0 引言

    近年來(lái)，人工智能行業(yè)有著日新月異的發(fā)展，深度學(xué)習(xí)^[1-2](人工神經(jīng)網(wǎng)絡(luò))在其中扮演著至關(guān)重要的角色，人臉檢測(cè)也是深度學(xué)習(xí)領(lǐng)域的熱點(diǎn)，它的研究用來(lái)鑒別人的身份，可以廣泛地應(yīng)用于公共安全、企業(yè)辦公、教育、人機(jī)交互等領(lǐng)域。區(qū)別于指紋、虹膜無(wú)需特定的采集裝置，人臉識(shí)別系統(tǒng)^[3]只需要具有拍照功能的設(shè)備(例如手機(jī)、相機(jī)等)就可滿(mǎn)足要求，有著獨(dú)特的優(yōu)勢(shì)。

    目前，人臉檢測(cè)落地技術(shù)已經(jīng)隨處可見(jiàn)，廣為人知。例如為確保安全，悉尼板球場(chǎng)已全部覆蓋人臉檢測(cè)技術(shù)；為了避免假冒開(kāi)戶(hù)，工商銀行在215個(gè)網(wǎng)點(diǎn)啟用了人臉檢測(cè); 為了保護(hù)未成年人，人臉檢測(cè)防火墻被添加到抖音中；“人臉檢測(cè)”有助于救援站尋找親屬等。與此同時(shí)，互聯(lián)網(wǎng)+^[4]的時(shí)代已經(jīng)來(lái)臨，隱私保護(hù)越來(lái)越受到人們的重視,也更加促進(jìn)人臉檢測(cè)技術(shù)研究的迅速發(fā)展。

    智能人臉檢測(cè)系統(tǒng)大致的流程如圖1所示。

    如今，人臉檢測(cè)技術(shù)主要有以下三大類(lèi)：

    (1)基于Harr特征的級(jí)聯(lián)Adaboost^[5]分類(lèi)器，該方法由VIOLA P和JONES M J共同提出。最開(kāi)始粗密度提取特征，將分類(lèi)不明確的數(shù)據(jù)和下一階段的數(shù)據(jù)一起進(jìn)行優(yōu)化訓(xùn)練，反復(fù)迭代獲得精密度的特征提取器，然后將多個(gè)強(qiáng)提取器級(jí)聯(lián)成更高精度的級(jí)聯(lián)器，使用積分圖像提取圖像有效特征值。

    (2)基于可變形零件模型(Deformable Parts Model)^[6]，將面部視為零件的組合。最開(kāi)始計(jì)算每個(gè)分量的方向梯度以獲得直方圖，然后使用支持向量機(jī)^[7](Surpport Vector Machine)訓(xùn)練分類(lèi)器，并且分類(lèi)操作可以由該分類(lèi)器執(zhí)行。

    (3)基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)，采用兩級(jí)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)，第一級(jí)執(zhí)行面部的粗略定位，第二級(jí)執(zhí)行面部的精細(xì)定位。2015年，在ImageNet^[8]比賽的大熱下，雅虎的Sachin等人使用上述方法進(jìn)行人臉檢測(cè)和定位，取得了很好的效果。在人臉檢測(cè)后還需進(jìn)行預(yù)處理操作，目的是通過(guò)一些圖像處理技術(shù)來(lái)減小噪聲對(duì)圖像的影響，將對(duì)比度、亮度和飽和度適當(dāng)修改，達(dá)到提升準(zhǔn)確率的效果^[9]。

    現(xiàn)實(shí)生活中拍攝存在許多不確定因素，例如相機(jī)的硬件噪聲、光照和變形。為了消除外在因素的影響，需要對(duì)原始圖片進(jìn)行相關(guān)的預(yù)處理操作。預(yù)處理主要包括人臉圖像的亮度補(bǔ)償、直方圖均衡化和降噪濾波。初期的預(yù)處理一般基于2D圖像的簡(jiǎn)單操作，隨著技術(shù)的發(fā)展逐步衍變?yōu)榛?D建模的預(yù)處理步驟^[9]。

