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 comments:
張貼留言