǎng)絡(luò)表示輸出的無(wú)數(shù)個(gè)特征的圖表，這是L層網(wǎng)絡(luò)優(yōu)化后的無(wú)數(shù)個(gè)圖表，down表示最大函數(shù)。全部連接層圖3-1的F1由于連接層和完全連接層主要可以提高網(wǎng)絡(luò)映射，所以網(wǎng)絡(luò)上的上一層的所有神經(jīng)元都會(huì)連接到當(dāng)前網(wǎng)絡(luò)的所有神經(jīng)元，而同一層的神經(jīng)元不會(huì)連接。其公式為1.1.4（3-4）這里面的L所表示的當(dāng)前的網(wǎng)絡(luò)的層數(shù)，N表示的是第L-1層網(wǎng)絡(luò)的神經(jīng)元的個(gè)數(shù)，這個(gè)表示是第L-1層的網(wǎng)絡(luò)的第i個(gè)神經(jīng)元輸入的值。表示的是第L層網(wǎng)絡(luò)神經(jīng)元J和第L-1層網(wǎng)絡(luò)神經(jīng)元i之間的連接的權(quán)值，表示的是第L層網(wǎng)絡(luò)神經(jīng)元J的偏置。表示的是激活函數(shù)。1.1.2多種任務(wù)的學(xué)習(xí)所提出的MTCNN算法記述了多任務(wù)學(xué)習(xí)面部檢測(cè)框架【13】【8】。所以可以同時(shí)執(zhí)行下面的三個(gè)功能：（1）人臉檢測(cè)：面部檢測(cè)可以被視為二進(jìn)制分類問(wèn)題，使用交叉熵的損失函數(shù)用公式1.1.5來(lái)描述：（3-5）里面的用來(lái)表示第i個(gè)訓(xùn)練樣本的真實(shí)，這個(gè)表示的是人臉，如果沒(méi)有等于1就說(shuō)明不是人臉。用來(lái)表示第i個(gè)的訓(xùn)練樣本為人臉的改了吧。（2）檢測(cè)框的回歸：通過(guò)用歐式距離公式1.1.6用來(lái)表示候選窗口的損失【13】：（3-6）這個(gè)表示的是第無(wú)數(shù)個(gè)的樣本的真實(shí)向量。矢量由決定了邊界線的四個(gè)元素（水平坐標(biāo)、垂直坐標(biāo)、h和寬度）此表示第i個(gè)訓(xùn)練樣本的預(yù)繪制包圍盒矢量。人臉的特征點(diǎn)的檢測(cè)：面部特征點(diǎn)的構(gòu)成基本上與檢測(cè)幀回歸相同，由二維排列構(gòu)成。用歐幾里德距離表示的特征點(diǎn)損失的說(shuō)明如公式1.1.7：（3-7）這表示為第i個(gè)訓(xùn)練樣本的實(shí)際面部坐標(biāo)。共有5個(gè)點(diǎn)，各點(diǎn)有4個(gè)坐標(biāo)。由此就知道為20元組。如圖3-2這主要表示第N個(gè)樣本的坐標(biāo)【13】。圖3-2MTCNN的主要架構(gòu)解析MTCNN的算法講述：操作1：首先，初始化訓(xùn)練樣本和網(wǎng)絡(luò)權(quán)重。樣品集主要由部分臉部和部分非面部樣品構(gòu)成。假設(shè)樣本總數(shù)為N，則訓(xùn)練樣本集可以輸入金字塔。在網(wǎng)絡(luò)中裝入各種大小的圖像。操作2：把目標(biāo)全部綜合在一起，然后再使用廣撒網(wǎng)法來(lái)調(diào)整網(wǎng)絡(luò)。操作3：將一樣的圖像放置在不同大小的結(jié)構(gòu)中，并且一起傳送到訓(xùn)練的網(wǎng)絡(luò)里面。操作4：使用P-Net生成候選窗口和邊界。再用Bounding盒子進(jìn)行校正，最后使用NMS的算法進(jìn)行疊加重組。操作5：把P-Net輸出和改善后的候選窗口及Bounding盒得到矢量傳輸?shù)絅-Net。用這種方法的優(yōu)點(diǎn)就是淘汰了消極樣本。操作6：將N-Net得到改善后的結(jié)果輸入O-Net，再重復(fù)操作4，最后的得到臉部的具體位置。