基于深度學習算法的人臉識別技術在學分銀行中的應用*

邵文莎

（江蘇開放大學 學籍管理處/學分銀行管理中心，江蘇 南京210036）

一、引言

《國家中長期教育改革和發展規劃綱要（2010-2020年）》明確提出，“建立學習成果認證體系，建立‘學分銀行’制度”，建立學分銀行試點作為當前我國探索學習成果認證體系的重要途徑，主要是通過各地開放大學（廣播電視大學）具體組織實施。作為學分銀行建設的重要內容，各地學分銀行信息平臺的建設也取得了初步成效，目前學分銀行信息系統一期已上線運行的有國家開放大學學分銀行信息系統、江蘇省終身教育學分銀行信息系統、上海市終身教育學分銀行信息系統、云南省學分銀行信息系統、浙江省終身教育學分銀行信息系統等，移動APP也相繼上線或處于開發中。然而對國內學分銀行信息平臺研究發現，平臺的普遍特征是建立在方便管理者管理的理念下，而不是建立在如何更好地服務學習者的目標中。[1]

如何以學習者為中心，提升用戶體驗，對學分銀行信息平臺的構建具有重要意義，有助于推動學分銀行的發展，有助于提升學分銀行的社會認可度，更好地為全民學習、終身教育服務。近日，教育部辦公廳印發《2018年教育信息化和網絡安全工作要點》，文中提出推動大數據、虛擬現實、人工智能等新技術在教育教學中的深入應用，學分銀行制度是探索教育教學改革的重要舉措，學分銀行信息平臺作為探索學分銀行制度的重要支撐，研究人工智能技術在學分銀行信息平臺中的應用無疑具有重要意義。

二、相關技術介紹

1.學分銀行信息平臺

所謂學分銀行是一種模擬或借鑒銀行的機理、功能和特點，充分利用互聯網技術，借鑒銀行的運作原理，實現各級各類學習成果的存儲、認證、積累、轉換的學習制度和教育管理制度。[2]學分銀行是擴大優質教育資源覆蓋面的有效機制，是搭建終身學習“立交橋”、促進教育公平的有效途徑。

學分銀行不僅是指專門的學習成果管理機構、認證機構、對應的組織體系及相應機構與組織體系賴以存在和運行的一整套標準、規范、規則和規定，同時也包括學習成果承載體的學分銀行信息平臺。通過構建學分銀行信息平臺可以在線實現學習成果存儲、認證、積累、轉換等，為學習者提供更加便捷的學習方式。

2.人工智能芯片

隨著深度學習技術爆發性的發展，人臉識別等識別技術大多采取深度學習的算法進行識別。深度學習算法雖然識別準確度高，但是對計算量有龐大的需求，在移動端，我們可以使用能夠加速深度學習運算的人工智能芯片來完成相關運算。深度學習有固定的運算模式，比如說卷積運算。人工智能芯片通過對運算模式進行相應優化，可以顯著提高深度學習運算的效率。這樣，移動端就可以快速實現復雜的深度學習運算，比如說基于深度學習的人臉識別。人工智能芯片的一個代表產品是谷歌公司的TPU（Tensor Processing Unit），其能加速深度學習系統TensorFlow的運行，而且效率大大超過了GPU。TPU與同期的CPU和GPU相比，可以提供15～30倍的性能提升，以及30～80倍的效率（性能/瓦特）提升。[3]

近一兩年，使用人工智能芯片的手機越來越普及，蘋果、華為、三星等手機紛紛安裝了人工智能芯片。這也使學分銀行平臺在手機端利用深度學習算法進行人臉識別成為了可能。

3.手機3D結構光技術

手機3D結構光是利用反射信息來獲取拍攝到物體的深度信息的技術，具體來說，該技術可以主動將形狀有規律的紅外光發射至人臉，并通過紅外攝像頭接收反射光線，然后根據紅外光線發射與接收的時間差來確定深度信息，從而獲得3D面部圖像。通過將獲取的3D面部圖像結合彩色圖像信息進行處理，可以進一步提高人臉識別的準確度。蘋果IphoneX的faceID就采用了結構光技術來提高人臉識別的準確度。

