0 引言

    身份鑒別的可信與否制約著人員身份確認(rèn)和終端信息訪問的可靠性，可以有效增強(qiáng)信息獲取的安全性。目前廣泛應(yīng)用的身份鑒別技術(shù)包括密碼、指紋、掌紋和虹膜等^[1-4]。然而，上述鑒別技術(shù)的性能易受環(huán)境、設(shè)備和性能的限制。與之相比，人臉識(shí)別作為一種身份鑒別技術(shù)，只需一個(gè)攝像頭即可獲取人臉圖像，是一種基于認(rèn)知對(duì)象本質(zhì)特性的模式識(shí)別算法，為人類的生活提供了廣闊的智能化應(yīng)用前景。

    1888年GALTON F^[5]等人首次基于人臉進(jìn)行身份鑒別，在鑒別過程中雖然尚未涉及自動(dòng)識(shí)別技術(shù)，但為人臉識(shí)別領(lǐng)域的發(fā)展奠定了前提條件。隨著信息化和網(wǎng)絡(luò)化技術(shù)的快速發(fā)展，當(dāng)前在理想情況下，人臉識(shí)別的效果業(yè)已令人滿意。然而在實(shí)際現(xiàn)場應(yīng)用中，識(shí)別的效果依然會(huì)受到諸如光照、姿勢、表情、遮擋物等外界因素的干擾。當(dāng)前人臉識(shí)別技術(shù)主要采用基于幾何特征、基于模板匹配和基于神經(jīng)網(wǎng)絡(luò)3種方式。然而，特征具有層次性和多樣性，不同層次的特征代表了認(rèn)知對(duì)象的不同分析層面，異構(gòu)的特征則代表了不同的分析視角。如何獲取有確定映射關(guān)系的簡約人臉圖像特征，以適用于海量人臉圖像樣本尚需深入研究。

    近年來，隨著神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的本質(zhì)改變，以深度學(xué)習(xí)為代表的人工智能理論研究與應(yīng)用受到了前所未有的關(guān)注。作為一種顯著的人臉識(shí)別深層神經(jīng)網(wǎng)絡(luò)，DEEPID融合了局部特征和全局特征，通過多個(gè)卷積層提取由淺到深的人臉非結(jié)構(gòu)化特征^[6]，這與人類面向不同認(rèn)知對(duì)象由全局到局部獲取分析認(rèn)知信息的漸進(jìn)認(rèn)知模式保持一致。然而，目前的人臉識(shí)別模型均屬于開環(huán)認(rèn)知模式，其特征空間和分類認(rèn)知準(zhǔn)則一旦構(gòu)建不再更新，這與人類實(shí)時(shí)評(píng)測認(rèn)知結(jié)果可信度、自尋優(yōu)調(diào)節(jié)特征空間和分類認(rèn)知準(zhǔn)則的思維存在顯著差異。因此，當(dāng)面對(duì)奇異樣本或分類面附近的相似樣本時(shí)，傳統(tǒng)開環(huán)認(rèn)知模型性能惡化。此外，深層神經(jīng)網(wǎng)絡(luò)中面向同一輸入的不同卷積核卷積操作必然會(huì)使得輸出特征空間冗余，softmax分類器泛化能力的不足也會(huì)影響學(xué)習(xí)模型的可達(dá)性和可信性。

    為了克服傳統(tǒng)開環(huán)人臉認(rèn)知模式以及深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的缺陷，模仿人類實(shí)時(shí)評(píng)測認(rèn)知結(jié)果自尋優(yōu)調(diào)節(jié)特征空間和分類認(rèn)知準(zhǔn)則的認(rèn)知模式，借鑒閉環(huán)控制理論思想，本文探索了一種基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知方法。首先，基于DEEPID網(wǎng)絡(luò)建立人臉圖像由全局到局部具有確定映射關(guān)系的非結(jié)構(gòu)化特征空間。其次，基于特征可分性評(píng)測和變精度粗糙集理論，從信息論角度建立非結(jié)構(gòu)化動(dòng)態(tài)特征表征的人臉認(rèn)知決策信息系統(tǒng)模型，以約減非結(jié)構(gòu)化特征空間。再次，采用集成隨機(jī)權(quán)向量函數(shù)連接網(wǎng)絡(luò)(Random Vector Functional-Link net，RVFL)，構(gòu)建簡約非結(jié)構(gòu)化特征空間的分類認(rèn)知準(zhǔn)則。最后，構(gòu)建人臉認(rèn)知結(jié)果熵測度指標(biāo)，為人臉特征空間和分類認(rèn)知準(zhǔn)則的自尋優(yōu)調(diào)節(jié)機(jī)制提供量化依據(jù)。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法較已有方法有效提高了人臉圖像的識(shí)別率。

