在边缘基础架构中部署的生物识别和验证系统的兴起已经在准确有效的面部识别模型上造成了差距。基于深度卷积神经网络（DCNN）的传统面部识别技术具有局限性。这些包括对外部因素的敏感性，例如闭塞，照明条件的变化以及面部表情，这可能会损害识别准确性。因此，工程师需要一种可以克服这些挑战的新方法。
工程师需要一种面部属性识别技术，该技术使用优化的功能提取和融合技术来进一步提高准确性。这些技术涉及从面部图像及其组合中提取独特的特征，以创建面部属性的全面表示。此外，软件模型必须支持在不同尺度下特征之间的信息流的改进。这 ”基于精细元素的面部属性识别技术的研究论文提出了解决这些挑战的解决方案。
中国吉林警察学院犯罪科学和技术系的Yizhuo Gao的新面部识别方法利用双线性在DCNN中汇总来提取面部特征。它涉及在三个不同尺度上设置网络以捕获多尺度功能。这种多尺度方法可确保在各种分辨率上提取功能，从而捕获面部的全球和本地属性。从网络中的不同卷积层中提取的功能组合在一起以形成整体功能集。
图1。使用深卷积神经网络的面部识别方法结构
图1显示了面部表达识别系统的体系结构过程，该过程始于旨在训练模型的面部图像数据库。该模型有六个组件。
初始面部预处理阶段涉及预处理图像，可以通过面部检测和图像质量改进或裁剪图像来完成图像，仅包括面部以准备数据以进行特征学习。
在功能学习步骤中，网络处理各个图像以学习各种面部表情。旋转，缩放和颜色调整等技术使训练数据集多样化。然后，图像通过并行运行的两个单独的卷积神经网络进行特征提取。这些DCNN通常用于转移学习，将提取的功能结合在一起以提高模型的性能。
在以下功能学习中，组合输出被馈送到SoftMax层，负责分类任务中的最终预测。
与学习并行，预先训练的模型分析了来自数据库的输入图像以进行预测。该模型预测与SoftMax层的输出集成在一起，以提高预测准确性。
下一步是表达式识别，这是对面部表达式分类的最后一步。
然后，该模型输出每个面部表达式的分类评分，在软磁层之后，可以将其解释为指示每个面部表达的可能性的概率。
实验结果
该研究将其面部识别技术的性能与现有算法（例如VGG16-SSN，VGG16-PSN和APS）进行了比较，重点介绍了物理面部特征和整体面部结构等属性。图2中显示的结果表明，VGG16-SSN，VGG16-PSN，APS和拟议方法的平均准确率分别为86.79％，87.13％，91.55％和97.11％。
图2。面部识别模型的准确性
该论文将其方法的卓越精度归功于其使用全球和本地功能，这是通过共享子网络和两个特定于任务的子网络的结合来促进的。这种方法不仅提高了APS算法的准确性，而且还解决了低分辨率面部识别的挑战。
该研究检查了该方法在各种分辨率方面的执行方式，范围从15×15到100×100像素。由于缺乏图像细节，识别较低分辨率的面孔（例如15×15至30×30）尤其具有挑战性。但是，该论文的算法以15×5的最低分辨率达到了54.03％的精度。图3显示了图像分辨率和准确率之间关系的数据。
图3。不同分辨率的准确率比较
结论
在当今的生物识别应用中，不断需要强力和高度准确的面部识别模型，适合于资源受限的部署边缘设备。 GAO称，在传统的CNN模型中，新一代面部识别方法通过利用详细的面部属性来用于全球和局部特征提取方面出色。实施这些算法可确保在有挑战性的环境中所需的准确性水平，而外部因素否则可能会损害性能。
