不同的人臉識別算法解析

2021-01-15 千家智客

導讀

在人臉識別領域，有一些比較經典的算法，例如特徵臉法（Eigenface）、局部二值模式法、Fisherface等，不過在這裡選擇了一個目前應用比較廣泛且流行的方法作為示例，叫做OpenFace。

在人臉識別領域，有一些比較經典的算法，例如特徵臉法（Eigenface）、局部二值模式法、Fisherface等，不過在這裡選擇了一個目前應用比較廣泛且流行的方法作為示例，叫做OpenFace。當然，我們不做實際的測試，只是通過它來了解識別的原理。

OpenFace屬於基於模型的方法，它是一個開源庫，包含了landmark，head pose，Actionunions，eye gaze等功能，以及訓練和檢測所有源碼的開源人臉框架。

在前面的步驟中，已經為大家介紹如何通過HOG的方法將圖像中人臉的特徵數據提取出來，也就是成功檢測到了人臉。

這時又有一個問題，就是這個人臉的姿勢好像不是那麼「正」，同樣一個人，如果她的姿勢，面部的朝向不同，人類仍然能認出她來，而計算機可能就認不出了。

解決這個問題，有一個辦法，就是檢測人臉主要特徵的特徵點，然後根據這些特徵點對人臉做對齊校準。這是Vahid Kazemi和Josephine Sullivan在2014年發明的方法，他們給人臉的重要部分選取68個特徵點（Landmarks），這68個點的位置是固定的，所以只需要對系統進行一些訓練，就能在任何臉部找到這68個點。

圖片來源：OpenFace API

有了這68個點，就可以對人臉進行校正了，主要是通過仿射變換將原來比較歪的臉擺正，儘量消除誤差。這裡的仿射變換主要還是進行一些旋轉、放大縮小或輕微的變形，而不是誇張的扭曲，那樣就不能看了。

圖片來源：OpenFace github說明頁面

過程大約是這樣，原來的臉被進行了一定程度的校正。

這樣我們把原始的人臉圖像以及HOG的特徵向量輸入，能夠得到一張姿勢正確的只含有人臉的圖像。

注意，到這一步我們還不能直接拿這張人臉圖像去進行比對，因為工作量太大，我們要做的是繼續提取特徵。

接著，我們將這個人臉圖像再輸入一個神經網絡系統，讓它為這個臉部生成128維的向量，也可以說是這個人臉的128個測量值，它們可以表示眼睛之間的距離，眼睛和眉毛的距離、耳朵的大小等等。這裡只是方便大家理解而舉例，實際上具體這128維的向量表示了哪些特徵，我們不得而知。

當然，這一步說起來簡單，其實難點在於如何訓練這樣的一個卷積神經網絡。具體的訓練方法不是我們需要了解的，但我們可以了解一下訓練的思路。訓練時我們可以輸入一個人臉圖像的向量表示、同一人臉不同姿態的向量表示和另一人臉的向量表示，反覆進行類似的操作，並不斷調整，調整的目標是讓同一類對應的向量表示儘可能接近，其實也就是同一個人的向量表示儘可能距離較近，同理，不同類別的向量表示距離儘可能遠。

其實訓練的思路也很好理解，因為一個人的人臉不管姿態怎麼變，在一段時間內有些東西是固定的，比如眼睛間的距離、耳朵的大小、鼻子的長度等。

在得到這128個測量值後，最後一步就簡單了，就是將這128個測量值和我們訓練、測試過的所有面部數據做比對，測量值最接近的，就是我們要識別的那個人了。這樣就可以完成一次人臉的識別。