1 基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知模型

    本文提出的人臉智能反饋認(rèn)知模型包括設(shè)定層和驗(yàn)證層兩層結(jié)構(gòu)，采用信息交互模式實(shí)現(xiàn)人類實(shí)時(shí)評(píng)測認(rèn)知結(jié)果反復(fù)推敲比對(duì)信息的認(rèn)知模式，其結(jié)構(gòu)和功能如圖1所示。

1.1 設(shè)定層

    設(shè)定層包括關(guān)鍵點(diǎn)檢測、人臉特征提取、認(rèn)知信息系統(tǒng)建立、分類器設(shè)計(jì)等模塊。首先對(duì)訓(xùn)練樣本庫中的人臉圖像進(jìn)行關(guān)鍵點(diǎn)檢測，基于檢測得到的關(guān)鍵點(diǎn)將人臉圖像分割成多幅子圖像，繼而采用DEEPID網(wǎng)絡(luò)提取每幅子圖像的特征。特征可分性評(píng)測度量DEEPID網(wǎng)絡(luò)輸出特征圖的可區(qū)分能力以約減特征圖集合，變精度粗糙集理論所建立的訓(xùn)練集認(rèn)知決策信息系統(tǒng)約減簡約特征圖集合構(gòu)建的全連接特征向量集合。將簡約特征空間送入集成RVFL分類器，可以獲取訓(xùn)練人臉圖像樣本的認(rèn)知結(jié)果，為校驗(yàn)層提供特征空間和分類認(rèn)知的構(gòu)建準(zhǔn)則。

1.2 驗(yàn)證層

    驗(yàn)證層包括關(guān)鍵點(diǎn)檢測、人臉特征獲取、匹配識(shí)別、結(jié)果獲取、熵測度等模塊。基于設(shè)定層所提供的特征空間和分類認(rèn)知建立準(zhǔn)則，可以獲取特定認(rèn)知精度條件下測試人臉圖像的認(rèn)知結(jié)果，構(gòu)建認(rèn)知結(jié)果誤差語義熵測度指標(biāo)量測人臉圖像認(rèn)知結(jié)果的可信度，自尋優(yōu)反饋調(diào)節(jié)DEEPID網(wǎng)絡(luò)的特征空間及其分類認(rèn)知準(zhǔn)則，優(yōu)化認(rèn)知海量人臉圖像。

2 基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知算法

2.1 基于DEEPID網(wǎng)絡(luò)的人臉特征提取

    在人臉定位和對(duì)齊處理操作后，通過關(guān)鍵點(diǎn)檢測將人臉圖像特征分散為多個(gè)局部特征，選取人臉圖像的10個(gè)位置分別采用3個(gè)尺度獲取30個(gè)不同部位的RGB圖像及其灰度圖。隨后將每一幅子圖像水平翻轉(zhuǎn)，將翻轉(zhuǎn)前后的圖像輸入至DEEPID網(wǎng)絡(luò)中。一個(gè)DEEPID網(wǎng)絡(luò)包括4個(gè)卷積層，其中第3個(gè)池化層的輸出與第4個(gè)卷積層的輸出連接后傳播至全連接層。每幅子圖像經(jīng)由DEEPID網(wǎng)絡(luò)可以得到一個(gè)160維特征向量，則每幅人臉圖像得到的全連接特征維數(shù)是160×60=9 600維^[7]。特征維度過高會(huì)導(dǎo)致計(jì)算復(fù)雜度高，同時(shí)由于維數(shù)災(zāi)現(xiàn)象可能會(huì)惡化性能，因此，在特征空間被送入模式分類器之前需要對(duì)其進(jìn)行降維處理。

2.2 特征圖集合重構(gòu)

    特征圖集合以不同的分析視角表征人臉，具有不同的可區(qū)分能力。聚類中心可以表征相似信息，因此，針對(duì)一幅人臉圖像的全體子圖像集合只存在局部差別的情況，采用聚類中心重構(gòu)特征圖集合，以獲取更為泛化的人臉特征。

2.2.1 特征可分性度量

    特征可分性度量可以評(píng)估每個(gè)特征圖對(duì)人臉圖像的可區(qū)分能力，這里被引入以排序特征圖集合的可區(qū)分能力。設(shè)DEEPID網(wǎng)絡(luò)中第3個(gè)池化層和第4個(gè)卷積層的輸出特征圖集合為x={x₁，…，x_m}，m為特征圖個(gè)數(shù)，則特征圖x_j=[x_j，1，…，x_j，n]^T的特征可分性度量指標(biāo)Q_j可定義為：

2.2.2 基于聚類的特征圖集合重構(gòu)

2.3 人臉認(rèn)知決策信息系統(tǒng)

2.4 集成隨機(jī)權(quán)向量函數(shù)連接網(wǎng)絡(luò)

