基于大数据的深度学习技术在人脸识别中的应用

重庆科技学院学报（自然科学版)

2018年4月

基于大数据的深度学习技术在人脸识别中的应用

金诗谱康彦张书茂

(安徽城市管理职业学院，合肥230001)

摘要:深度学习属于新兴技术，在语音识别、计算机视觉识别等方面的应用正逐渐深人。介绍深度学习的基本理

论，并提出将基于大数据的深度学习用于人脸识别。

关键词:大数据；深度学习；人脸识别；特征训练 中图分类号:TP317

文献标识码:A

文章编号：1673 -1980(2018)02 -0066 -03

大数据技术的发展与应用，推动着各领域信息 技术的迅速发展，大量的数据不断更新并支撑起各 种数据库。这些数据如果能得到充分利用，将会带 来巨额的价值回报。深度学习是当前发展起来的机 器学习新技术，在语音识别、计算机视觉等领域的应 用正逐渐深入。深度学习的概念源于人工神经网络 技术，其结构是一种深层次的学习结构。通过深度 学习，可将较低层次的特征整合成更抽象的高层表 示属性或特征类别。深度学习可研究非线性结构问 题，实现复杂函数的近似表达，得到分布式特征表 示，同时能较强地学习样本集的基本特征[1]。深度 学习技术的应用，极大地推动了人脸识别技术的进 步，其人脸特征表达是传统手工特征表达无法企及 的。在此，介绍深度学习的基本概念，并融合大数据 和深度学习的优势，探讨基于大数据的深度学习技 术在人脸识别中的应用。

1

深度学习结构

有利于对概率进行估算。深度学习算法中的DBN (深度信念网络)就是生成性深度结构，连串RBM

一

(限制波尔兹曼机）单元构成了 DBN[2]。RBM是传 统的神经网络，其中有2个层彼此相连，通过隐层单 元可以得到可视单元的高阶相关性。与常规信度网

络不同的是，RBM更容易对权值实现快速学习。1.2区分性深度学习结构

区分性深度结构主要用于对数据的后验分布进 行常规描述。历史上第1个实现多层网络结构训练 的算法是CNNS(卷积神经网络）。CNNS算法是区 分性训练算法，可以通过此算法获得变换不变性特 征，而无法通过DBNS (动态贝叶斯网络)算法获得。 经过研究，LE Cun等人成功训练了卷积神经网 络[3]。CNNS算法功能强大，在大多实验中表现出 良好的性能，多应用于图片识别、分类等技术领域。 1.3混合型深度学习结构

混合型深度学习结构的最终目标是识别数据， 重点在于区分数据。混合型深度学习结构有2种， 一种是生成性结构，另一种是区分性结构。当运用 生成性深度结构解决分类问题时，可以在网络权值 优化预训练阶段与判别模型相结合使用。比如，深 度神经网络可以通过深度信念网络预先训练而得 到。BP算法能够用于优化DBN的权重，其初始权 重来自RBM和DBN预训练，而非随机生成。相较 于前馈神经网络，BP算法训练及收敛的时间效率都

。

深度学习结构可归纳为3种经典结构:生成性 深度结构、区分性深度结构和混合性深度结构。

1.1生成性深度学习结构

该结构可用于观察信息及其对应类的联合概率 分布，或者对信息的高阶相关属性进行描述。因为 不关注数据的标签，很多人常常采用非监督特征学 习模式。与区分性深度结构的区别在于，生成性深 度结构能够得到标签和观察信息的概率分布情况，

收稿日期=2017-12-04

基金项目：安徽高校自然科学研究重点项目“城市立体车库信号采集存储系统中数据处理关键技术研究$( KJ2017A746);安徽

省省级校企合作实践教育基地资助项目“计算机网络实训中心“（2012SJJD065)

作者简介:金诗谱（1985 —），男，安徽省金寨县人，硕士，实验师，研究方向为计算机应用及网络技术。,66 ,

金诗谱，等：基于大数据的深度学习技术在人脸识别中的应用

(2)