原文標題：硬核科普：一文看懂人臉識別技術流程

文章出處：【微信號：scinaniot，微信公眾號：司南物聯】

相關焦點

  • 人臉識別核心算法及技術解析
    1、在檢測到人臉並定位面部關鍵特徵點之後，主要的人臉區域就可以被裁剪出來，經過預處理之後，饋入後端的識別算法。識別算法要完成人臉特徵的提取，並與庫存的已知人臉進行比對，完成最終的分類。我們還進一步提出了融合類均值向量差及KDBFM來構建擴展的決策邊界特徵矩陣（EKDBFM）的方法，並把這兩種方法成功地應用到了人臉識別領域，在FERET和CAS-PEAL資料庫的實驗結果表明該方法比傳統人臉識別算法具有更好的識別性能。
  • 推薦算法系統/人臉識別/深度學習對話機器人高級實戰課
    包含了推薦算法系統實戰、深度學習人臉識別實戰、深度學習對話機器人實戰等高級前沿的精品課程，下面分別介紹下各個實戰項目：1、推薦算法系統實戰首先推薦系統不等於推薦算法，更不等於協同過濾。這麼來說，雖然算法是核心，但離不開每個子系統的配合，另外就是不同算法可以嵌入到各個子系統中，算法可以貫穿到每個子系統。從開發人員角色上來講，推薦系統不僅僅只有算法工程師角色的人就能完成整個系統，需要各個角色的工程師相配合才行。
  • 開箱即用的人臉識別算法大盤點
    有哪些可用的人臉識別算法在上面一節，我們簡要介紹了如何做一個人臉識別系統。可以說，要做好這個系統還是需要很大工作量的。從算法層面，要解決特徵提取模型、活體檢測、人臉圖像質量檢測三塊硬骨頭。此外，還需要考慮如何優化低功耗、高性能等工程化問題。還好，現在有一些AI科技公司開放了成熟的人臉識別算法，可以讓程式設計師很快可以完成部署。
  • 格靈深瞳在人臉識別算法測試(FRVT)中榮獲全球第一
    7月3日，美國國家標準與技術研究院(NIST)公布了全球最權威的人臉識別算法測試(FRVT)的，結果，，參與此競賽的格靈深瞳取得了優異成績：在，挑戰的「非約束性自然環境人臉照片」測試項目中獲得全球第一名的佳績!
  • 依圖NIST奪冠,解密人臉識別算法原理
    本文引用地址：http://www.eepw.com.cn/article/201806/382456.htm　　NIST測試以其評測標準的嚴謹性、一致性和全面性，成為了全球規模最大、標準最嚴、競爭最激烈、最權威的人臉識別算法比賽。
  • 基於小波包變換和壓縮感知的人臉識別算法
    壓縮感知理論的出現和發展，給人臉識別帶來了新的啟發，使得基於稀疏表示的人臉識別技術得到了廣泛研究。傳統的基於稀疏表示的人臉識別是利用壓縮感知超完備庫下的稀疏表示，將訓練圖片直接構造為冗餘字典，再求解重構算法下的最優稀疏線性組合係數，然後根據這些係數來對人臉圖像進行分類。
  • 既要高精度也要高性能,人臉識別主流算法大合集
    在系列文章的第一篇一文看懂人臉識別技術發展脈絡中，回顧了人臉識別算法的發展歷程，介紹了人臉識別算法從傳統機器學習算法到現在的深度學習算法的演進歷程。接下來，我們將詳細介紹一下人臉識別常見的應用方式，以及現在主流的人臉識別算法。1.
  • 研究:即便是最好的人臉識別算法也會受到口罩幹擾
    據外媒報導，研究人員發現，口罩不僅能有效防新冠肺炎等空氣傳播疾病的傳播，還能成功阻止面部識別算法。 美國國家標準與技術研究所(NIST)在周一發布的一份報告中指出，口罩甚至還能給最先進的面部識別算法造成障礙。 至於錯誤率，從5%到50%不等，具體多少則取決於算法的能力。
  • 在人臉識別的「統治」陰影之下……
    科技當然沒有與生俱來種族偏見，然而，依據其算法，經過不同訓練的人臉識別系統，能夠比識別亞洲和非洲人種更準確地識別出白人的臉。目前許多種算法都在不同種族、性別及其他人口統計數據的精確度上表現出了令人不安的差異。NIST（美國國家標準與技術研究所）供應商測試的組織者之一在2011年進行的一項研究發現，韓國、日本、中國等一些亞洲國家開發的人臉識別算法在辨識亞洲面孔時的準確率遠高於辨識白人面孔。同樣，法國、德國和美國採用的算法則在識別白種人面部特徵上顯現出明顯優勢。
  • 難住庫克的 Face ID 到底與 Android 的人臉識別有什麼不同?
