基于深度学习的人脸识系统（完整代码+数据+报告+可作为毕设）

# 基于深度学习的人脸识别研究 **摘要** 近年来，网络技术日新月异，我们已经进入了大数据的时代并成为其中第一员，由此带来数据量的飞跃式的增长，而如何利用这些数据产生实际的生产价值则成为了大数据时代的一个重要问题。而人脸识别技术是一份对大数据价值应用的标准答卷。传统的身份验证系统基于动态的密码和手机认证，这样的方式看似安全，实际上却非常容易产生信息暴露、信息被盗取、信息丢失等问题。假设有一天，用户丢失了手机或者身份证，如果是传统身份验证技术，那么就可能被不法之人所利用，而如果是生物特征识别技术，则不会存在这一问题。因此，人脸识别技术在未来不久也将会成为主要的信息安全技术。人脸识别是这种识别技术的和弦技术之一，同时也是最成熟的技术之一。利用一段视频或者图片，判断是否为本人，就是人脸识别技术所在做的。而人脸识别技术已经被广泛应用于入口检测之中，未来的应用只会越来越广泛。 人脸识别技术随着卷积神经网络的提出进入了飞速发展阶段，越来越多的研究人员通过改变卷积神经网络结构获得来越来越好的性能与效率。与此同时，人脸识别的数据集的数据量也越来越大、数据集的种类也越来越丰富，出现了 3D 人脸数据集和各种姿态、光照人脸数据集。人脸识别技术在目前已经发展的越来越成熟了，但是在应用过程中，人脸识别技术陷入了隐私泄露和隐私安全的困境，这种现象在国外尤其严重。 本文对基于深度学习的人脸识别做出了研究，同时也应用研究成果设计了拍照签到与网课在线检测系统。本文的人脸识别分为人脸检测、人脸对齐、人脸检验这三个过程。在人脸检测过程中，本文使用了 LFFD 算法进行快速人脸检测与活体检测以应对网课在线检测这一场景，同时也使用了 DSFD 算法进行高精度人脸识别以应对拍照签到这一场景。人脸对齐过程中，本文采用的是快速、简便的 5 关键点对齐。在最后的人脸检验过程中，本文使用了最新的 SeetaFace6 算法，支持口罩检测。本文也在最后的人脸检验过程中采用 GPU 加速了人脸距离计算过程，这不同于目前绝大部分人脸识别技术的人脸距离计算方式，非常的快速。 **关键词**：人脸检测；人脸对齐；人脸识别；卷积神经网络 # 一、绪 论 ## 1.1 引言 人脸识别即是人工智能领域的一项拥有非常巨大实用价值与非常良好前景的技术，也是一项亟需落地的人工智能任务。在近年来，通过国内外科技公司与高等大学的努力，人脸识别技术已经取得了非常惊人的准确率，同时应用也越来越广泛。比如最近支付宝的刷脸支付就是使用了 2D 的人脸识别技术，极大的简化了支付流程。苹果公司进一步使用了 3D 的人脸识别技术，不但获取了更为丰富的特征，也大大提高了对人脸攻击手段的防御能力，并且也革新了人脸是被设备。目前，苹果公司的人脸识别技术也已经应用于 Apple Play 的支付中。人脸识别技术早于几十年前便已被提出，当时受限于计算能力的不中，人脸识别仅限于理论。而在近年，由于硬件计算能力的飞跃提升，运算部件的革新（从 CPU 计算到 GPU 计算），在足够强大的计算力支持下人脸识别取得了重大进展，大数据技术使得对海量数据的计算成为可能，越来越多的新颖的网络结构被提出（DNN,CNN,RNN,GNN,CapesulNet）,人脸识别必将乘深度学习的浪潮前行。 随着网络技术的发展，各种各样的网站与平台都越来越注重对个人身份信息的验证了。完善个人信息验证可以营造更和谐、更安全的网络环境，可以使未成年人的防沉迷系统落于实处、也可以缓解不良用户发布违法信息或者广告的情况。。像语音识别、指纹识别、 虹膜识别之类的技术虽然都有着不错的安全性与准确性，但是它们都有着巨大的使用限制。语音识别过程中用户必须将音量提高到设备能够检测到的范围，这在一些要求人们保持安静的场合极不方便。指纹识别则需要设备具有能够进行指纹识别的设备，同时用户在生活过程中很难保证自己的指纹信息完全不泄露。虹膜识别则是识别过程非常麻烦，对用户造成的困扰非常之大。现代身份验证系统中的种种问题迫使人们创造出一种验证方便、使用范围广的身份验证技术，而人脸识别就是人们所找出的一种解决方法。人脸识别技术假定每个人的人脸都是独一无二的，辨别其中的差别是容易或者可能被神经网络所学习的]。人脸识别技术使用静态图片或者一段非常短的视频来进行识别的单种类生物识别技术。人脸识别系统是采用一定的硬件设备收集信息，并根据这些信息来进行身份验证的系统。指纹识别、语音识别、虹膜识别如图 1.1 所示。  图 1.1 指纹识别（左）、语音识别（中）、虹膜识别（右） 简单来说就是系统接收一张未知人脸图片，然后用它的描述子与数据库中所存在的描述子做比比较，找出与未知人脸度量距离小于阈值的人脸，斌确认未知人脸的身份为已知人脸中的哪一个人。如果全部人脸做完比对后，都没出现度量距离小于阈值的人脸，则系统会将未知人脸标记为‘UNKNOW’。 ## 1.2 人脸识别技术课题背景 人脸识别是通过对事先检测出并经过人脸对齐而识别出的人脸进行特征编码或者映射而得出人脸身份 ID 的一种技术。近年来，国家政府出台了一系列利于人工智能发展的政策。2017 年 3 月 5 日，在在第十二届全国人民代表大会第五次会议上,人工智能第一次被写进了政府工作报告之中，国家政府表示将鼓励做大做强人工智能产业集群。同年 12 月，工信部对人脸识别做出了规范，提出了人脸识别的需要遵循的性能指标。 人脸是被的概念早于上世纪 60 年代就以提出，当时受限于计算能力的不足及学习算法的缺失，人脸识别也仅仅是一个科幻概念而已。现在由于社会生产力的进步，人脸识别已经从机械端迁移到了互联网，识别设备由 CPU 转变为 GPU 及 GPU 集群。人脸识别的主要挑战是由于光照和姿态、甚至年龄的影响同一身份的人脸会变得很不一样。如图 1.2 所示。  图 1.2 不同姿态、光照人脸图 目前人脸识别技术在正确率上已经十分之高了，最新的人脸识别算法基本都可以达到 96% 以上的正确率。而人脸识别目前的课题研究方向便是更快的人脸验证技术、对伪造攻击更强的抵抗能力、有遮挡人脸的识别、人脸聚类等。我在 GitHub 搜索人脸识别时可以搜索出上千个 Python 项目。而以上需要研究的课题只能搜索出几十乃至几个项目，所以上述课题既是人脸识别的所需要研究的方向同时也是所缺失且不成熟的技术。 ## 1.3 人脸识别现状 ### 1.3.1 国外现状 目前在全球范围内，从事人脸识别系统的企业很多，国外知名的有 Aurora、IDEMI，EnterFace，Artec Group 和 Herta A 等。 相对于中国，国外的人脸识别受到了隐私泄露问题的阻碍。人脸识别技术收集的人脸数据大部分未经过授权