    利用上述第3種方法進(jìn)行一定程度的實(shí)現(xiàn)。本文采用數(shù)據(jù)集LFW(Labled Faces in the Wild)人臉數(shù)據(jù)集20 000多張的圖像數(shù)據(jù)經(jīng)過(guò)訓(xùn)練，并迭代5萬(wàn)次得出一個(gè)全連接的caffemodel，圖2為部分人臉數(shù)據(jù)和非人臉數(shù)據(jù)，圖3、圖4為數(shù)據(jù)標(biāo)注形式與訓(xùn)練得出的模型分類(lèi)器^[10]，標(biāo)注數(shù)據(jù)包括人臉I(yè)D、數(shù)據(jù)路徑和人臉坐標(biāo)位置，且該模型已被證實(shí)具有良好的分類(lèi)效果。然后使用其檢測(cè)人臉圖像。待檢測(cè)的圖像數(shù)據(jù)使用訓(xùn)練好的caffemodel進(jìn)行前向傳播得到特征圖，從中可以確定待檢測(cè)人臉的坐標(biāo)。

1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    一般的卷積神經(jīng)網(wǎng)絡(luò)是由卷積層、池化層、全連接層堆疊而成的^[11]。卷積層是網(wǎng)絡(luò)中提取圖像高維特征的重要結(jié)構(gòu)，相當(dāng)于人腦局部感知：在檢測(cè)圖片的過(guò)程中，不是同時(shí)檢測(cè)整個(gè)圖像，而是對(duì)于圖片中的每一個(gè)特征首先局部感知，然后更高層次對(duì)局部進(jìn)行綜合操作，從而得到全局信息。

    激活函數(shù)ReLU對(duì)卷積層的輸出結(jié)果做一次非線性映射。池化層Pool也稱(chēng)為欠采樣或下采樣，它主要用于減少特征尺寸，壓縮數(shù)據(jù)和參數(shù)的數(shù)量，減小過(guò)擬合，提高模型的容錯(cuò)性，使模型更快更好地朝著最優(yōu)的方向擬合。

    AlexNet是成功應(yīng)用上述操作的經(jīng)典結(jié)構(gòu)。它由KRIZHEVSKY A和其他人設(shè)計(jì)并在2012年ILSVRC^[12-13]中贏得了冠軍，它將對(duì)象分類(lèi)錯(cuò)誤率從之前的25.8%降低到16.4%，在當(dāng)時(shí)達(dá)到最優(yōu)水平。AlexNet可以訓(xùn)練更大的數(shù)據(jù)集和更深的網(wǎng)絡(luò)。該模型分為8層，5個(gè)卷積層和3個(gè)完全連接的層^[14]。圖5是AlexNet網(wǎng)絡(luò)結(jié)構(gòu)圖以及各層的詳細(xì)參數(shù)，Caffe在構(gòu)建網(wǎng)絡(luò)時(shí)就可使用這些參數(shù)定義每一層，但是對(duì)于人臉檢測(cè)，它是一種二分類(lèi)任務(wù)，需要把最后一層全連接層改成所需任務(wù)的類(lèi)別個(gè)數(shù)，原來(lái)的1 000修改成2。

    圖6為采用Caffe內(nèi)置卷積函數(shù)之后的提取效果，之后還可以再進(jìn)行卷積池化操作提取更高維的抽象有用信息，圖中的坐標(biāo)代表像素大小及變化。

2 Caffe深度學(xué)習(xí)框架

    Caffe是一個(gè)清晰而高效的深度學(xué)習(xí)框架^[11，15]，由加州大學(xué)伯克利分校畢業(yè)的賈揚(yáng)青博士撰寫(xiě)。Caffe是純粹的C++/CUDA架構(gòu)，有著如下的優(yōu)勢(shì)：

    (1)模塊化：Caffe從頭開(kāi)始設(shè)計(jì)為盡可能模塊化，允許擴(kuò)展新的數(shù)據(jù)格式、網(wǎng)絡(luò)層和損失功能。

    (2)表示和實(shí)現(xiàn)分割：無(wú)需代碼編程，只需使用Protocol Buffer語(yǔ)言在配置文件中自定義網(wǎng)絡(luò)模型^[16]。在任何有向非循環(huán)圖的形式中，Caffe支持網(wǎng)絡(luò)架構(gòu)。Caffe會(huì)根據(jù)網(wǎng)絡(luò)大小自動(dòng)調(diào)用合適的內(nèi)存，避免內(nèi)存過(guò)多占用，同時(shí)也可以在CPU和GPU之間自由切換。