    幾年之後，3.15 晚會上對「人臉支付」安全性的懷疑和 iPhone X 發布會上對人臉識別的重點介紹都讓我們可以感覺到「人臉識別」正變得越來越嚴肅。這篇文章我將會帶大家來玩玩谷歌的人臉識別解鎖功能（以下簡稱谷歌人臉識別或 Facelock），再聊聊目前人臉識別的優缺點。
  • 黑客如何用一副紙眼鏡,就「弄瞎」人臉識別算法?
    人臉識別可以簡單地理解為把密碼寫在臉上，刷臉就是刷卡。破解了人臉識別功能，就是破解了身份認證的唯一性。黑客佩戴眼鏡之後，會被人臉識別算法誤認為手機主人，解鎖手機。為什麼只戴一副列印的紙眼鏡，就可以「弄瞎」手機的人臉識別算法？先講解步驟，再給出前沿學術論文的解釋。
  • 紅外人臉識別和3D結構光人臉識別有什麼區別
    導讀 人臉識別技術有靜態和動態人臉識別之分，也有2D和3D人臉識別之分，還有可見光和紅外光人臉識別之分。其中紅外人臉識別和3D人臉識別的結構光人臉識別的媒介是紅外光。
  • 虹軟開放平臺算法上新 助力全面拓展人臉識別細分化場景
    在其賦能之下，刷臉門禁、刷臉考勤、刷臉公交、人臉識別智慧垃圾桶、人臉識別智能廁紙機等各行業領域的創新應用層出不窮，深有百花齊放之勢。而伴隨著應用的大規模爆發，不同行業、不同業務場景對於人臉識別算法、硬體產品也有了更細分化需求。
  • 人臉識別開發技巧揭秘
    隨著人臉識別終端設備的廣泛應用，很多開發者在實踐中會產生疑惑：為什麼同一款主板，運行性能相仿的算法時，系統資源佔用會相差懸殊？為什麼同樣配備了活體檢測，防攻擊能力卻可以差好幾個級別？事實上，人臉識別算法在實際部署中存在一些編程開發策略，能對識別效果和識別速度產生顯著影響。
  • 應用層下的人臉識別(三):人臉比對
    人臉算法人臉算法效果決定了人臉識別的上限，也是人臉比對最關鍵的要素。隨著深度學習技術的普及，各大公司的人臉算法效果差距也越來越小。目前主流的人臉識別算法可以分為以下四類：基於人臉特徵點的識別算法基於整幅人臉圖像的識別算法基於模板的識別算法利用神經網絡進行識別的算法2018年11月20日公布的，有工業界黃金標準之稱的全球人臉識別算法測試(FRVT)結果（如下圖）：
  • 人臉識別行業分析
    最近幾年機器視覺行業實現快速發展的背景是： 2015 年基於深度學習的計算機視覺算法在ImageNet 資料庫上的識別準確率首次超過人類， 同年 Google 在開源自己的深度學習算法。這些帶動中美兩國的科學家把計算機視覺算法運用到安防、金融、網際網路、物流、零售、醫療、製造業等不同垂直行業。
  • 人臉識別真的安全嗎？關於人臉識別技術發展的瞻望
    「內核」算法「人臉識別是一種基於人的臉部特徵信息進行身份認證的生物特徵識別技術。二維人臉識別是基於人臉平面圖像的，但實際上人臉本身是三維的，人臉平面圖像只是三維人臉在一個平面上的投影，在這個過程中，必然會丟失一部分信息，因此，動態的人臉識別需要依靠三維人臉識別技術。
  • 人臉識別技術原理與工程實踐(10個月人臉識別領域實戰總結)
    「人臉驗證」拿現場人臉跟用戶所宣稱的人臉做1比1的比較，而「人臉識別」是拿現場人臉跟後臺註冊人臉庫中的所有人臉比較，是1比N的搜索。可以看出，兩種場景的技術原理一致，但是難度不同,第二頁場景的難度普遍比第一頁高得多。4 人臉識別原理計算機是怎麼識別人臉的呢？如果我們大家是人臉識別系統的設計者，我們應用怎樣來設計這個系統？
  • 「照片脫敏」：新照片隱私技術能擊敗人臉識別AI算法
    一秒鐘之內，人眼只能掃描幾張照片而計算機卻能執行數十億次（人臉識別）計算。隨著社交媒體的爆炸式增長，圖像已成為網際網路上的新社交貨幣。如今，Facebook和Instagram等主流社交媒體都在自動為照片中的用戶添加標籤，而Google Photos可以使用Google自己的圖像識別技術識別照片中的用戶並進行分組。
  • 人臉識別哪家強?看看國內30家TOP企業!
    根據不同業務場景下的人臉識別需求，為廣大企業級用戶和合作夥伴提供業界領先的視覺身份認證技術和整體解決方案。致力於打造新一代的計算機視覺理解和人工智慧引擎，讓計算機以及其他智能硬體能看懂我們這個世界。題主問題比較寬泛（到底是盈利強，還是算法強，還是應用強？），人臉識別技術的衡量維度太多，但從技術比較，比如圖像比對級的1:1，1:N，N:N；衡量的標準和維度都不同。