基于深度学习的人脸识别认证研究报告

报告四：基于深度学习的人脸识别认证技术研究

目录

报告四：基于深度学习的人脸识别认证技术研究........................................................................1

一、研究背景.....................................................................................................................................2

二、深度学习.....................................................................................................................................3

2.1 研究概况...............................................................................................................................3

2.2 人工神经网络.......................................................................................................................4

2.3 BP 神经网络.........................................................................................................................5

2.5.1 局部感知..................................................................................................................11

2.5.2 参数共享..................................................................................................................11

2.5.3 多卷积核..................................................................................................................12

2.5.4 Down-pooling..........................................................................................................12

三、人脸识别研究...........................................................................................................................13

3.1 国内外研究现状.................................................................................................................13

3.2 主要存在的困难.................................................................................................................16

一、研究背景

在日常生活中或者企业安全领域，身份认证是保障个人信息不被泄露和许

多系统安全运行的关键。社会不断进步发展的同时，暴露了越来越多的安全隐

因此本次从人脸基于深度学习的人脸识别认证技术研究方面进行学习研究。

生物特征信息因为其唯一的特性，难以复制，伪造，大大提高了安全性以

及可靠性，一直备受大众的青睐并广泛应用于各行各业。社会的安全是保障经

济持续发展的重要条件，近年来全球各地的武装恐怖袭击对人类的财产生命构

成严重的威胁，能够及时、有效的抓捕监控恐怖分子，减少恐怖袭击造成的损

失是人民最大的愿望，应用生物特征识别技术将是一种有效的解决方案。

网络给人生活带来便利的同时，身份信息泄露一直困扰着我们周围。通过

技术手段获取受害人身份信息、账号密码从而盗取他人财物等违法犯罪活动经

常发生。如今已有企业着手实施利用生物特征验证身份，例如支付宝从之前的

密码支付演变为指纹和人脸识别支付，有效保障的用户账号的安全性和支付安

机自动实现对人脸面部的特征提取，剔除环境对识别造成的影响进而提高识别

效率也是一个研究热点。提出基于深度学习的人脸识别技术的初衷是要求计算

机模拟人类大脑识别物体的过程，

通过观察不同人脸整体和局部的特征信息，自动完成对不同人脸的分类或

者识别。现阶段的人机交互并不智能且单一死板，开发新型交互式识别，能在

一定程度提高人脸识别在学术研究领域和市场的占有率。

二、深度学习

2.1 研究概况

上世纪 80 年代，反向传播算法（BP 算法）广泛应用于人工神经网络，为

机器学习提供了一种新的学习算法，人们对于机器学习的热情重新被点燃并持

（SVM）、 -Boosting 这些网络模型都是只含有一个隐层，最大熵方法（如

LR，Logistic Regression）则没有隐层，在研究领域中这些模型被广泛应用

并取得了巨大的成功。相比之下，浅层人工神经网络由于算法本身的劣势，且

训练方法又需要较严格的条件，反而不被大众关注。直到-2006 年，加拿大教

授-Hinton 提出了一种新型神经网络学习算法，翻开了深度学习崭新的一页。

算法的主要观点是：

1）当神经网络模型含有较多隐层时，它的特征提取能力和学习能力较单

一隐层的模型有着更好的性能，学习得到的特征更加细腻和深刻，从而有利于

分类；

2）多隐层训练过程中的局部最优情况，可以通过“逐层预训练”（layer-

神经网络的结构更趋向于生物神经网络，卷积层的每一个特征图共享一个卷积

核参数，同时池化操作减少了特征数目，避免过拟合现象，当输入尺寸较大的

图像时这些效果越发明显。卷积层的卷积操作针对图像的平移、缩放或其他形

式的形变具有很好的鲁棒性。

神经网络没有一个严格的定义。它是一种模仿人的大脑的神经元之间传递，

处理信息的模式，通常一个神经网络由需许多互相连接的节点组成，每个节点

通过一种特定的激励函数(activation function）计算处理来自其它相邻神经

元的加权输入值，节点之间通过权值互相连接来表达信息传递的强度，这相当

于神经网络的记忆，权值通过不断的学习自动更新。训练后的神经网络可以对

未知数据做出判读，网络在解决不同问题时，会有不同的网络结构，会产生截

然不同的权值，激励函数的选择也会对网络造成不同的影响。而网络本身想要

表达的是对输入输出之间某种关系的无限逼近，或者只是说简单意义上的逻辑

上关系。神经网络具有如下特点：

（1）自适应和自组织特性。人类通过后天学习可以识别不同类别的事物，这

样本中存在的复杂的非线性关系，而不需要人工建立精确的数据模型，这在一

定程度上简化了设计难度。

神经网络正是通过不断地训练和学习，才能获得识别分类的能力。根据不

同的训练样本，调整连接权值，最终得到最能满足样本的参数。神经网络的算

法有三类。

（1）-有监督学习（Supervised learning）。

采用极小化误差的方法调整参数，利用网络模型的实际输出与理想状态下

输出之间的误差反方向调整权值，目的是使网络层中每一层输出都接近理想状

态。目前-BP 算法采用这种学习方式。-

（2）-无监督学习（Unsupervised learning）。