信息通信INFORMATION & COMMUNICATIONS2019年第6期（总第198期）2019(Sum. No 198)浅谈基于深度学习的人脸识别技术刘晓波（中国联合网络通信有限公司湖北省分公司，湖北武汉430040）摘要:互联网科技和大数据技术飞速发展的时代，日新月异的各种前沿技术，一再刷新人们的认知,人工智能（AI ）成为了 一 门最热门的行业应用能力。
AI 技术不仅仅要够炫够酷，更要有足够的“温度"，让机器更加人性化。
人脸识别技术（FaceRecognition Technology, FRT ）是近年来模式识别、图像处理以及人工智能等领域的重要研究课题之文章重点对现有的人脸检测识别方法以及应用领域关键技术进行总结，分析和比较当前主流识别方法优缺点，分享其中关键技术及发展前景。
关键词:人脸识别;人工智能;深度学习；人脸检测；面部特征中图分类号:TP391.41文献标识码:A文章编号：1673-1131（2019）06-0018-030引言随着社会对个人身份的自动验证需求的加深，一些技术成熟且传统上被认为更加稳健的身份验证方案如指纹识别、虹膜识别、语音识别等，都具有侵入性的特征，即需要参与者 的一定程度的合作（指纹识别需要用户将手指按在传感器上,虹膜识别需要用户与相机靠得很近，语音识别则需要用户大声说话），因此寻找一种更优且非侵入式的自动身份验证方案 成为了大势所趋。
人脸识别技术（Face Recognition Technology, FRT ）是基于 人的面部特征信息能够识别或验证图像或视频中主体身份的技术生物识别技术。
用图像釆集工具（如摄像机或摄像头）釆 集含有充分且足够的人面部特征的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行识别和验证的一系列相关技术总成。
相比传统的身份验证方法，人脸识别技术具有非接触性（不用肢体接触）、非强制性（路过即可，甚至无察觉）、可并发 性（可同时进行多个人脸的分拣、判断及识别）等优势。
直观的人脸识别如下图所示：* 2 z 5n e s i e 图1人脸识别示例简单来说就是通过输入一个自然人的面部特征，和自然人面部特征库中的注册在库身份进行面部特征逐项比对，找出一个与输入的面部特征相似度最高（需预设阀值，必须大于阀值）的个体，以确定输入面部特征对应的身份。
如没有找到大于阀值的个体,则返回“unknown ”。
1传统的人脸识别传统的人脸识别被当作模式识别/模式匹配问题。
主流的人脸识别技术基本上可以归结为三类，即:基于几何特征的方法、基于模板的方法和基于模型的方法。
（1）基于几何特征的方法是最早投入实际应用的人脸识别方法。
该方法通过定位人面部主要器官的详细位置，如：眉、眼、鼻、嘴、耳等，获取主要器官等重要面部特征的形状、相对 位置以及特征之间的距离等参数，利用参数构成一个可以代 表个体人脸的特征向量。
（2） 基于模板的方法可以分为神经网络方法、动态连接匹 配方法、线性判别分析方法、特征脸方法、基于相关匹配的方法、奇异值分解方法等。
（3） 基于模型的方法则有基于主动外观模型、隐马尔柯夫模型方法、主动形状模型等。
传统的人脸识别是人脸识别的初级阶段，重要成果不多, 人工依赖性较强，鲁棒性较差，基本没有实际应用。
随着大数据时代的到来，沉寂了许久的神经网络卷土重来。
作为人工智能时代的利器一深度学习逐渐走入人们的视野。
基于深度学习，人脸识别技术迅速发展。
各种学习框 架如 Tensorflow 、Caffe >KerasMxnet >Darknet 等不断涌出。
基 于深度学习的人脸识别一般被处理为回归/分类问题。
一般流图2人脸识别一般流程图2人脸检测算法人脸检测是人脸识别中的第一个环节，是一项关键技术。
人脸检测是指假设在输入图像中存在一个或者多个人脸情况下，确定图像中全部人脸的位置、大小和姿势的过程。
图3人脸检测不意图早期的人脸检测算法使用了模板匹配技术，即用一个人脸模板图像与被检测图像中的各个位置进行匹配，确定这个位置处是否有人脸,如果存在则定位人脸的位置、大小及主要特征；此后机器学习被用于解决该问题，神经网络、支持向量机等将人脸检测处理为二分类问题。
如下图所示：18信息通信刘晓波:浅谈基于深度学习的人脸识别技术•是•人脸分矣器.________________、否图4人脸检测分类模式由于单一的分类器效果一般，鲁棒性差，随后产生了Ad- aBoost框架。
它是一套集成学习算法。
其思想是通过多个简单的弱分类器，构建出准确率很高的强分类器。
2015年CVPR 的一篇论文CA Convolutional Neural Network Cascade for Fac-eDetection》开启了基于深度学习的人脸检测时代。
图5基于深度学习的人脸检测示意图在人脸检测的基础上,提取人脸特征,进而实现人脸识别。
Feature VectorDeepAichiiecture•Lou FunctioaData(]2<D]图6人脸特征提取示意图3基于深度学习的人脸识别基于深度学习,人脸识别流程如下:图7基于深度学习的人脸识别流程图基于深度学习的人脸识别可广泛应用于以下场景：(1)身份识别/身份验证一出入境管理、嫌疑人照片比对、敏感人物智能监控、会议代表身份识别、护照驾照身份证等各类证件查验、幼儿园接送人脸识别、失踪人口的全库搜寻、一人多证的重复排查等国家安全、公共安全领域;面像考勤系统等企业应用；考生身份查验等教育领域；电子商务身份验证、金融用户身份验证等金融安全领域；(2)实时远程监控，釆用网络IP流媒体服务，实现实时远程监控。
