基于pytorch的人脸识别系统

山东理工大学管理学院 孔 爽

人脸识别技术逐渐在身份验证、支付验证、美颜相机等一系列领域获得了极其广泛的应用。基于此，本文提出基于Pytorch的人脸识别系统，其硬件系统设计包括显示屏、图像采集器件；软件系统组成有人脸检测节点设计、人脸属性识别节点的设计。实验证明，本文设计的基于Pytorch的人脸识别系统相比于传统系统，在人脸识别的精确率上，随着试验次数的增加，始终高于传统设计，无限趋近于100%。

引言：由于计算机信息技术的迅猛发展以及群众安全意识的逐渐提高，人脸识别方面的专业研究也愈来愈受到社会的广泛注意。当代社会，计算机信息技术早就已经慢慢渗透到居民生活的方方面面，比方说网上银行、网上购物、各种社交软件、APP软件等。这些技术在为人们的生活带来便利的同时，其中涉及到个人隐私与财产账户等的一系列信息安全问题也逐渐发展为人们重视的要点。传统识别方法，身份证件号码、账户密码、钥匙等，非常容易的被别人盗取和泄露，早就不能完全满足居民对信息安全保护的诸多要求。对于传统的身份识别方法，即使是如此的双重保护也没有办法实现期望效果。所以，一种更为安全、更为稳定、更为有效的身份识别技术——Pytorch技术，慢慢进入到人们的视野中并快速获取大范围的应用与发展。在传统的人脸识别方法之中，程序一般情况下会选择先行检测人脸所在区域，再获取其中以关键点为中心的图像区域的高属性特征，比方说水平/垂直方向直方图特征（Horizontal / vertical histogram feature，H/VHF）或局部值域模式特征（Ocal value range pattern feature,OVRPF），之后将其延展为长向量训练分类库并对其基本属性进行检测识别。这种方法对于限制条件下的人脸图像表现一般，但是在非限制条件下非常容易受到周围复杂环境的不利影响，人脸识别的准确率较低，很难满足居民的生活应用需要。最近几年，深度神经网络的发展速度比较快，许多图像识别研究基于深度学习陆陆续续展开。在人脸识别问题上也出现了许多深度神经网络的应用方法，比方说L-GFCNA 方法,面向嵌入式应用的Deep ID 模型等等。然而绝大部分的神经网络方法主要针对的是单一性或少量的人脸属性，很少会实现人脸的多个属性识别，难以满足社会的现实需要。根据以上问题，本文设计并实现了一种基于Pytorch，即深度卷积神经网络（Deep convolution neural network，DCNNs）的人脸识别系统。

要求其颜色鲜明、层次感较强、对比度比较高、亮度高、具有可以“主动”精准的控制好屏幕上的每一个像素点的基本功能，如此一来就能够在一定程度上缩短系统的反应时间。经过反复配对和检测，人脸识别系统最后会选取一种比较有效的矩阵液晶显示屏—薄膜场晶体管显示屏（Matrix liquid crystal display-thin film field transistor display screen）。虽然薄膜场晶体管显示屏的生产成本比较高且损耗较大，但这个缺陷并不为惧，由于薄膜场晶体管显示屏鲜艳的色彩对比以及较高的对比度，最后依然会采取薄膜场晶体管显示屏。1.2 图像采集器件

图像采集器件中所用的视频前端需要采取日本三星公司的ARM10系列S5C2490作为图像处理器，其一般情况下的工作频率可达500 MHz，完全可以满足合理有效的视频采集与视频传输需求，同时这种处理器内置各种控制器，对于引脚的控制也比较便捷，便于以后的市场开发。摄像头模块采取百问网公司的UPC 摄像头，它既能够支持USB接口，也能够支持CMPS处理接口。USB模块上主要集成了DSP功能芯片，能够自行将图像压缩为MJPEG 格式从而有效避免了软性压缩的一系列的缺点，降低CPU 的合成压力从而大幅度提高其系统运行功能。CMOS功能模块属于OV7940，图像最大分辨率设为680*580。无线网卡则选择美国ATHEROS AR5278 高阶芯片，材料基本上均由国外知名供应商提供，且获得了FCC认证，ROHS，支持IEEE701.11B/G/N协议，传输速率比高。

2 基于Pytorch的人脸识别系统的软件设计

2.1 人脸检测节点设计

在设计人脸检测节点过程中，本文采取MTCNN 卷积神经网络去进行人脸的一系列检测，由本文提出的基于深度学习Pytorch语言库的MTCNN 人脸检测算法，其是一个由P-Net，R-Net，O-Net 三级联层结构设计出来的卷积神经网络。MTCNN 卷积神经网络在人脸检测中凭借识别率比较高，抗干扰性比较强而具备明显优势。因为本文的Pytorch的人脸识别系统需要经常在不同的复杂场合下工作，正是由于MTCNN 具有的这些优点极其适合应用在Pytorch的人脸识别系统的人脸检测上，对此本文选择先在其他设备上使用tensorflow 模拟好MTCNN 卷积神经网络模型。2.2 人脸属性识别节点的设计