    針對(duì)softmax泛化能力不足的缺陷，采用集成RVFL分類器替代softmax分類器，以提高學(xué)習(xí)模型的泛化能力。在隱含層節(jié)點(diǎn)個(gè)數(shù)n_b足夠大的前提條件下， RVFL可以任意逼近一個(gè)定義在緊集上的非線性映射：

2.5 人臉認(rèn)知結(jié)果熵測度指標(biāo)

2.6 特征空間和分類認(rèn)知準(zhǔn)則自優(yōu)化調(diào)節(jié)

    基于定義的人臉圖像不確定認(rèn)知結(jié)果誤差語義熵測度指標(biāo)可以評(píng)測人臉認(rèn)知結(jié)果的可信度，若可信則輸出作為最終認(rèn)知結(jié)果，否則自尋優(yōu)反饋調(diào)節(jié)k、β和L，更新特征空間和分類認(rèn)知準(zhǔn)則，實(shí)現(xiàn)人臉的優(yōu)化再認(rèn)知。自優(yōu)化調(diào)節(jié)準(zhǔn)則如下所示：

    (1)若φ_q的第w次認(rèn)知結(jié)果的熵測度指標(biāo)H_q，w≤Δ（Δ是認(rèn)知誤差閾值），則表示參數(shù)集（k_w、β_w、L_w）最優(yōu)適用于當(dāng)前人臉圖像，輸出認(rèn)知結(jié)果作為最終結(jié)果。

    (2)若H_q，w>Δ，表示當(dāng)前不確定認(rèn)知結(jié)果粗略符合要求，交叉微調(diào)節(jié)參數(shù)集k、β和L更新待測樣本特征空間和分類認(rèn)知準(zhǔn)則，進(jìn)行第w+1次反饋認(rèn)知以獲取優(yōu)化認(rèn)知結(jié)果：

其中，[·]是取整操作。若L調(diào)整至L_max時(shí)仍無法滿足條件(1)，則在[1，L_max]中選取最佳認(rèn)知結(jié)果所對(duì)應(yīng)的L_opt。

3 試驗(yàn)結(jié)果與結(jié)果分析

3.1 試驗(yàn)環(huán)境與數(shù)據(jù)獲取

    目前較為常用的人臉數(shù)據(jù)集有LFW、ORL、AR、YALE-B等，其中LFW人臉數(shù)據(jù)集包含5 000人共計(jì)13 000幅人臉圖像，本試驗(yàn)從中隨機(jī)選取70%的人臉樣本作為訓(xùn)練樣本集，其余30%的人臉樣本作為測試樣本集。部分LFW人臉圖像如圖2所示。本文采用Caffe框架訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練數(shù)據(jù)集送入DEEPID網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文將認(rèn)知誤差閾值Δ設(shè)定為0.85。k和β的搜索范圍分別設(shè)定為[1，100]和[0.5，1]，此外，L和n_b的范圍分別定義為[2，15](步長為1)和[100，1 000](步長為100)。所有試驗(yàn)在Intel Core i5 CPU 3.0 GHz，16 GB內(nèi)存，GTX1080Ti環(huán)境下運(yùn)行。

3.2 試驗(yàn)結(jié)果分析

    圖3給出了在某次試驗(yàn)中測試樣本集的識(shí)別率關(guān)于L、β和k的變化曲線，其中每幅子圖像均是固定其中兩個(gè)參數(shù)，調(diào)節(jié)另一個(gè)參數(shù)。從圖3可以看出，不是所有的基網(wǎng)絡(luò)集成個(gè)數(shù)都具有一致的泛化誤差。在β和k的某參數(shù)組合條件下，7個(gè)基網(wǎng)絡(luò)可以構(gòu)建泛化能力強(qiáng)的學(xué)習(xí)模型。通過調(diào)節(jié)β可以控制不同認(rèn)知精度的特征空間對(duì)不同人臉圖像樣本的適用程度。此外，隨著k的增加，簡約特征圖集合與原特征圖集合越相近，特征空間數(shù)據(jù)結(jié)構(gòu)復(fù)雜度越大，計(jì)算速度變慢，而k越小則表明特征圖集合充分簡約，但可能會(huì)導(dǎo)致所需特征信息量不足，認(rèn)知性能惡化。

    為進(jìn)一步表明本文所提出的基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知模型的優(yōu)越性，在相同的樣本集和試驗(yàn)環(huán)境條件下，比較了本文方法與其他識(shí)別方法的性能，包括DEEPID^[6]、ISCDCNNS^[10]、CNN+DBN^[11]、TL+貝葉斯^[12]、DFD^[13]等算法。上述方法的1 000次試驗(yàn)的平均識(shí)別率如表1所示，所有識(shí)別結(jié)果均采用均值±標(biāo)準(zhǔn)差的表征形式。