三、學分銀行信息平臺人臉識別系統實現方式

隨著深度學習方法的應用，基于深度學習的人臉識別技術的識別準確度已有質的飛躍?，F階段，人臉識別技術已相對成熟，廣泛應用于智能安防、互聯網金融等領域。人臉識別操作簡單，而且支持人臉識別功能的手機越來越普及，人臉識別技術可以有效應用于遠程教育領域。[4-6]為了給用戶提供便捷的操作方式，學分銀行信息平臺也可以利用人臉識別技術進行登錄。

1.人臉識別系統的平臺選擇

對于學分銀行信息平臺，可以選擇利用手機自帶的人工智能芯片進行人臉識別，也可以通過建設人臉識別的云平臺進行識別。利用人工智能芯片進行人臉識別，需要有人工智能芯片的手機作為終端，但是由于有人工智能芯片的手機越來越普及，利用人工智能芯片手機進行人臉識別不需要額外消耗計算資源和成本，而現階段學分銀行的建設尚處于起步階段，可以使用的經費相對有限，所以目前來說，利用手機端進行人臉識別是一個相對好的選擇。但是，該方法不具有普適性，對沒有人工智能芯片的手機并不適用。而建設人臉識別的云平臺，可以方便沒有人工智能芯片的手機終端進行 “刷臉”登錄。云平臺具有極強的運算能力，不依賴于終端的計算資源，可以為用戶提供共享資源，但是該方法成本相對較大。后續可增加基于云平臺的人臉識別登錄功能，以滿足不同用戶的需求。

2.基于人工智能芯片的人臉識別系統

本文中的學分銀行信息平臺是基于手機自帶的人工智能芯片進行人臉識別。

用戶與學分銀行信息平臺進行交互時，可以通過手機等終端進行人臉識別，方便快捷地實現身份認證，而且安全性極高。由于學分銀行的登錄系統要滿足不同用戶的需要，比如說pc用戶或是使用未安裝人工智能芯片的手機用戶。因此我們在采取人臉識別登錄方式的同時也保留傳統的密碼方式登錄。

本文中的學分銀行信息平臺人臉識別系統流程如圖1所示。

圖1 學分銀行信息平臺人臉識別系統流程圖

當用戶利用遠程客戶端（手機、pc等）訪問學分銀行信息平臺時，用戶可以通過輸入密碼的方式進行登錄，當用戶使用手機時，也可以通過手機的人臉識別系統進行登錄。當用戶使用手機上的人臉識別功能時，手機上的人工智能芯片會自動判斷用戶身份，進而完成登錄操作。

用戶首次通過人臉識別系統登錄時，需要利用手機采集人臉圖像，將人臉的特征信息傳遞到學分銀行信息平臺中。用戶再次登錄時，手機上的人工智能芯片會再次分析人臉特征，并與之前上傳的人臉特征進行比對，以完成對用戶身份信息的判斷。若手機上的人工智能芯片判斷人臉的特征與之前首次提取的人臉特征吻合，則用戶可以成功登錄學分銀行信息平臺進行進一步的操作，省去了記憶密碼、輸入密碼的過程，而且安全性也會提高，不會因密碼丟失而被盜用賬戶。同時手機上的人工智能芯片是安裝在手機上的專業芯片，其人臉識別的安全性遠遠高于密碼傳輸的安全性。這樣，用戶可以在任意時間任意地點通過有人工智能芯片的手機進行“刷臉”登錄，進而對學分銀行信息平臺進行操作。

四、深度學習算法在學分銀行信息平臺中的應用

傳統的人臉識別算法有基于PCA（Principal components analysis）的人臉識別技術[7]以及基于Adaboost的人臉定位技術[8]等。傳統的人臉識別技術雖然執行速度較快，但是檢測效果跟近幾年興起的深度學習技術相差甚多。一方面，以PCA為代表的傳統人臉識別方法的精確度遠遠低于深度學習算法的精確度，另一方面，對于海量級別用戶的識別，傳統的PCA人臉識別技術是無法勝任的。