1.2算法的選取根據(jù)本論文算法和結(jié)果的要求，需要選擇合適的算法。需要結(jié)果的精度，實(shí)現(xiàn)高速化。翻閱很多優(yōu)秀的論文以及期刊，最后決定MTCNN算法。它主要是利用卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)造，并且它在最近幾年的呼聲是相對(duì)很多其他算法中最好的。檢測(cè)率是指實(shí)際檢測(cè)出的面部數(shù)量與正確檢測(cè)出的面部數(shù)量的比率，錯(cuò)誤檢測(cè)率是指實(shí)際檢測(cè)出的面部錯(cuò)誤的比率。MTCNN這個(gè)算法的成功率是最高的，并且很少存在失誤的，至于檢測(cè)的速度這個(gè)由于人臉太多以及人臉也不一樣，所以對(duì)于速度我們可以進(jìn)行忽略不計(jì)。所以綜上所述我們選擇的是MTCNN這個(gè)人臉識(shí)別算法作為本文的算法。1.3人臉識(shí)別的算法面部識(shí)別主要是將收集的圖像輸入保存在面部數(shù)據(jù)庫(kù)中，然后在數(shù)據(jù)庫(kù)中找到一致的面部的過(guò)程，進(jìn)而達(dá)到最初的目的——身份的認(rèn)證。直接對(duì)照臉部圖像時(shí)，因?yàn)橛?jì)算量變多，所以為了用低次元的特征向量來(lái)表達(dá)臉部，需要使用特征提取方法。這個(gè)階段有兩個(gè)主要問(wèn)題需要解決。一個(gè)是確認(rèn)輸入是誰(shuí)，另一個(gè)是確認(rèn)輸入是否在數(shù)據(jù)庫(kù)中有保存。隨著時(shí)代的進(jìn)步，科技的飛速發(fā)展，技術(shù)的不斷成熟，近幾年提出的面部識(shí)別算法的識(shí)別率非常優(yōu)秀，主要分為：第一類這是一種傳統(tǒng)的機(jī)器學(xué)習(xí)方法，主要使用比較流暢的表現(xiàn)論，將臉部圖像映射到部分空間以進(jìn)行識(shí)別。第二類就是我們現(xiàn)在說(shuō)的使用深度卷積神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到網(wǎng)絡(luò)讓網(wǎng)絡(luò)學(xué)習(xí)到人臉最本質(zhì)的特征然后再進(jìn)行識(shí)別。1.1.1FACENET的識(shí)別算法深層學(xué)習(xí)主要是基于深層神經(jīng)網(wǎng)絡(luò)的包括多電平非線性轉(zhuǎn)換的機(jī)器學(xué)習(xí)方法。實(shí)際上，深層學(xué)習(xí)的概念是在2006年之前提出的，但是受到當(dāng)時(shí)條件的影響，受到了限制。只能識(shí)別早期深層學(xué)習(xí)手寫數(shù)字等小樣本。這個(gè)適用于面部樣品的話是非常沒(méi)有效果的。隨著技術(shù)的進(jìn)步，計(jì)算機(jī)的硬件已經(jīng)不再是限制條件，深度學(xué)習(xí)再次受到關(guān)注。FACENET是谷歌提出的基于卷積神經(jīng)網(wǎng)絡(luò)的最新算法。FACENET直接學(xué)習(xí)從圖像到空間的映射。以下3-3是FACENET的圖像：圖3-3FACENET的主要圖像1）FACENET的基本構(gòu)架提高深層神經(jīng)網(wǎng)性能的最直接的方法是增加大小。當(dāng)然尺寸包括深度和寬度。深度主要是網(wǎng)絡(luò)的層數(shù)，寬度是網(wǎng)絡(luò)各層的神經(jīng)元。但是這個(gè)制度也有很多缺點(diǎn)。因?yàn)楫吘鼓艿玫綌?shù)據(jù)是有限的，網(wǎng)絡(luò)的大小越大就會(huì)發(fā)生釣魚的現(xiàn)象。