高見(jiàn)

（揚(yáng)州市職業(yè)大學(xué) 江蘇省揚(yáng)州市 225000）

1 序言

伴隨著當(dāng)前公眾環(huán)保意識(shí)的提高和信息技術(shù)的發(fā)展，人臉識(shí)別技術(shù)在我們?nèi)粘Ｉ钇鸬降淖饔迷絹?lái)越多樣化。但是隨著人臉識(shí)別的普及，各種各樣的問(wèn)題也隨著出現(xiàn)，常見(jiàn)的就有人臉角度問(wèn)題、光照問(wèn)題、面部多余問(wèn)題等等，這一方面對(duì)人臉識(shí)別技術(shù)的進(jìn)一步應(yīng)用做出了考驗(yàn)，另一方面也是對(duì)相關(guān)企業(yè)的技術(shù)創(chuàng)新進(jìn)行了檢查。本文正是以當(dāng)前人臉識(shí)別的需求識(shí)別出發(fā)，以YOLOV2 神經(jīng)算法為基礎(chǔ)，進(jìn)而構(gòu)建起完整的識(shí)別模型，為當(dāng)前環(huán)節(jié)人臉識(shí)別的需求現(xiàn)狀提供了參考依據(jù)。

2 YOLOV2算法闡述

人臉識(shí)別的需求在各個(gè)時(shí)間段呈現(xiàn)不同的狀態(tài)，所以在進(jìn)行相關(guān)算法的選擇時(shí)要注意對(duì)識(shí)別方法選擇，常用的識(shí)別方法包括德?tīng)柗品?、神?jīng)網(wǎng)絡(luò)、時(shí)間序列發(fā)、機(jī)器學(xué)習(xí)、回歸分析法、彈性系數(shù)法和灰色識(shí)別法等等，在對(duì)各種方法進(jìn)行分析和討論之后，最終決定使用神經(jīng)網(wǎng)絡(luò)中的YOLOV2 算法來(lái)構(gòu)建相關(guān)的模型。

YOLOV2 算法起源于上世紀(jì)末的YOLOV1 算法，經(jīng)過(guò)幾十年的發(fā)展在各個(gè)領(lǐng)域之中均有著廣泛的應(yīng)用，是當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的代表。YOLOV2 算法的本質(zhì)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，特點(diǎn)是能夠依照誤差逆向傳播法對(duì)相關(guān)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終得到與期望向量最大程度接近的輸出向量。本次實(shí)驗(yàn)的所應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法模型的基本流程可以分為以下幾個(gè)步驟：

首先，將相關(guān)的學(xué)習(xí)參數(shù)和權(quán)初始化為績(jī)效的隨機(jī)數(shù)，設(shè)置相關(guān)的偏置；第二，是設(shè)置期望輸入和加輸入；第三，是對(duì)相關(guān)輸出層和隱層的輸出進(jìn)行計(jì)算；第四，是對(duì)相關(guān)輸出層和隱層的連接權(quán)值進(jìn)行調(diào)節(jié)后改變訓(xùn)練樣板；第五是確定是否訓(xùn)練終止，如果不終止訓(xùn)練，就重復(fù)第二到第四步驟，如果終止訓(xùn)練則進(jìn)行第六步；第六，相關(guān)實(shí)驗(yàn)的迭代次數(shù)+1，直到迭代終止，如果選擇繼續(xù)迭代，重復(fù)第二到第六步驟，如果選擇終止迭代，則輸出相應(yīng)的輸出向量。

3 實(shí)驗(yàn)變量分析

本次數(shù)據(jù)來(lái)源基于某人臉識(shí)別企業(yè)的內(nèi)部數(shù)據(jù)，某門(mén)禁企業(yè)的使用人數(shù)為7.664 人，選取樣本的時(shí)間為2020年4月25日，當(dāng)天某人臉識(shí)別系統(tǒng)的回饋整體數(shù)據(jù)樣本為9000 條。本實(shí)驗(yàn)將這些參數(shù)統(tǒng)共劃分為記錄編號(hào)（id）、1 小時(shí)內(nèi)某企業(yè)人臉識(shí)別的整體需求量（y）、某人臉識(shí)別企業(yè)投放業(yè)務(wù)的正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow），共9 個(gè)特征變量。

圖1：YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別模型的拓?fù)浣Y(jié)構(gòu)示意圖