通过人脸关键点网络的一系列精准定位以后，系统获得对齐的人脸图像后，会根据对齐的人脸图像信息，系统对此进行进一步的人脸识别分类。在人脸识别模型中，最早提出使用ANet+LNet 的深度学习方法进行人脸识别，这远远超过了传统方法。MOON在

1 基于Pytorch的人脸识别系统的硬件设计

1.1 显示屏

选取一个840*598 像素值的显示屏去对图像进行显示才可以与摄像头采集到的图像进行完全匹配。除此之外，对于显示屏还必须

• 185 •

ELECTRONICS WORLD・技术交流DCNLS的基础上，借助于改进网络模型以及人脸属性信息集合的不平衡，对深度卷积神经网络进行多组值域信息联合优化，进一步提高了人脸的识别率。伴随最近几年深度学习的迅猛发展，Pytorch语言库的性能逐渐被完善，人脸识别的精确率还能够进一步提高。

统设计，无限趋近于100%。

3.系统实验与效果分析

为了更加清楚、具体的看出本文设计的基于Pytorch的人脸识别系统的实际应用效果，特与传统的人脸识别系统进行对比，对其人脸识别的精确率进行比较。3.1 实验准备

为保证实验的准确性，将两种人脸识别系统设计置于相同的开发环境之中，进行人脸识别的精确率实验。开发环境见下表1。

表1 开发环境设置

ROS 版KineticKame

Tensorflow 0.8.0rc0

OpenCV 3.3.1-dev

编程语言Python2.7.12

图1 实验结果对比图

4.结束语

本文对基于Pytorch的人脸识别系统进行分析，依托Pytorch语言库的优势，根据传统人脸识别系统的缺陷，实现本文设计。实验论证表明，本文设计的方法具备极高的有效性。希望本文的研究能够为基于Pytorch的人脸识别系统的构建和应用提供理论依据。

作者简介：孔爽（1998—），男，山东曲阜人，大学本科，研究方向：计算机人工智能。

3.2 实验结果分析

实验过程中，通过两种不同的人脸识别系统设计同时在相同环境中进行工作，分析其人脸识别的精确率变化。系统实验效果对比图见图1所示。

实验证明，本文设计的基于Pytorch的人脸识别系统相比于传统系统，在人脸识别的精确率上，随着试验次数的增加，始终高于传

随着万物互联时代的到来，人们对生活家居也有了新的需求。本文以实现灯光、窗帘、温湿度控制为例，提出一种智能家居远程控制系统的设计和实现。本系统以STM32为主控制器，设备传感器、控制模块通过ZigBee进行通信，ESP8266模块采用MQTT通信协议与服务器通信。用户可以使用手机APP或远程控制系统对空调进行数据采集和控制。通过本系统的多次实测，验证了该系统的可行性、可靠性，从而可推广至家中所有的家居控制。

引言：智能家居通过物联网技术将家中的各种用电设备连接到一起，提供家电控制、照明控制、窗帘控制、防盗报警、环境监测、暖通控制及数据分析等功能。智能家居系统可现实数据的远程管理与分析，提供全方位的信息交互，优化人们的生活方式，有效规划人们的生活规律，增强家居生活的舒适性安全性，节约能源和生活成本。

STM32是意法半导体推出一系列高性能、低功耗的嵌入式MCU。STM32具有丰富的外设资源，并提供了外设开发库，简单易用。本文选取STM32F4ZET6作为主控制芯片。ESP8266是由乐鑫公司出品的一款物联网芯片。该芯片可工作于三种种模式下，分别是：AP模式，station模式以及混合模式。可通过常用的AT指令进行控制。本系统通过ESP8266模块实现远程控制功能。

MQTT（Message Queuing Telemetry Transport，消息队列

遥测传输协议），是一种基于发布/订阅（publish/subscribe）模式的\"轻量级\"通讯协议，该协议构建于TCP/IP协议上，由IBM在1999年发布。MQTT最大优点在于，可以以极少的代码和有限的带宽，为连接远程设备提供实时可靠的消息服务。作为一种低开销、低带宽占用的即时通讯协议，使其在物联网、小型设备、移动应用等方面有较广泛的应用。

ZigBee技术是一种应用于短距离范围内，低传输数据速率下的各种电子设备之间的无线通信技术。本系统使用ZigBee组网，省去了各种设备设备之间的物理连线。

基于STM32MQTT和的智能家居远程控制系统许继电源有限公司 杨振国乔海强

1 设计原理

1.1 系统架构

本系统所设计的智能家居控制系统有处理器模块和各种外部设备组成。包括STM32主控制板、ESP8266WIFI模块、光线传感器、温湿度传感器、灯光

• 186 •