    (3)測(cè)試覆蓋：在Caffe中，每個(gè)模塊對(duì)應(yīng)一個(gè)測(cè)試。

    (4)Caffe官方有Python和MATLAB兩個(gè)編譯版本，本實(shí)驗(yàn)編譯的為Python版本，最后在Python 2.7上驗(yàn)證實(shí)現(xiàn)。

    (5)預(yù)訓(xùn)練參考模型：對(duì)于視覺(jué)項(xiàng)目，Caffe提供了一些僅用于學(xué)術(shù)和非商業(yè)領(lǐng)域的參考模型，大部分的模型都可以在caffe model zoo里找到，但其許可證不是BSD開(kāi)源協(xié)議。

    后來(lái)賈揚(yáng)清和他在Facebook的團(tuán)隊(duì)研究開(kāi)發(fā)了新一代框架Caffe2。2018年4月18日，F(xiàn)acebook開(kāi)源了Caffe2。新一代框架更注重模塊化，在移動(dòng)端、大規(guī)模部署上表現(xiàn)卓越。如同TensorFlow，Caffe2使用 C++ Eigen庫(kù)，支持ARM架構(gòu)。

3 算法實(shí)現(xiàn)原理

    根據(jù)AlexNet網(wǎng)絡(luò)的輸入特性，需要圖像的大小為227×227的輸入。但原始圖像數(shù)據(jù)中的人臉尺寸有可能不是227×227，有的過(guò)大，有的過(guò)小。因此需要使用圖像金字塔(Image Pyramid)進(jìn)行多尺度變換,然后經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)的前向傳播得出特征圖，之后映射到原圖上得到所有窗口的人臉概率值。該方法中是將概率值大于0.95的特征點(diǎn)反變換到原圖得到對(duì)應(yīng)的一塊區(qū)域，即為人臉框的位置。

    盡管人臉框的坐標(biāo)已經(jīng)得出，但會(huì)發(fā)現(xiàn)有許多符合要求的窗口，僅需要給出一個(gè)最有可能表征人臉的窗口，因此，有必要應(yīng)用 NMS(非極大抑制)算法來(lái)消除交叉重復(fù)窗口并找到面部的最佳位置，找到人臉的最佳位置。如圖7所示，NMS算法的原理大致為，假設(shè)A框與B框同為包含人臉的候選框，它們之間的交并比IOU(Intersection-over-Union)大于0.8，被視為是高度重疊的，根據(jù)它們屬于人臉的概率值P(B)＞P(A)，將候選框A剔除。

    圖8為整體檢測(cè)算法流程圖。首先使用OpenCV讀入待檢測(cè)的圖片，然后進(jìn)行下列操作。

4 結(jié)果展示

    該方法實(shí)現(xiàn)平臺(tái)為L(zhǎng)inux系統(tǒng)，版本號(hào)為Ubuntu16.04，GPU顯卡型號(hào)為GTX1080。軟件采用Caffe+Python 2.7+OpenCV 3.4.1。

    訓(xùn)練中由于顯存原因，batch_size設(shè)置為64，而不是普遍的128。圖9為訓(xùn)練的結(jié)果，每經(jīng)過(guò)100次記錄損失值，可以看到Training Loss：0.003 01和Test Loss：0.001 39，基本滿(mǎn)足需求，也無(wú)過(guò)擬合現(xiàn)象。

    圖10為圖像數(shù)據(jù)先進(jìn)行圖像金字塔變換，然后每個(gè)尺度變換后的圖片經(jīng)過(guò)前向傳播得出的特征圖的熱度圖。圖中坐標(biāo)變化與圖6相同，可以很簡(jiǎn)單地看到圖像尺度的變化，顏色越深代表對(duì)應(yīng)原圖中的區(qū)域?qū)儆谌四樀母怕手翟酱蟆ｋS著尺度不斷變換，所有可能為人臉的位置全部得出，最后通過(guò)NMS算法得出一個(gè)最優(yōu)的人臉框。

    圖11為不同大小、清晰度不同的人臉圖像數(shù)據(jù)(圖片來(lái)自網(wǎng)絡(luò)和300W數(shù)據(jù)集，包含正臉、側(cè)臉和多人臉)的實(shí)際檢測(cè)結(jié)果，從中可以很好地檢測(cè)出人臉框，說(shuō)明模型具有很好的分類(lèi)效果，達(dá)到檢測(cè)人臉的功能。

5 結(jié)束語(yǔ)

