基于深度学习的人脸识别技术及其应用场景探讨

刘秀丽，陈 锐

(山东华宇工学院，山东 德州 253000)

1 基于深度学习的人脸识别技术

1.1 深度学习

深度学习是通过模仿人脑神经网络建立的一种类似的学习策略，是一种由包含复杂结构或包含多重非线性变换构成的多个处理层对数据进行高层抽象的算法，通过从低层输入数据逐层向前推算，最终得到网络输出。深度学习模型见图1。

图1 深度学习模型图Fig.1 Deep learning model

目前公认的深度学习模型有卷积神经网络、递归神经网络、深度信念网络及堆叠自动编码器等。

1.2 人脸识别技术

人脸识别是采用摄像机采集有关人脸的图像或视频，可以自动检测和跟踪人脸，并对检测到的人脸进行自动识别。

1.2.1 传统人脸识别技术

最早应用的人脸识别技术是对人脸几何特征进行描述，每个人的眼睛、鼻子、嘴巴等大小和形状各不相同，所以几何特征描述可以很好地应用于人脸轮廓描述上。该方法计算比较简单，识别速度较快，但是当面容表情发生变化时，识别精度就会下降。对于局部特征的描述可选取局部细节特征进行识别，该方法简单，但是选取的特征具有局限性，识别误差大。LBP算法是实现特征提取的传统算法之一，是将图像划分成多个很小的区域，将每个区域中的像素与四周的相邻区域像素进行对比，若周围像素值大于中心像素值，则在空字节字符串标记为“1”，小于则标记为“0”，这样3×3邻域内就可以得到8位的二进制数及区域的直方图。直方图可以用以下公式表示：