隨著深度學習技術及相關深度學習芯片技術的發展，深度學習的識別精確度越來越高，深度學習的芯片成本越來越低，基于深度學習的人臉識別技術相對于傳統的人臉識別技術的優勢越來越明顯。因此，本文選擇深度學習技術來實現學分銀行信息平臺的人臉識別登錄。

本文中的人臉識別算法分為兩部分。第一部分是利用一個深度學習網絡在待檢測圖像中檢測出人臉的位置，對人臉進行具體定位。第二部分基于另一個深度學習網絡對定位后的人臉進行身份識別，判斷用戶的具體身份。此外，由于現在手機中的3D攝像頭越來越普及，利用3D攝像頭中的結構光技術可以獲取到基于人臉的深度信息。本文利用深度學習網絡將獲取到的深度信息與彩色信息進行融合，進一步提高學分銀行信息平臺的人臉識別準確度。

1.人臉位置檢測

本文采用MTCNN（Multitask Cascaded Convolutional Networks）[9]的深度學習算法檢測人臉的位置。該算法為應對目標多尺度問題，將原始圖像通過尺度變化到不同尺寸，構建圖像金字塔。然后利用整體人臉以及人臉的特征點對人臉進行定位。

2.人臉身份識別

人臉位置確定之后，還需要進行人臉身份分析。近年來，有不少基于深度學習的人臉身份分析文章取得很高的精確度。比如face++算法、Deepface算法等。face++算法通過網絡搜集了五百萬張人臉圖片用于訓練深度卷積神經網絡模型，在LFW（Labeled Faces in the Wild）數據集上驗證準確率高達0.9950，[10]Deepface算法通過額外的3D模型改進了人臉對齊的方法。然后，通過訓練出一個9層的人工神經網絡來進行人臉特征表達。并在LFW數據集上取得了0.9735的準確率。[11]

本研究采用當前常見的基于深度學習的人臉身份分析算法face++算法進行人臉識別。具體流程如圖2所示。

圖2 基于深度學習的face++算法人臉身份識別流程圖

首先將人臉進行分塊，然后通過訓練好的深度學習網絡提取出特征，最后利用PCA選出突出的特征進行人臉的身份識別。

3.深度圖像信息融合

除了人臉的彩色數據，人臉的深度圖也可以很好地對人臉進行描述。而且不同于彩色圖像，人臉的深度圖不受光線、化妝等因素的影響。雖然人臉的深度圖需要專業攝像機獲取，但是現在越來越多的手機擁有深度攝像頭，比如蘋果手機的faceID等。然而，人臉的深度信息相對與人臉的彩色信息還是相對單一的，需要與彩色信息進行結合，才能對人臉進行準確的識別。

由于我們可以使用手機3D結構光獲取人臉的深度圖，所以人臉識別過程中我們可以同時使用彩色圖像信息以及深度圖像信息。彩色圖像與深度圖像可以通過深度學習網絡進行融合，本文利用Multimodal deep learning for robust RGB-D object recognition的深度學習算法[12]進行融合。詳細的融合過程如圖3所示。

圖3 深度學習網絡對深度圖與彩色圖進行融合的流程

其中，conv代表卷積層，通過卷積運算提取特征，fc代表全連接層，通過加權求和提取特征。本文通過圖3所示的網絡將深度信息與彩色信息融為一體，再進行相應的人臉識別，可以進一步提高識別的準確度。

五、結束語

由于信息系統的開發是一個不斷完善和迭代的過程，在管理機構轉管理為服務的過程中，信息平臺如何以學習者為中心，為學習者提供更好的體驗顯得尤為重要。而學分銀行信息平臺作為學分銀行業務辦理的窗口，充分利用先進技術進一步完善優化學分銀行信息平臺有助于推動學分銀行的發展。本文提出將人工智能中的人臉識別技術應用于學分銀行信息平臺建設，利用手機端的人工智能芯片，采取前沿算法檢測人臉位置并對人臉身份進行分析，最后結合手機結構光技術融合深度圖像信息，提高人臉識別的準確度，從而為用戶提供便捷化的登錄方式，提升用戶體驗。