2

深度学习模型 2.1自动编码

Coding部分。采取优化的方法获取所测试

数据的codes。2.3

，在此 。研究发现，

下改变参原有的

机

进行学

受限玻尔兹曼机（RBM)是一种随机生成的神 经网络，主通过对输入数 。受 模型 输入单位 使

f

3

基于大数据的深度学习人脸识别新模式

输入和输出有

数进行 多

， 示，即所

层重量，同时会得出输入/的

尔兹曼机是波尔兹曼机的变化形式，其采用二分图。该模型包含相应参数的对应

可见

果

位。图

。i

里增加一些自动学 ，则实验效果明

升*&+。这种方法称为自动编码(Auto Encoder)。

2. 2

稀疏编码

通 乳动 所看见的画面是由很多像素

，这典 -

比常规玻尔兹曼机 比以梯度为

对比

算法更加有效，尤算法更有效。

组成，些 重 变换过程比 种变换称作稀疏编码（Sparse Coding \"。 疏编

程由Training部分和Coding部 (1\" Training 部分。

(in Rd)]，’

样本 * Pi，P!，…，P[

典基 *q$，q2,…，q[(also in Rd)]。

当前，传统 学习人脸识别技术，通常基于

常规人脸数 ，如ORL人脸图 （见图1)。

直接将深度学习算法应用于人脸识别，效果不

。当乏足够强大的数 支撑时，传统的学习应用于人脸识别时

大的局

。在深

此，提出 新的人脸识别模式，即于大数 度学习人脸识别模式（见图2)。人脸图像大数据进行 数与传统

，

大幅

，

新型人

的深度学习人脸识别模式 上，通过 数 识 硬 行计算来

人

学习进行 数 量也大， ，

， 通过 规模

海量的大数：础， 有效地 式

有海量人脸统进行并

。Google

。不过，此识别实 算量巨大，对

于大数据技术，利用数量庞大的cpu，对海量

=。

人脸图像识

学习人脸识别模式相比，基于大数据

所 实验就

形， 规模

16 000个中央处理器 识别数。。。。也使用拥有器来 学习数据库，

• 67 •

，等：基于大数据的深度学习技术在人脸识别中的应用

识 果。

新模式下的识别通过率相对 ，且随着

，识别通过 缓慢下降。

00

断

f

95

90

85

^—__^、---------基于大_基于深度学习----卜----卜新型人

的AI佥图像的特征训练脸特征、麵库、数据I

60 65 70 75 80 阈值

85 90 95 100

图4

图#

基于大数据的深度学习人脸识别模式

新模式和传统模式通过率对比图

采用常规稀疏编码方法， 使用新识别模式

因此，新模式下的人脸识别误识率和识别通过 率，均比传统模式更有优势。

4

结

语

和传统识别模式对随机人脸进行识别对比。设置 65、70、75、80、85、90等 ，以此 为 数据，对比2种识模式下 3 、图 4) 。

识

识别通过率（见图

人脸识别技 入发展，

实用 强的一项技术，在学习技

断

各领域的应用非常普遍。随着 据技 等着我

断发展，海量的数据就

新算法不断出现。同时，随着大数

金一样宝贵，

学习技术

%/讲，蠢

I.0.0.0.0.C

1 9 7 5 3 1

积极探索。大数据技术与

• 60 65 70 75 80 阈值

85 90 95 100

相 人脸识别新模式的应用，将会极大地推进

人 识 技 发 。

参考文献

图3新模式和传统模式误识率对比

% 1]赵丹丹.基于深度学习的掌纹识别算法研究％ D].呼和

图3可 随着 而新模式下误识 势

出，传统模式下 断

，后期误识 低，且随着

识 断升高;断

&，误，其优

浩特：内蒙古农业大学，2016:10 -20.

[2] 赵玮，徐良杰，冉斌，等.基于深度学习DBN算法的高速

公路危险变道判别模型[J].东南大学学报（自然科学 版），2017,47(4):832 -838.

[3] 梁锡军.稀疏优化在机器学习中的若干应用[D].大连:

大连理工大学，2013 $10-20.

[4] 冯子勇.基于深度学习的图像特征学习和分类方法的

研究及应用[D].广州：华南理工大学，2016:1 -10.

识率呈下降趋势。新模式与大数据相

’

图4可以看出，传统模式下识别通过率较低，

断

，识通过率下降幅度增大;而

且随着

Research on Deep Learning Technology in Face Recognition Based on Bij? Data

JINShipu

KANG Yan

ZHANG Shumao

(Anhui City Management Vocational College，Hefei 230001，China)

Abstract：Deep learning is

a new technology，widely applied in theory of deep learning is

speech recognition

first，and

and a

computer new

vis

In this paper，the basic introduced model of

depth learning and big data is established.

Key words：big data； depth learning； face recognition； feature training

• 68 •