基于深度学习的人脸识别技术研究

破，在现实生活中应用的更为广泛。论文正是基于此现状，论述了深度学习在人脸识别技术的应用，并就

深度学习中主特征识别技术进行详细论述，最后对基于深度学习的人脸识别技术的未来研究和发展趋势进

行了探究，旨在进一步挖掘深度学习在人脸识别方面的应用深度。

关键词：深度学习；人脸识别；主特征识别

人工智能技术的发展，极大地推动了生产生活的便捷性。作为一种先进的技术手段，人脸识别技术在当前的安检、上下班打卡和展会等方面使用广泛。人脸识别技术的实现，在过去是借助于提取一定的人脸数据特征，结合人脸特征的相似度进行特征匹配，这种技术过程在过去一段时间使用较多，但是随着当前深度学习技术的提出和应用后，其识别的原理和过程发生了极大的变革。而深度学习技术，作为推动人脸识别领域的重要技术，主要是借助于神经网络的相关模型，实现神经网络在计算领域的应用，借助深度学习，人脸识别的效率和精确度得以大幅提升。为了详细论述深度学习对于人脸识别技术的推动作用，首先需要对深度学习技术与一个深层次的认识了解。

一、深度学习概述

（一）深度学习技术。相对于其他人工智能技术而言，深度学习技术的内涵和表述更加的困难，其涉及的规律和算法也更加复杂。作为深度学习的前身，神经网络借助于计算机技术来模拟人体的神经传导单元，即神经元的结构来对一些非线性问题的迭代求解。深度学习不同于过去的一些先进的AI技术手段，例如下跳棋和象棋比赛，这种项目在设计之初就有一定的限定域，计算机的计算和反应都是处在这个限定区域进行的，因此可以实现准确的结果求解。但是对于深度学习而言，则没有一定的域，导致其成为了一种更为深层次的神经网络技术算法，作为当前发展最热的计算机人工智能领域，在近年来也涌现了一定的突破性进展[1]。

深度学习注重不断应用过程中的自主学习，借助于多层次非线性的变化组合形式，将更为复杂的逻辑关系进行高效率的表征。借助于深度学习，可以将过去的人工智能方法从相关的工程领域的训练器中出来，实现使用效率的极大提升。同时，借助深度学习的自主学习能力，可以自主的让计算机了解和表示其身处的复杂环境和世界，进而在感知和辨别数据的前提下，实现对周围环境的反馈行为的输出。

（二）深度学习原理。首先需要认识到深度学习需要建立相关的学习模型，一般这种模型在结构上主要由三层结构组成，即分别为输入层、中间隐含层、以及后期的输出层。其中，输入层主要涉及对采集到的信息的归纳，而中间隐含层主要涉及对信息的非传统意义上的非线性加工和变换，而输出层则是对中间层变化的信息进行整合叠加的过程。由于整个结构较为简单，在面对现实问题时，往往由于现实问题涉及的参数较多，导致深度学习过程算法的压力较大，计算过程较为复杂耗时，进而导致算法的求解结果无法收敛或者无法得以稳定收敛。以此，上述三层结构的深度学习算法在当前也慢慢退出了实践场景。传统的深度学习结合算法的训练时，主要结合BP神经网络算法进行，其对参数的获取主要是采取随机的过程，随后对这些随机参数进行初始化，进而结合所谓的残差反向传播算法对参数进行一定的矫正完善，实现深度学习的整个过程。完成上述的工作后，需要技术人员集合之前参数，对其进行逐个操作，以达到机器进行训练的目的。当前深度学习更加倾向于寻求多级特征的提取结构创建，实现对多参数的信息整合和求解。

（三） 深度学习应用在人脸识别方面的技术原理。人脸识别是机器视觉识别领域的重要应用分支，对于提升日常生产生活的便捷性意义重大。而将深度学习技术应用于人脸识别中，可以极大地提升识别过程的智能化水平和识别的精准度。深度学习技术是将复杂的事件划分为简单的任务，进行分步学习，进而实现整个事件的把握的过程。其中将深度学习应用到人脸识别领域，主要是借助划分机制，将人脸图像划分为单个的像素，对这些像素进行单个的识别，进而由像素上升为单个的线条，成为网格，网格上升为特征，特征最终还原为整个脸部图像。这种由低到高的学习深度模式，可以将学习对象的维度进行增加，而每一维度的增加借助于向量的变化，这种过程中神经元的功能非常关键。人脸识别的过程，深度学习借助于摄像机等设备采集的图像作为输入信息，在较低的学习层次，深度学习主要重视整个图像的边缘信息的特点，这种边缘性的特征点主要是一些连续像素组成达到线段等特征。而在较为中级层次的学习过程，上述初级阶段识别的线段将组成一定的脸部部件，诸如对于耳朵、鼻子等的识别和划分。而在高级的学习阶段，整个脸部的各部位所组成的脸部表情将作为整体进行识别和匹配，对于符合整体的特征的图像，结合相应的相识度算法可以进行人脸的集中匹配。