4人脸识别在运营商实名制合规性稽核中的应用实例2017年1月1日运营商联合发布关于入网的公告，根据工信部规定从1月1日起实施新的实名认证。
电信行业新入网都需要本人现场拍照(人脸识别)加有效证件，现场办理。
用户过户及资料补录也都需要摄像头现场拍照与有效身份证,缺一不可。
行业必须遵守保密协议、绝不泄露客户任何信息。
这也可以说是有史以来最严格的实名制措施。
对于此前尚未实名认证的用户，可能会无法拨打电话或办理任何业务。
实名制的关键是人证合一，人证合一的关键是人脸识别，识别步骤为:第一看脸型和五官突出的比例;第二是看五官具体的形态(五官大小、形状和边缘);第三是看五官搭配的关系(相对位置)。
虽然人有相似，但具体的五官是存在明显差异的,通过分步骤对客户的五官进行细细分解、逐一对照、辨别，从而实现人脸识别，人证合一，最终加速实名制。
针对上述现状，我们在已经落实身份信息实名制，入网拍照规范化之后，留下的最大问题就是对拍照照片的图像识别技术。
解决这个问题的关键一是实人认证生物识别，即通过视频活体或拍照的方式进行人脸验证。
获取照片后，生物识别使用业界领先的人脸识别系统进行人脸检测，检测照片图像中的人脸特征，自动审核、验证该照片是否为人脸；二是人脸验证，即利用基于深度学习的人脸识别技术,提供验证两张照片中的人脸是否为同一人的核实服务。
湖北联通经过了自主开发探索,终于将人证生物识别，也即实名制流程的静态照片识别率提高到了98%。
第一阶段自主开发利用开源算法。
我们选用python为开发工具,实现EigenFace、FisherFace、LBPH算法后，利用机器学习提高人脸识别精度，抽取全省某月1万张人像照片验证识别结果，进度仅超过50%。
第二阶段技术招标利用第三方强大技术优势资源。
受困于自主开源的技术薄弱和算法成熟度不髙，我们找到业界成熟的团队进行识别验证测试。
使用基于深度学习的卷积精神网络，在人脸检测上釆用haar,HOG特征，结合adaboost和SVM算法，在人脸识别上使用Haar,Hog,LBP算法提取图像特征，对结果进行降维，结合PCS主成分分析法来提高处理速度。
图8湖北联通实名制合规稽核流程进一步将精度提高到了90%以上，但也止步于此。
第利用提就度”结合之前多次失败经验，找到照片水印的关键因素，攻坚克难，使用基于openCV简单的图像处理，整合国信研发适合亚洲人种的人脸模型,在Haar Cascades和HOG(Histogram of oriented gradien)算法基础上，整合adaboost和SVM算法，最终将识别进度提高到了99%。
在使用人脸识别技术后，每天全省的增量工单约7000条，10分钟即可处理完成,准确率达到了99%以上为企业节省了极大的人力成本并提高了效率。
19信息通信INFORMATION & COMMUNICATIONS2019年第6期(总第198期)2019(Sum. No 198)基于ANP 的WSNs 综合性能评估研究刘静雪张华乐'(1.安徽建筑大学城市建设学院;2.国网安徽省电力有限公司信息通信分公司，安徽合肥230000)摘要：针对WSNs 性能评估中指标相关性问题，论文提出了一种基于ANP 的综合性能评估方法。
该方法在评估过程中采用ANP 计算各指标权重，充分考虑了指标间依赖与反馈关系，实际算例分析验证了论文所提方法的有效性。
关键词：无线传感器网络;性能评估;ANP中图分类号:TP212.9文献标识码:A 文章编号：1673-1131(2019)06-0020-020引言目前WSNs 的研究主要集中在协议栈研发、算法设计和工程应用等方面冋。
而针对WSNs 网络性能综合评估的研究 较少，仍缺乏一套科学合理的WSNs 综合性能评估模型和方 法。
WSNs 综合性能评估作为为系统设计、优化和运维等工作 的参考和决策依据,具有重要的工程实用价值。
系统性能评估涉及指标体系的建立、权重的计算和评估信息的集结，其中确定指标权重是性能评估的难点。
常用的 方法主要有灰色关联法、炳权法、层次分析法(analytic hier archy process, AHP)和网络层次分析法間(analytic network pro cess, ANP) 等叫灰色关联法可以避免专家意见不统一造成的权重分配错误，但该方法分辨系数难以确定。
爛权法可以有效减小专家主观性对权重量化结果的影响，但对权重的量化结果难以给出合理解释。
AHP 是一种定性和定量分析相结合的权重确定方法，被广泛应用系统评估中，但该方法主观性较 强，当评估指标的数目较多时，易造成模糊判断。
需要指出， 灰色关联法、爛权法和AHP 法均不能解决指标间依赖与反馈 关系的问题。
影响WSN 性能的因素众多,指标权重计算需充分考虑各个指标间的相互关系。
ANP 作为一种实用的权重计算方法, 能够有效解决指标的依赖与反馈关系,但是目前基于ANP 的WSNs 综合性能评估还未见报道。