3.1 數(shù)據(jù)庫(kù)選擇

本次設(shè)計(jì)的YOLOV2 算法人臉識(shí)別數(shù)據(jù)庫(kù)采用YOLOV2 網(wǎng)絡(luò)為基礎(chǔ)，作為一種面向?qū)ο蟮年P(guān)系型數(shù)據(jù)庫(kù)，YOLOV2 網(wǎng)絡(luò)支持在標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)系統(tǒng)中管理相關(guān)數(shù)據(jù)，一方面能夠?qū)崿F(xiàn)數(shù)據(jù)的完整性，另一方面能夠保證使用過(guò)程的安全。基于本次試驗(yàn)實(shí)際情況，筆者將YOLOV2 算法人臉識(shí)別數(shù)據(jù)庫(kù)系統(tǒng)的構(gòu)建分為如下幾步：

首先是針對(duì)該本次試驗(yàn)的人臉識(shí)別系統(tǒng)信息數(shù)據(jù)進(jìn)行搜集和整理，針對(duì)不同的分類(lèi)完成格式、單位和尺度的統(tǒng)一，最終將該本次試驗(yàn)的YOLOV2 算法人臉識(shí)別編程有效的字段名和表頭；其次是完成Geodatabase 的構(gòu)建，依照流域的實(shí)際情況將不同的圖層進(jìn)行分類(lèi)和儲(chǔ)存；第三是把剩下的數(shù)據(jù)儲(chǔ)存到access 屬性的二維表數(shù)據(jù)庫(kù)中，同時(shí)完成分類(lèi)和編碼；最后是完善YOLOV2 網(wǎng)絡(luò)各版塊的構(gòu)建和相應(yīng)的管理系統(tǒng)。本次采樣的信息可以分為正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）。YOLOV2 網(wǎng)絡(luò)的構(gòu)建主要是為了服務(wù)本次試驗(yàn)的長(zhǎng)江流域水系統(tǒng)，所以需要依靠圖像頻譜來(lái)獲取相關(guān)的人臉知識(shí)并進(jìn)行存儲(chǔ)?；谏鲜鰣D像處理的人臉識(shí)別方式很容易受到相應(yīng)的干擾，在將數(shù)據(jù)錄入Geodatabase 數(shù)據(jù)庫(kù)之前需要對(duì)人臉識(shí)別的方式進(jìn)行相應(yīng)的優(yōu)化，來(lái)幫助數(shù)據(jù)庫(kù)更好的甄別檢測(cè)數(shù)據(jù)的準(zhǔn)確性。這一方面需要針對(duì)外界干擾信號(hào)或者偽造信號(hào)的原理進(jìn)行分析，另一方面需要針對(duì)Geodatabase 數(shù)據(jù)庫(kù)的缺陷來(lái)制定相應(yīng)的優(yōu)化方案，從根本上對(duì)這個(gè)問(wèn)題進(jìn)行解決就需要針對(duì)Geodatabase 數(shù)據(jù)庫(kù)的特性設(shè)置相應(yīng)的識(shí)別和糾錯(cuò)能力。

表1：檢測(cè)測(cè)試數(shù)據(jù)訓(xùn)練結(jié)果

表2：檢測(cè)訓(xùn)練數(shù)據(jù)評(píng)價(jià)結(jié)果

3.2 模型構(gòu)建

基于上述9 個(gè)特征變量，本次試驗(yàn)YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別模型的構(gòu)建步驟如下所示：首先在構(gòu)建模型之間需要對(duì)YOLOV2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別模型的拓?fù)浣Y(jié)構(gòu)進(jìn)行分析和設(shè)置，其拓?fù)浣Y(jié)構(gòu)如圖1所示，YOLOV2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別模型的結(jié)構(gòu)特點(diǎn)為其輸入層、隱層和輸出層三層都可以完成由n 維到m 維的映射，進(jìn)而可以將60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）、30°人臉（30°face）作為本次識(shí)別模型的特征變量，將1 小時(shí)內(nèi)某企業(yè)人臉識(shí)別的整體需求量（y）作為本次實(shí)驗(yàn)識(shí)別模型的目標(biāo)變量；其次是對(duì)隱含層內(nèi)的神經(jīng)元數(shù)量和最大迭代次數(shù)進(jìn)行設(shè)置，根據(jù)本次人臉識(shí)別模型的需求，本實(shí)驗(yàn)將最大迭代次數(shù)設(shè)置為300，將隱層神經(jīng)元的數(shù)量設(shè)置為150，在對(duì)數(shù)值的計(jì)算方面選擇了相關(guān)大規(guī)模數(shù)值計(jì)算表現(xiàn)較好的L-BFGS 算法進(jìn)行計(jì)算；最后根據(jù)圖1 的相關(guān)拓?fù)浣Y(jié)構(gòu)代入相關(guān)的參數(shù)，其中Xn 代表相應(yīng)的特征變量，Y 代表1 小時(shí)內(nèi)某企業(yè)人臉識(shí)別的整體需求量，Wn 則代表了相關(guān)的閾值。

