cookieOptions = {...}; .人臉辨識的十個關鍵技術組成及原理 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

2019年8月5日 星期一

Panasonic Facial Recognition System "FacePRO:WV-ASF950"



來源:CSDN 作者:leon1741 
原文:https://blog.csdn.net/LEON1741/article/details/81358466


人臉辨識技術已成為納入研發參考的、給人們帶來高品質生活的又一科技解決途徑。日常生活中,人臉辨識的應用已經常見,那麼你知道它是如何做到如此智慧嗎?下面,我們就帶大家瞭解人臉辨識涉及的十個關鍵技術。

1、人臉檢測(Face Detection):是檢測出圖像中人臉所在位置的一項技術
人臉檢測算法的輸入是一張圖片,輸出是人臉框座標序列(0個人臉框或1個人臉框或多個人臉框)。一般情況下,輸出的人臉坐標框為一個正朝上的正方形,但也有一些人臉檢測技術,輸出的是正朝上的矩形,或者是帶旋轉方向的矩形。

常見的人臉檢測算法,基本是一個「掃描」加「判別」的過程,即算法在圖像範圍內掃描,再逐個判定候選區域是否是人臉的過程。因此人臉檢測算法的計算速度,會跟圖像尺寸、圖像內容相關。

開發過程中,我們可以透過設置「輸入圖像尺寸」、或「最小臉尺寸限制」、或「人臉數量上限」的方式來加速算法。




2、人臉配準(Face Alignment):是定位出人臉上五官關鍵點座標的一項技術
人臉配準算法的輸入,是「一張人臉圖片」加「人臉座標框」,輸出五官關鍵點的座標序列。五官關鍵點的數量,是預先設定好的一個固定數值,可以根據不同的語義來定義(常見的有5點、68點、90點等等)。

當前效果的較好的一些人臉配準技術,基本透過深度學習框架實現,這些方法都是基於人臉檢測的座標框,按某種事先設定規則,將人臉區域扣取出來,縮放的固定尺寸,然後進行關鍵點位置的計算。

因此,若不計入圖像縮放過程的耗時,人臉配準算法是可以計算量固定的過程。另外,相對於人臉檢測,或者是後面將提到的人臉提特徵過程,人臉配準算法的計算耗時都要少很多。




人臉配準結果舉例(右圖中的綠色點位人臉配準結果)

3、人臉屬性辨識(Face Attribute):是辨識出人臉的性別、年齡、姿態、表情等屬性值的一項技術
一般的人臉屬性辨識算法的輸入,是「一張人臉圖」和「人臉五官關鍵點座標」,輸出是人臉相應的屬性值。人臉屬性辨識算法,一般會根據人臉五官關鍵點座標,將人臉對齊(旋轉、縮放、扣取等操作後,將人臉調整到預定的大小和形態),然後進行屬性分析。

常規的人臉屬性辨識算法,辨識每一個人臉屬性時,都是一個獨立的過程,即人臉屬性辨識,只是對一類算法的統稱,性別辨識、年齡估計、姿態估計、表情辨識,都是相互獨立的算法。但最新的一些基於深度學習的人臉屬性辨識,也具有一個算法同時輸入性別、年齡、姿態等屬性值的能力。




人臉屬性辨識過程(最右側文字為屬性辨識結果)

4、人臉提特徵(Face Feature Extraction):是將一張人臉圖像轉化為一串固定長度的數值的過程
這個數值串被稱為「人臉特徵(Face Feature)」,具有表徵這個人臉特點的能力。

人臉提特徵過程的輸入,也是 「一張人臉圖」和「人臉五官關鍵點座標」,輸出是人臉相應的一個數值串(特徵)。人臉提特徵算法,都會根據人臉五官關鍵點座標,將人臉對齊預定模式,然後計算特徵。

近幾年來,深度學習方法基本統治了人臉提特徵算法,這些算法都是固定時長的算法。早前的人臉提特徵模型都較大,速度慢,僅使用於後台服務。但最新的一些研究,可以在基本保證算法效果的前提下,將模型大小和運算速度,優化到行動端可用的狀態。




人臉提特徵過程(最右側數值串為「人臉特徵」)

5、人臉比對(Face Compare):是衡量兩個人臉之間相似度的算法
人臉比對算法的輸入是兩個人臉特徵(注:人臉特徵由前面的人臉提特徵算法獲得),輸出是兩個特徵之間的相似度。人臉驗證、人臉辨識、人臉檢索,都是在人臉比對的基礎上,加一些策略來實現。相對人臉提特徵過程,單次的人臉比對耗時極短,幾乎可以忽略。

基於人臉比對可衍生出人臉驗證(Face Verification)、人臉辨識(Face Recognition)、人臉檢索(Face Retrieval)、人臉聚類(Face Cluster)等算法。




人臉對比過程(右側的相似度為人臉比對輸出的結果)

6、人臉驗證(Face Verification):是判定兩個人臉圖是否為同一人的算法
它的輸入是兩個人臉特徵,通過人臉比對獲得兩個人臉特徵的相似度,透過與預設的閾值比較,來驗證這兩個人臉特徵,是否屬於同一人(即相似度大於閾值,為同一人;小於閾值為不同)。




人臉驗證過程說明(最右側「是同一人」為人臉驗證的輸出)

7、人臉辨識(Face Recognition):是辨識出輸入人臉圖對應身份的算法
它的輸入一個人臉特徵,透過和註冊在庫中,N 個身份對應的特徵進行逐個比對,找出「一個」與輸入特徵相似度最高的特徵。將這個最高相似度值,和預設的閾值相比較,如果大於閾值,則返回該特徵對應的身份,否則返回「不在庫中」。




人臉辨識過程(右側身份「jason」為人臉辨識結果)

8、人臉檢索:是查找和輸入人臉相似的人臉序列的算法
人臉檢索通過將輸入的人臉,和一個集合中的,說有人臉進行比對,根據比對後的相似度,對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列,即使人臉檢索的結果。




人臉檢索過程(右側綠框內排序序列為檢索結果)

9、人臉聚類(Face Cluster):是將一個集合內的人臉,根據身份進行分組的算法
人臉聚類也透過將集合內,所有的人臉兩兩之間做人臉比對,再根據這些相似度值,進行分析,將屬於同一個身份的人劃分到一個組裡。

在沒有進行人工身份標注前,只知道分到一個組的人臉,是屬於同一個身份,但不知道確切身份。另外假設集合中有 N 個人臉,那麼人臉聚類的算法複雜度為 O(N2)




人臉聚類過程(右側綠框內按身份的分組結果為聚類結果)

10、人臉活體(Face Liveness):是判斷人臉圖像是來自真人,還是來自攻擊假體(照片、視頻等)的方法
和前面所提到的人臉技術相比,人臉活體不是一個單純算法,而是一個問題的解法。這個解法將用戶交互和算法緊密結合,不同的交互方式,對應於完全不同的算法。鑒於方法的種類過於繁多,這裡只介紹「人臉活體」的概念,不再延伸說明。



0 意見: