·284· 智能系统学报 第16卷 从表4可以看出，随着子空间数量的增加，正 虑数据融合；同时在训练神经网络时，多个损失 确率先上升后下降，根据结果在实验过程中选择 函数直接相加，不一定能达到最优的训练效果， 仁4作为子空间数量。 可做进一步改进。下一步可以将融合相似度的方 2.2Open-set实验 法加入到分类器中，做进一步的研究。 实验时选择CASIA-WebFace作为训练集， 参考文献： LFW作为测试集，在LFW标准协议上的人脸识 别算法性能比较。 [1]周飞燕，金林鹏，董军.卷积神经网络研究综述计算 由于实验条件限制，在有限的条件下，图片裁 机学报，2017,40(6：1229-1251 剪人脸部分后，重组大小为56×48，在RGB图像 ZHOU Feiyan,JIN Linpeng,DONG Jun.Review of con- 中，每个像素([0,255])通过减去127.5然后除以 volutional neural network[J].Chinese journal of com- 128进行归一化。使用随机梯度下降法进行优 puters,2017,40(6):1229-1251 化，权重衰减设置为0.0005，学习率最初设置为 [2]WU X,HE R,SUN Z,et al.A light CNN for deep face 0.1,当训练迭代次数达到16000、28000、38000时， representation with noisy labels[J].IEEE transactions on information forensics and security,2018,13(11): 分别设为0.01、0.001、0.0001，迭代次数达到40000 2884-2896 已基本收敛，完成训练。实验结果如表5所示。 [3]CHEN Juncheng,PATEL V M,CHELLAPPA R.Uncon- 表5 CASIA-VebFace作为训练集，在LFW标准协议上 strained face verification using deep CNN features[C]// 的实验结果 Proceedings of 2016 IEEE Winter Conference on Applica- Table 5 CASIA-WebFace as a training set,experimental results on the LFW standard protocol tions of Computer Vision (WACV).Lake Placid,USA. 2016:1-9. 方法 正确率 [4]SUN Y,LIANG D,WANG X,et al.Deepid3:Face recog- ResNet+AM-Softmax 0.9383 nition with very deep neural networks[J/OL].(2015-02- ResNet+Normalization+Centerloss 0.9315 03).[2019-01-01].https://www.docin.com/p- Lightcnn+AM-Softmax 0.9333 1571349020.html [5]SCHROFF F,KALENICHENKO D,PHILBIN J,et al.Fa- MLFF+AM-Softmax,.融合特征 0.9542 ceNet:a unified embedding for face recognition and clus- MLFF+AM-Softmax,融合相似度 0.9603 tering[J].Computer vision and pattern recognition,2015: 从表5可知，融合后的特征具有更好的识别 815-823 [6]景晨凯，宋涛，庄雷，等.基于深度卷积神经网络的人脸 效果，同样使用AM-Softmax,在同样的条件下，融 识别技术综述[】.计算机应用与软件，2018,35(1)： 合特征的效果更好。同时利用训练得到的中心变 223-231 量计算融合相似度，能够有效利用多层特征之间 JING Chenkai,SONG Tao,ZHUANG Lei,et al.A survey 的互补性，进一步提高识别效果。 of face recognition technology based on deep convolution- 3结束语 al neural networks[J].Computer applications and software, 2018,35(1):223-231 本文提出的神经网络多层特征信息融合的人 [7]孙劲光，孟凡宇.基于深度神经网络的特征加权融合人 脸识别方法，在已有的网络结构基础上对结构进 脸识别方法U.计算机应用，2016,36(2)：437-443 行适当改进，使得其更适合提取多层特征，然后 SUN Jinguang,MENG Fanyu.Face recognition based on 对提取的多层特征在子空间进行加权特征融合并 deep neural network and weighted fusion of face 拼接，对每层特征分类结果进行加权决策融合， features[J].Journal of computer applications,2016,36(2): 437-443」 定义中心变量计算自适应权重，结合神经网络学 [8]TAIGMAN Y,YANG Ming,RANZATO MARC'AURE- 习中心变量，并利用学习到的中心变量来计算加 LIO,et al.DeepFace:closing the gap to human-level per- 权融合相似度，进一步提升效果。在LFW等数据 formance in face verification[C]/Proceedings of the 2014 集上进行的实验证明了改进后的方法比原来的效 IEEE Conference on Computer Vision and Pattern Recog- 果更好，Open-Set情况下，在LFW上提升2.2%。 nition.Columbus,USA,2014:1701-1708. 本文是在特征融合与决策融合层面进行研究 [9]SUN Yi,WANG Xiaogang,TANG Xiaoou.Deep learning 与实验，而3维人脸数据能对人脸识别的提高起 face representation from predicting 10,000 classes[C]// 到作用，可以从这一方面或者是其他多源数据考 Proceedings of 2014 IEEE Conference on Computer Vis-从表 4 可以看出，随着子空间数量的增加，正 确率先上升后下降，根据结果在实验过程中选择 k=4 作为子空间数量。 