二、基于深度学习的人脸识别技术

（一）深度学习人脸识别技术应用针对深度学习而言，其中的一个重要的学习和应用领域就算是对特定的事物的识别，这种识别技术是一种事先限定范围的识别。例如针对人

基于深度学习的人脸识别技术研究

徐政超

◆

信息系统工程 │ 2019.10.2025REGION INFO 数字地方

脸进行识别，就只能识别人脸这种客观的图像，对于其他事物则为力。这种识别的模式再赋予设备类似于人体的信息识别和处理功能的同时，可以不断强化这种能力。结合特征提取技术，是实现深度学习识别的重要途径，针对图形和图像的内容所包含的信息将其进行投射，实现信息的高维到低维的转化，对于人脸的信息，可以将高维空间信息投射到低维空间中，几何个特征的特征在低维空间子集中寻找相关性最大的特征点，这种识别的过程不涉及特征的属性，只是进行单纯的对比进行相关性的确定。结合线性判断分析，实现对特定信息的类比识别。其过程为，首先借助类比内部的同类方差，进行相应的调整，放大类别间的方差。深度学习应用于人脸识别中主要借助的算法有最小化、最大化不同类间的方差。这些算法的使用极大地提升了人脸识别的精确度。同时为了更加高效的提取人脸的信息，借助于Gabor小波、局部LBP算法实现信息的获取，并结合具体的应用场合，选择多样的算法进行图像的识别[2]。

（二）基于深度学习的PCA学习过程。作为深度学习技术在人脸识别技术中应用最为成功和广泛的算法之一，PCA技术即主成分分析法，其基本的应用过程原理是借助于将图像的高维度信息的数据进行划分和数据的向量表示，针对某一具体细信息，实现数据的单一维度的数据提取。整个PCA人脸识别的流程大致可以分为以下几个方面：首先结合计算机的图像滤波软件将采集的图像进行处理，使得图像信息成为向量信息模型；接着，结合PCA处理算法计算图片向量的特征值以及特征向量；再者，结合上述的向量信息在采集的图像信息中进行匹配；最后结合匹配的数据相似度，实现特征目标的识别，在根据识别的明确度指导参数信息的修正，实现学习的过程，整个识别过程的多次重复，可以在学习过程中极大的提升人脸识别的精度。

三、基于深度学习的人脸识别技术研究的未来发展方向

当前随着信息技术、大数据、云技术的不断普及和技术革新，极大地推动着人脸识别技术领域的不断成熟和完善。随着市场需求的不断增加，这些因素必将极大地提升人脸识别技术的应用多样化。人脸识别技术的应用场合从传统的金融领域进入到教育和职业领域中，应用范围和深度都得以提升。借助于深度学习的算法的完善，人脸识别技术可以实现远端客户进行金融工作的开展，实现真正意义上的远端刷脸支付，这是未来金融领域的发展趋势。同时，借助于深度学习算法的创新和发展，必将极大地促进诸如智慧城市、智慧家居和智慧酒店等场合的发展，这使得人脸识别技术的应用进入了新的领域，同时结合当前的3D技术，可以实现客户的个性化定制[3]。总之，未来我国人脸识别技术的应用前景非常广阔，随着城市化进程的不断增大，人脸识别的需求市场也不断扩展。同时随着人口管理和户籍制度的不断完善，人脸识别是人口管理信息化水平的重要体现。

四、结语

随着深度学习的不断发展，必将极大地推动人脸识别技术的发展，未来的人脸识别在精确度、动态捕捉等领域的发展会更加成熟和完善。但是当前的深度学习算法较为初级，还存在一定的技术问题需要解决，这些问题的解决需要结合神经网络算法的框架设计及其他的技术支撑，因此需要加强对深度学习应用于人脸识别技术中的研究力度，不断创新突破，进而实现获得更大的研究成果。H

参考文献

[1]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J/OL].计算机工程与应用,2019:1-18.

[2]刘施乐.基于深度学习的人脸识别技术研究[J].电子制作,2018(24):50-51+96.

[3]闫新宝.深度学习及其在人脸识别中的应用进展[J].无线互联科技,2016(8):132-135.

（作者单位：西安工程大学）

信息系统工程 │ 2019.10.20 26