    本文人臉檢測(cè)的實(shí)現(xiàn)，采用簡(jiǎn)單高效易操作的深度學(xué)習(xí)框架Caffe，構(gòu)建AlexNet網(wǎng)絡(luò)，通過(guò)大量的數(shù)據(jù)訓(xùn)練得出caffemodel分類(lèi)器，該算法沿用傳統(tǒng)的滑動(dòng)窗口方法，利用金字塔變換和非極大值抑制等算法并使用強(qiáng)大的計(jì)算機(jī)視覺(jué)工具OpenCV框出人臉，整體實(shí)現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)。但是不足之處在于模型不能有效識(shí)別多人臉，圖片亮度較低也不能識(shí)別，下一步擬采用更龐大的數(shù)據(jù)和優(yōu)化更好的網(wǎng)絡(luò)(如VGGNet、GoogleNet和ResNet等)進(jìn)行訓(xùn)練，實(shí)現(xiàn)多人臉檢測(cè)、關(guān)鍵點(diǎn)的定位和表情的檢測(cè)等功能，或者嘗試使用Caffe2實(shí)現(xiàn)移動(dòng)端的人臉相關(guān)檢測(cè)。

參考文獻(xiàn)

[1] 楊丹輝，鄧洲.人工智能發(fā)展的重點(diǎn)領(lǐng)域和方向[J].人民論壇，2018(2)：22-24.

[2] 李衛(wèi).深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D].武漢：武漢理工大學(xué)，2014.

[3] 蔣兆軍，成孝剛，彭雅琴，等.基于深度學(xué)習(xí)的無(wú)人機(jī)識(shí)別算法研究[J].電子技術(shù)應(yīng)用，2017，43(7)：84-87.

[4] 徐貴寶.“互聯(lián)網(wǎng)＋”人工智能技術(shù)發(fā)展策略解析[J].世界電信，2016(3)：71-75.

[5] VIOLA P，JONES M J.Robust real-time face detection[J].International Journal of Computer Vision，2004，57(2)：137-154.

[6] 宋瑨，王世峰.基于可變形部件模型HOG特征的人形目標(biāo)檢測(cè)[J].應(yīng)用光學(xué)，2016，37(3)：380-384.

[7] 胡發(fā)煥，劉國(guó)平，胡瑢華，等.基于機(jī)器視覺(jué)和支持向量機(jī)的臍橙品質(zhì)分級(jí)檢測(cè)[J].北京工業(yè)大學(xué)學(xué)報(bào)，2014(11)：1615-1620.

[8] RUSSAKOVSKY O，DENG J，SU H，et al.ImageNet large scale visual recognition challenge[J].International Journal of Computer Vision，2015，115(3)：211-252.

[9] 魏正.基于Caffe平臺(tái)深度學(xué)習(xí)的人臉識(shí)別研究與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2015.

[10] 王茜，張海仙.深度學(xué)習(xí)框架Caffe在圖像分類(lèi)中的應(yīng)用[J].現(xiàn)代計(jì)算機(jī)，2016(5)：72-75.

[11] Jia Yangqing，SHELHAMER E，DONAHUE J，et al.Caffe：convolutional architecture for fast feature embedding[J].arXiv：1408.5093[cs.cv]，2014.

[12] KRIZHEVSKY A，SUTSKEVER I，HINTON G.ImageNet classification with deep convolutional neural networks[J].Advances in Neural Information Processing Systems，2012，25(2)：1097-1105.

[13] BADAWI A A，CHAO J，LIN J，et al.The AlexNet moment for homomorphic encryption：HCNN，the first homomorphic CNN on encrypted data with GPUs[J].arXiv：1811.00778v2[cs.CR]，2019.

[14] 宋婷婷，徐世許.基于全采樣和L1范數(shù)降采樣的卷積神經(jīng)網(wǎng)絡(luò)圖像分類(lèi)方法[J].軟件，2018，39(2)：75-80.

[15] 許少尉，陳思宇.基于深度學(xué)習(xí)的圖像分類(lèi)方法[J].電子技術(shù)應(yīng)用，2018，44(6)：122-125.

[16] 解駿，陳瑋.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J].軟件導(dǎo)刊，2018(1)：25-27.

作者信息:

王靜波，孟令軍

(中北大學(xué) 電子測(cè)試技術(shù)國(guó)防科技重點(diǎn)實(shí)驗(yàn)室，山西 太原030051)