摘  要：针对当前人脸识别技术在大型人脸图形数据库研究应用存在的两大问题，一是批量处理人脸图像数据效率低;二是一种算法只对某一类人脸图像库有较好的处理效果，没有一种通用的处理算法，提出了基于分布式运算的多网格索引人脸识别方法，介绍了其模型结构、核心算法以及优点特色，对于人脸识别方法的研究和应用具有一定的借鉴价值。

关键词：人脸识别;分布式;多网格索引;模型;算法

0    引言

随着网络技术和人工智能技术的迅速发展，人脸识别作为一种身份识别的重要手段，成为当前人工智能领域的研究热点。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像头采集包含人脸的图像或视频流，并通过相关的算法自动在图像或视频流中检测人脸，获取人脸的位置信息，再对人脸进行特征提取、特征比对、输出人脸信息等一系列相关操作[1]。目前，人脸识别技术广泛应用于智能门禁、公安刑侦、商业金融、信息安全等领域，具体包括大规模人脸检索，帮助公安寻找罪犯;考勤打卡，门禁进出;公共商业场所的自助服务;手机支付、身份识别;信息安全管控等。但是，人脸识别技术还并不算成熟，人脸检测与识别的速度和准确度仍然是研究重点。

1    国内外研究现状

国外对人脸识别的研究可追溯到20世纪60年代，牛津大学、卡内基梅隆大学、麻省理工学院、斯坦福大学、美国陆军研究实验室等研究机构提出了很多著名的人脸识别算法，比如几何特征算法、特定人脸子空间（FSS）算法、可变形模板法、基于神经网络的方法、基于深度学习的方法等[2]。

国内对人脸识别的研究虽然起步较晚，但也取得了不错的成就，已经掌握了一定的核心技术，达到了国际先进水平。研究机构主要有清华大学、香港中文大学、中国科学院自动化研究所等高校和科研院所，还有百度、腾讯、旷视科技、商汤科技、科大讯飞等企业。中国科学院自动化研究所提出了Webface理论，并公布了生成的人脸数据库——CASIA-Webface数据库，香港中文大学汤晓鸥教授研究组提出了著名的Deep ID算法，这些都为人脸识别技术研究做出了很大贡献[2]。

2    人脸识别技术存在的问题

人脸识别技术对大型人脸图形数据库的识别还存在两大关键问题：一是对海量人脸图像数据的处理能力。目前，识别率较高的人脸识别技术基本都采用深度学习方法来实现，虽然深度学习能得到较高的人脸识别准确率，但是学习效率并不高，不能满足高吞吐率、高容错性和实时响应的要求，直接运用到人工智能领域进行实时交互依然存在着较大问题。二是在不同光照、姿态和复杂背景等条件下，人脸识别算法存在鲁棒性问题，即某一种算法只对某一类人脸库有较好的处理效果，而没有一个通用的处理算法。

3    基于分布式运算的多网格索引人脸识别方法

为在提高人脸识别准确率的同时达到较高的批量识别处理效率，本研究团队提出了“基于分布式运算的多网格索引人脸识别”方法，并进行研究实验，取得了较好的效果。分布式运算是把多种算法集成调用进行计算。利用网格技术建立一个通用的、协同的、智能的虚拟处理平台以充分利用和共享各种资源，提高处理速度和能力，实现资源共享，包括数据资源、计算资源等，从而有效利用闲置资源。对于大型人脸库的人脸识别中存在的两个关键问题，前者可以通过基于网格的分布式数据库，把大型人脸图像库划分为中、小型人脸图像库，并借鉴计算网格、数据网格以及Globus等的实际应用来解决;后者可以基于应用共享的网格来实现，最后统一集成到一个虚拟处理平台下[3]。

3.1    方法模型

基于分布式运算的多网格索引人脸识别方法包含了图片预处理、人脸多姿态的分析与识别、多种算法融合进行人脸深度编码、多网格计算大规模人脸数据库这几个方面，其模型如图1所示。

具体过程是运用多张照片对人脸进行多层次的学习和训练，通过分布式运算的多网格索引多类别的数据算法进行权值特征提取，利用人脸深度，训练出人脸更高层次的编码。首先稀疏提取人脸特征点及环境特征点，对人像图片预处理，根据图片的特征进行分类，建立索引，增加人脸特征。采用强化学习（Deep Q Network）对多种姿态人脸进行猜想及还原，前期数据分类及索引后，经线性分析和判断，人工智能对数据训练和调优，最后通过多类别的数据算法进行权值特征提取，再利用人脸深度，训练出更高层次的编码，找出最接近正常姿态的人脸，从而提高在多环境、多姿态下的识别率，减少了人脸识别受到的尺寸、环境光线、多姿态、饰品等不稳定因素的影响，提高识别准确率的同时，也提高了大批量处理的识别速度。