2.2 Open-set 实验 实验时选择 CASIA-WebFace 作为训练集， LFW 作为测试集，在 LFW 标准协议上的人脸识 别算法性能比较。 由于实验条件限制，在有限的条件下，图片裁 剪人脸部分后，重组大小为 56×48，在 RGB 图像 中，每个像素 ([0, 255]) 通过减去 127.5 然后除以 128 进行归一化。使用随机梯度下降法进行优 化，权重衰减设置为 0.000 5，学习率最初设置为 0.1，当训练迭代次数达到 16000、28000、38000 时， 分别设为 0.01、0.001、0.0001，迭代次数达到 40000 已基本收敛，完成训练。实验结果如表 5 所示。 表 5 CASIA-WebFace 作为训练集, 在 LFW 标准协议上 的实验结果 Table 5 CASIA-WebFace as a training set, experimental results on the LFW standard protocol 方法 正确率 ResNet+AM-Softmax 0.938 3 ResNet+Normalization+Centerloss 0.931 5 Lightcnn+AM-Softmax 0.933 3 MLFF+AM-Softmax，融合特征 0.954 2 MLFF+AM-Softmax，融合相似度 0.960 3 从表 5 可知，融合后的特征具有更好的识别 效果，同样使用 AM-Softmax，在同样的条件下，融 合特征的效果更好。同时利用训练得到的中心变 量计算融合相似度，能够有效利用多层特征之间 的互补性，进一步提高识别效果。 3 结束语 本文提出的神经网络多层特征信息融合的人 脸识别方法，在已有的网络结构基础上对结构进 行适当改进，使得其更适合提取多层特征，然后 对提取的多层特征在子空间进行加权特征融合并 拼接，对每层特征分类结果进行加权决策融合， 定义中心变量计算自适应权重，结合神经网络学 习中心变量，并利用学习到的中心变量来计算加 权融合相似度，进一步提升效果。在 LFW 等数据 集上进行的实验证明了改进后的方法比原来的效 果更好，Open-Set 情况下，在 LFW 上提升 2.2%。 本文是在特征融合与决策融合层面进行研究 与实验，而 3 维人脸数据能对人脸识别的提高起 到作用，可以从这一方面或者是其他多源数据考 虑数据融合；同时在训练神经网络时，多个损失 函数直接相加，不一定能达到最优的训练效果， 可做进一步改进。下一步可以将融合相似度的方 法加入到分类器中，做进一步的研究。 参考文献： 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述 [J]. 计算 机学报, 2017, 40(6): 1229–1251. ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of con￾volutional neural network[J]. Chinese journal of com￾puters, 2017, 40(6): 1229–1251. [1] WU X, HE R, SUN Z, et al. A light CNN for deep face representation with noisy labels[J]. IEEE transactions on information forensics and security, 2018, 13(11): 2884–2896. [2] CHEN Juncheng, PATEL V M, CHELLAPPA R. Uncon￾strained face verification using deep CNN features[C]// Proceedings of 2016 IEEE Winter Conference on Applica￾tions of Computer Vision (WACV). Lake Placid, USA, 2016: 1−9. [3] SUN Y, LIANG D, WANG X, et al. Deepid3: Face recog￾nition with very deep neural networks[J/OL].(2015-02- 03).[2019-01-01]. https://www.docin.com/p- 1571349020.html. [4] SCHROFF F, KALENICHENKO D, PHILBIN J, et al. Fa￾ceNet: a unified embedding for face recognition and clus￾tering[J]. Computer vision and pattern recognition, 2015: 815−823. [5] 景晨凯, 宋涛, 庄雷, 等. 基于深度卷积神经网络的人脸 识别技术综述 [J]. 计算机应用与软件, 2018, 35(1): 223–231. JING Chenkai, SONG Tao, ZHUANG Lei, et al. A survey of face recognition technology based on deep convolution￾al neural networks[J]. Computer applications and software, 2018, 35(1): 223–231. [6] 孙劲光, 孟凡宇. 基于深度神经网络的特征加权融合人 脸识别方法 [J]. 计算机应用, 2016, 36(2): 437–443. SUN Jinguang, MENG Fanyu. Face recognition based on deep neural network and weighted fusion of face features[J]. Journal of computer applications, 2016, 36(2): 437–443. [7] TAIGMAN Y, YANG Ming, RANZATO MARC'AURE￾LIO, et al. DeepFace: closing the gap to human-level per￾formance in face verification[C]//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recog￾nition. Columbus, USA, 2014: 1701−1708. [8] SUN Yi, WANG Xiaogang, TANG Xiaoou. Deep learning face representation from predicting 10, 000 classes[C]// Proceedings of 2014 IEEE Conference on Computer Vis- [9] ·284· 智 能 系 统 学 报 第 16 卷