4 仿真實(shí)驗(yàn)與結(jié)果分析

4.1 模型識(shí)別預(yù)處理

基于上述人臉識(shí)別企業(yè)的數(shù)據(jù)，將其引入相關(guān)實(shí)驗(yàn)平臺(tái)后，本次試驗(yàn)可以分為三個(gè)步驟：

首先引入超參數(shù)k 作為網(wǎng)絡(luò)的增長(zhǎng)率。網(wǎng)絡(luò)的增長(zhǎng)率表示每一個(gè)系統(tǒng)輸出的特征圖的個(gè)數(shù)為k 個(gè)，為了防止網(wǎng)絡(luò)變得太寬，并且提升網(wǎng)絡(luò)的計(jì)算效率，將k 值限制成一個(gè)較小的整數(shù)。在YOLOV2中將每一個(gè)系統(tǒng)輸出的特征圖的個(gè)數(shù)設(shè)置為32，即k=32。實(shí)驗(yàn)證明，當(dāng)k 值是一個(gè)較小的正整數(shù)時(shí)，網(wǎng)絡(luò)的表現(xiàn)性能也更好；然后引入瓶頸層。YOLOV2 采取密集連接的方式，雖然每一層產(chǎn)生k個(gè)特征圖，但是整個(gè)網(wǎng)絡(luò)產(chǎn)生的特征圖的數(shù)量是巨大的。為了控制YOLOV2 網(wǎng)絡(luò)中特征圖的數(shù)量，在網(wǎng)絡(luò)的構(gòu)建中引入了瓶頸層；最后對(duì)網(wǎng)絡(luò)進(jìn)行壓縮。通過(guò)壓縮過(guò)渡層中的特征圖，增強(qiáng)模型的緊湊性。在YOLOV2 中，當(dāng)系統(tǒng)包含m 個(gè)特征圖時(shí)，網(wǎng)絡(luò)中隨后的過(guò)渡層產(chǎn)生的特征圖的個(gè)數(shù)為θm。同時(shí)將θ 的值設(shè)置為0.5，即過(guò)渡層將前一個(gè)系統(tǒng)產(chǎn)生的特征圖的數(shù)量減半。

4.2 識(shí)別結(jié)果

在采用了四種激活函數(shù)的情況下，對(duì)模型進(jìn)行評(píng)估，檢測(cè)訓(xùn)練數(shù)據(jù)評(píng)價(jià)結(jié)果如表1所示，檢測(cè)測(cè)試數(shù)據(jù)訓(xùn)練結(jié)果如表2所示。因此，YOLOV2 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為T(mén)anh 函數(shù)基于已經(jīng)找到的人臉識(shí)別模型，選擇正臉人臉1 的數(shù)據(jù)集，以face、60°face、Medium shadow、Small shadow、Big shadow、30°face、90°face 為特征變量，id 作為編號(hào)，過(guò)濾掉其他的無(wú)關(guān)變量。結(jié)果表明，基于YOLOV2算法的密集連接的網(wǎng)絡(luò)結(jié)構(gòu)相比于YOLOV1 網(wǎng)絡(luò)，不僅能夠提取到更為細(xì)粒度、更為抽象的人臉特征，而且使得網(wǎng)絡(luò)提取到的人臉特征在整個(gè)任務(wù)中最大化地被網(wǎng)絡(luò)利用，并學(xué)習(xí)到新的人臉特征，提升人臉檢測(cè)算法的性能。

5 總結(jié)

總而言之，YOLOV2 網(wǎng)絡(luò)是當(dāng)前人臉識(shí)別系統(tǒng)構(gòu)建領(lǐng)域的重要工具，將之組合不僅能夠挖掘傳輸識(shí)別過(guò)程中各個(gè)已有數(shù)據(jù)之間的潛在關(guān)系，更能快速地構(gòu)建起相關(guān)的預(yù)測(cè)模型。當(dāng)然本次研究也存在著許多的不足，雖然對(duì)YOLOV2 網(wǎng)絡(luò)在當(dāng)前人臉識(shí)別系統(tǒng)構(gòu)建應(yīng)用中存在的問(wèn)題進(jìn)行了分析，但仍不夠深入，希望將來(lái)能有機(jī)會(huì)繼續(xù)對(duì)人臉識(shí)別系統(tǒng)構(gòu)建的問(wèn)題進(jìn)行研究，進(jìn)而為我國(guó)相關(guān)領(lǐng)域的發(fā)展做出貢獻(xiàn)。