基于深度神经网络的身份识别研究

冯贺平+杨敬娜+吴梅梅

摘要：人脸识别是身份检测的首选模式，因此具有巨大的市场前景。深度神经网络是人工智能与模式识别新兴研究热点，利用其视觉特征深度学习特点，提出了一种适用于户外的身份识别方法，用该方法设计了人脸动态识别系统，该系统可以用在智能小区和校园等场所，对小区、校园实现的人员实现有效控制。

关键词：人脸识别 ；深度神经网络；视频监控

中图分类号：TP319 文献标识码：A 文章编号：1009-3044（2016）22-0161-02

1 概述

随着人的安全意识的加强，身份识别越来越重要，人脸是最重要的生物识别特征，人脸设别技术是身份检测的首推模式。然而在当前大数据时代，仅仅靠人工在海量视频中搜索人脸显然不行，要靠物联网技术进行人脸识别。目前人脸识别技术在较好的采集条件下，具有令人满意的识别效果，然在非理想环境下，人脸识别率明显下降。深度学习的提出，使得深度神经网络在语音及图像识别等方便取得了极佳的效果。本文提出了一种基于深度神经网的能适用于室外开放场合的动态人脸识别方法，并结合智能小区的实际应用，研制出智能小区给予人脸的身份识别系统。经实验，该系统运行稳定，且检测功能良好，满足实际需求。

2 深度信念网

2.1 深度信念网结构

2006年，Hinton提出了深度信念网（deep belief network， DBN）。它是由多层神经元构成，分为用于接收输入的显性神经元即输入层和多个用于提取特征的隐形神经元即隐层以及输出层，结构如图1所示。

2.2 深度信念网学习算法

具有多个隐层的深度信念网进行全局优化非常困难，逐层训练即贪婪算法用于此，取得了较好的优化性能。这种方法在训练时，每次只学习相邻受限波尔兹曼机模型参数，最终获得全局的DBN，因此，深度信念网的训练过程分为两部分，即受限波尔兹曼机的预训练和反向传播（BP）算法的微调。

1）限制波尔兹曼机训练

限制波尔兹曼机（RBM）是一个两层神经网络，由可视层和隐含层单元彼此互连构成。把多个限制波尔兹曼机叠加，前一个限制波尔兹曼机的输出作为后一个限制波尔兹曼机的输入，构成深度信念网络。

3 动态人脸识别系统

住宅小区或校园动态人脸识别系统是通过架设在小区或校园门口的高清摄像头，对出入小区的人员进行人脸设别，并利用各部门提供的犯罪嫌疑人的人脸数据对出入小区或校园的违法犯罪人员进行提前锁定以及及时预警。

本文描述的动态人脸识别系统由视频预处理模块、人脸动态识别模块及人脸信息管理模块，如图2所示：

4 总结

本文提出的基于深度神经网络的动态人脸识别系统，适用于任何室外开放场所，并基于此方法研制出智能小区和智能校园人脸动态识别系统，该系统能够实现小区和校园内人脸识别功能，对小区和校园的有效管理启动了保证作用，满足了实际的需求。

参考文献：

[1] 陈国平，杜姗姗.基于深度神经网络的动态人脸识别方法及应[J].微型电脑应用，2015，31（9）：39-41.

[2] 邢建飞，罗志增，席旭刚.基于深度神经网络的实时人脸识别[J].杭州电子科技大学学报，2013，33（6）：107-110.

[3] 闫新宝.深度学习及其在人脸识别中的应用进展[J].无线互联科技，2016，4（8）：132-137.

[4] 王飞，李强.基于改进的深度信念网络的人脸识别算法研究[J].兰州大学学报，2016，35（1）：42-47.

[5] 夏振杰.基于人脸识别技术的身份认证系统实现简介[J].科技前沿，2010（5）：44-46.

[6] 乔俊飞，潘广源，韩红桂.一种连续型深度信念网的设计与应用[J].自动化学报，21015，12（41）：2139-2146.