    從表1中可以看出，本文所提出的基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知算法比傳統(tǒng)DEEPID算法具有更優(yōu)的識(shí)別率，達(dá)到98.69%，在約減特征空間降低運(yùn)算復(fù)雜度的同時(shí)，提高了識(shí)別精度。特征可分性度量、認(rèn)知決策信息系統(tǒng)和集成模式分類器的引入，較傳統(tǒng)監(jiān)督學(xué)習(xí)增強(qiáng)了特征空間的可區(qū)分能力以及模式分類器的泛化性能。基于認(rèn)知結(jié)果熵測度指標(biāo)實(shí)時(shí)評(píng)測人臉圖像的不確定認(rèn)知結(jié)果，自優(yōu)化調(diào)節(jié)簡約特征空間，模仿了人類實(shí)時(shí)評(píng)測認(rèn)知結(jié)果自尋優(yōu)調(diào)節(jié)特征空間和分類認(rèn)知準(zhǔn)則的認(rèn)知模式，實(shí)現(xiàn)了人臉的優(yōu)化認(rèn)知。

4 結(jié)論

    本文基于深度集成學(xué)習(xí)的人臉智能反饋認(rèn)知算法在數(shù)據(jù)庫LFW上進(jìn)行了人臉識(shí)別試驗(yàn)，平均識(shí)別率達(dá)到98.69%。首先基于特征可分性度量和認(rèn)知決策信息系統(tǒng)獲取DEEPID網(wǎng)絡(luò)的簡約特征空間，然后將簡約特征集送入集成RVFL分類器獲取人臉識(shí)別結(jié)果，最后，基于認(rèn)知結(jié)果熵測度指標(biāo)評(píng)測人臉圖像的不確定認(rèn)知結(jié)果，自優(yōu)化調(diào)節(jié)特征空間和分類認(rèn)知準(zhǔn)則，在多次反饋認(rèn)知過程中模仿人類實(shí)時(shí)評(píng)測認(rèn)知結(jié)果反復(fù)推敲比對(duì)的認(rèn)知模式，實(shí)現(xiàn)人臉的優(yōu)化識(shí)別。特征空間的充分性表征以及具有萬具逼近能力的模式分類器設(shè)計(jì)將是下一步的工作重點(diǎn)。

參考文獻(xiàn)

[1] 田啟川，張潤生.生物特征識(shí)別綜述[J].計(jì)算機(jī)應(yīng)用研究，2009，26(12)：4401-4406.

[2] 孫閩紅，閆云珍，邵章義，等.基于Wigner對(duì)角切片譜的射頻指紋特征提取[J].電子技術(shù)應(yīng)用，2016，42(1)：87-90.

[3] 徐智勇，唐根偉，姜新泉，等.硬件友好型合成指紋鑒別算法的研究[J].電子技術(shù)應(yīng)用，2016，42(10)：54-58.

[4] 余成波，李彩虹，曾亮.K-means指紋定位的優(yōu)化算法[J].電子技術(shù)應(yīng)用，2018，44(2)；70-74.

[5] GALTON F.Personal identification and description[J].Nature，1888，21：173-177.

[6] SUN Y，WANG X，TANG X.Deep learning face representation from predicting 10,000 classes[C].2014 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).IEEE Computer Society，2014：1891-1898.

[7] SUN Y，WANG X，TANG X.Deeply learned face representations are sparse, selective, and robust[C].2015 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).IEEE Computer Society，2015.

[8] LI W T，WANG D H，CHAI T Y.Multi-source data ensemble modeling for clinker free lime content estimate in rotary kiln sintering processes[J].IEEE Transactions on Systems，Man，and Cybernetics：Systems，2015，45(2)：303-314.

[9] CHEN K Q，WANG J P，LI W T，et al.Simulated feedback mechanism-based rotary kiln burning state cognition intelligence method[J].IEEE Access，2017，5：4458-4469.

[10] 冉鵬，王靈，李昕，等.改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識(shí)別中的應(yīng)用[J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版)，2018，24(141)：26-40.

[11] HUANG G B，LEE H，LEARNED-MILLER E.Learning hierarchical representations for face verification with convolutional deep belief networks[C].2012 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).IEEE，2012：2518-2525.

[12] CAO X，DAVID W，WEN F，et al.A practical transfer learning algorithm for face verification[C].IEEE International Conference on Computer Vision.IEEE Computer Society，2013：3208-3215.

[13] ZHEN L，PIETIKAINEN M，LI S Z.Learning discriminant face descriptor[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，36(2)：289-302.

作者信息:

范葉平1，李  玉1，楊德勝1，萬  濤1，馬  冬1，李帷韜2

(1.國網(wǎng)信通產(chǎn)業(yè)集團(tuán)安徽繼遠(yuǎn)軟件有限公司，安徽 合肥230088；

2.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院，安徽 合肥230009)