（1）预处理。照片通过PC或移动应用端摄像头获取后被送入数据处理中心，通常为GPU进行图像分类处理及压缩，并行大规模运行。稀疏提取人脸特征点及环境特征点，对人像图片进行预处理，通过特征进行分类建立索引，从而增加人脸特征，减少环境光及不稳定因素对人脸图片的影响。

（2）人脸多姿态的分析与识别。常规人脸识别技术应用于多姿态的人脸识别存在多种问题，容易受尺寸、环境光、姿态的影响。为了在不同的姿态下更精准地识别人脸，本方法主要利用强化学习（Deep Q Network）来对多种姿态的人脸进行猜想和还原，通过前期数据的分类及索引，然后进行线性分析和判断，再通过人工智能进行数据训练和调优，找出最接近正常姿态的人脸，最后进行常规的人脸处理。

（3）多种算法融合，人脸深度编码。大多传统的深度学习只是在平面上对人臉进行学习、训练和编码。本方法运用大量照片对人脸进行多层次的学习和训练，通过多种类别的数据算法进行权值特征提取，然后利用人脸深度，训练出人脸更高层次的编码，从而提高人脸识别的精度。

（4）多网格计算大规模人脸数据库。利用数据网格的分布处理策略，构成一个分层树形结构的人脸识别网格。将待识别的人脸图像及与其有关的信息以任务的形式提交给人脸识别网格，网格将所提交的任务逐级分解到最低层的计算中心和计算节点上，并根据大规模人脸数据库的划分准则产生符合条件的中小型人脸数据库，计算中心通过融合各计算节点上的多种算法的识别结果即可获得最终的识别结果，可以有效地解决大规模人脸数据库人脸识别计算耗时的问题。

3.2    核心算法

算法是整个系统的核心，通过不同算法的结果，取得相应的权值，最终通过人工智能学习，获取不同权值的组合，来判定其准确率。

分布式算法集群每种算法对应不同的模型，预先经过检索分类，针对不同的服务获取数据，将大量需处理数据分布到不同算法区间，每种算法初期的权值各不相同;同时对大批量照片进行人脸识别，根据获取人脸的数据特点，将照片分类到不同算法的特定模型中，其结果可快速反馈到前端。通过大量数据的喂养，每种算法的权值经过不断的调整、修订、反馈、再调整，逐渐提升识别准确率和识别速度。核心算法如图2所示。

4    特色和优点

（1）升维识别。本方法运用了人脸深度编码，脱离了传统的平面的人脸编码和识别。结合强化学习（Deep Q Network）来预测及还原多姿态和多环境下人脸的正面图，将二维（2D）推向了更多特征点的三维（3D）人脸，人脸更加立体化，增加了人脸关键点，可以对小部分或者残缺的人脸图片进行识别，更全面地还原人脸。

（2）提高了运算速度。分布式运算把需要非常巨大的计算能力才能解决的问题分成许多小的部分，然后分配给许多计算机进行处理，最后把这些计算结果综合起来，得到最终的结果。本研究提出的多网格分布式运算模式，先对图片按特征进行预处理并进行索引分类，再经过线性分析和判断，基于人工智能对数据进行训练和调优，最后通过多类别的数据算法进行权值特征提取，再利用人脸深度，训练出更高层次的编码，送入对应的一种或多种算法同时进行处理，大大提高了运算和数据前后反馈比对矯正的速度，实现了大批量图片的高速同时识别。

（3）通用性强，可应用并产生效益的场景较多。此算法程序可直接集成到硬件设备，或者嵌入到所需系统或App应用程序里，供多种场合使用。

[参考文献]

[1] 胡亚洲，周亚丽，张奇志.基于深度学习的人脸识别算法研究[J].计算机应用研究，2020，37（5）：1432-1436.

[2] 王震.基于深度学习的人脸识别方法的研究[D].兰州：兰州理工大学，2018.

[3] 张迪.基于网格计算技术的人脸识别研究[D].重庆：重庆大学，2007.

收稿日期：2020-06-29

作者简介：张子容（1984—），女，四川简阳人，硕士，讲师，主要从事机械电子控制工程、工业机器人技术方向的教学和研究工作。