這主要是因?yàn)樯顚由窠?jīng)網(wǎng)由串聯(lián)的多種神經(jīng)網(wǎng)絡(luò)層組成，大小越大，參數(shù)越大，訓(xùn)練參數(shù)隨x的增大而增大，導(dǎo)致計(jì)算越發(fā)的復(fù)雜。在有限的計(jì)算資源設(shè)備中，如果大小的增加導(dǎo)致性能的提高沒(méi)有太大變化，則會(huì)浪費(fèi)很多資源。但是為了解決上面的這些問(wèn)題，F(xiàn)ACENET的深層神經(jīng)網(wǎng)使用了Inception的網(wǎng)絡(luò)結(jié)構(gòu)，Inception對(duì)完全連接層應(yīng)用完全連接層，通過(guò)應(yīng)用卷積層來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行深度的優(yōu)化進(jìn)而提高性能。Inception這個(gè)是使用了解析網(wǎng)絡(luò)結(jié)構(gòu)。核心想法是在網(wǎng)絡(luò)上尋找最佳Locapos結(jié)構(gòu)，取代原來(lái)的非稀缺結(jié)構(gòu)。Arra的團(tuán)隊(duì)提出了一種具有相互連接層的網(wǎng)絡(luò)結(jié)構(gòu)。在這個(gè)結(jié)構(gòu)中，每個(gè)層的輸入必須計(jì)算網(wǎng)絡(luò)最后一層的結(jié)構(gòu)特性和最后一層的輸出集中在該層的輸入上。因此，網(wǎng)絡(luò)最底層的每個(gè)節(jié)點(diǎn)都對(duì)應(yīng)于輸入特征圖的特定區(qū)域，這個(gè)節(jié)點(diǎn)也被用來(lái)輸入網(wǎng)絡(luò)的下一層。在最下級(jí)網(wǎng)絡(luò)中，相關(guān)關(guān)系強(qiáng)的節(jié)點(diǎn)集中在相對(duì)空間。根據(jù)各層連接，Inception具有更多的系數(shù)，減少了必要的訓(xùn)練參數(shù)。使用1*1、3*3、5*5的維護(hù)并列構(gòu)建Inception。使用3*3帶環(huán)層進(jìn)行帶環(huán)，在基礎(chǔ)網(wǎng)絡(luò)輸入通過(guò)各種卷積過(guò)濾器分支后，輸出向量將堆疊在網(wǎng)絡(luò)的下一層輸入中?？紤]到成本問(wèn)題，輸出后添加3*3帶環(huán)層1*1卷積濾波器。圖3-4是Inception的結(jié)構(gòu)展示：圖3-4Inception架構(gòu)圖2）三元損失函數(shù)對(duì)于深神經(jīng)網(wǎng)絡(luò)提取的180個(gè)微特征向量，F(xiàn)ACENET將使用損失函數(shù)作為解決函數(shù)，減少距離來(lái)減少錯(cuò)誤。圖3-5是三元損失函數(shù)的過(guò)程：圖3-5損失函數(shù)三元函數(shù)的約束公式為1.1.1：（3-8）α表示間隔的差τ表示樣品的全部集合，變換以后得到下面的1.1.2公式：（3-9）丟失的L函數(shù)，優(yōu)化不滿足條件的元組，忽略已經(jīng)滿足條件的。步驟詳解步驟1：用標(biāo)簽訓(xùn)練臉部樣本后，重置FACENET網(wǎng)絡(luò)的加權(quán)值，將面部樣品批輸入網(wǎng)絡(luò)。步驟2：通過(guò)卷積和采樣的操作得到一個(gè)網(wǎng)絡(luò)輸出為128的向量。步驟3：結(jié)合上面的公式，計(jì)算輸出和預(yù)測(cè)之間的誤差。步驟4：采用降維法反向更新FACENET的值，直到誤差收斂完成。步驟5：將測(cè)試圖像輸入到步驟4的網(wǎng)絡(luò)中，輸出表示當(dāng)前矢