以SVM和HOG特性實現實時人臉檢測和識別

2020-12-08 電子工程專輯

人臉識別(face recognition)是機器學習領域中最受歡迎的技術之一。最近，該技術的使用案例已經從政府安全系統的特定監視應用擴展到多個產業的更廣泛應用，例如使用者的識別和認證、消費者體驗、健康和廣告。事實上，根據MarketsAndMarkets，到2022年，臉部識別(facial recognition)市場預計將成長到77.6億美元，複合年成長率(CAGR)為13.9%。EFTEETC-電子工程專輯

本文討論eInfochips工程師為存取管理應用成功開發的人臉識別算法實務。在這樣的系統中有兩個階段：人臉檢測；然後是人臉識別。一開始，臉部的檢測是在影像上使用Haar級聯分類器(Haar Cascade Classifier)，結合臉部主要的裁剪部份。EFTEETC-電子工程專輯

使用Haar級聯分級器進行眼睛檢測，形成幾何臉部模型；而鼻子的檢測則被用作眼睛檢測的再確認機制。之後，從大量臉部影像中擷取「定向梯度直方圖」(Histogram of Oriented Gradients；HOG)特徵，作為識別機制的一部份。然後將這些HOG特徵一併標記為某一個人臉/使用者，並且訓練支持向量機(SVM)模型以預測饋送到系統中的臉部。EFTEETC-電子工程專輯

可能的用例和環境條件如下：EFTEETC-電子工程專輯

• 使用人臉識別進行存取管理。EFTEETC-電子工程專輯
• 近距離場景，攝影機與待識別人員臉部之間的距離為5到6英呎。EFTEETC-電子工程專輯
• 成功識別僅限於15個自由度(℃)以內的臉部俯仰翻轉、左右翻轉和平面旋轉姿態。EFTEETC-電子工程專輯

就像任何其他形式的生物識別一樣，人臉識別需要採集、識別、提取必要(特徵)信息的臉部樣本，並儲存以供識別。整個人臉識別解決方案分為以下幾個主要模塊：EFTEETC-電子工程專輯

1. 臉部擷取EFTEETC-電子工程專輯
2. 臉部訓練EFTEETC-電子工程專輯
3. 臉部識別EFTEETC-電子工程專輯

臉部檢測是在人臉識別過程中執行任何操作的基本步驟。基於Haar特徵的級聯分類器是一種廣泛使用的臉部檢測機制。為了訓練分類器來檢測臉部，要形成兩組包含眾多影像的影像集：一組包含具有臉部的影像，另一組則包含沒有臉部的影像。然後使用這些影像產生分類器模型。透過從正像(positive image)和負像(negative image)中擷取Haar特徵來產生分類器。EFTEETC-電子工程專輯

Haar級聯分類器如何運作？

Haar分類器主要根據Paul Viola和Michael Jones在其論文《使用增強級聯的簡單特徵進行快速對象檢測》(Rapid object detection using boosted cascade of simple features)中提出的對象檢測架構。使用下圖所示的每個特徵訓練單個分類器。然而，單個分類器本身無法實現高精度，因此多個這樣的分類器形成級聯。所形成的最終分類器是弱分類器的加權之和。使用此方法，分類器可提供95%以上的分類準確度。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖1：Haar特徵（來源：opencv.org）EFTEETC-電子工程專輯

在圖2的示例中，影像作為卷積核心以擷取特徵，其中每個特徵是透過從白色矩形下方像素總和中減去黑色矩形下方像素總和所取得的值。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯
圖2：Haar特徵示例（來源：opencv.org）EFTEETC-電子工程專輯

上圖提供了兩個特徵示例：邊緣和線條。邊緣特徵有效地映像臉部屬性；即眼睛區域比臉部其它任何部份更暗。線條特徵映像了鼻子屬性；即臉部的垂直鼻線比兩側更亮。因為，這些特徵中的任一個都無法準確對圖案進行分類，所以將它們做成級聯；因此，這就是基於Haar特徵的級聯分類器名稱由來。EFTEETC-電子工程專輯

現在，讓我們詳細考慮臉部識別的三個主要模塊，如下所述。EFTEETC-電子工程專輯

臉部擷取

人臉識別的第一步是收集臉部樣本。基本上包括以下三個基本步驟：EFTEETC-電子工程專輯

1. 檢測臉部。EFTEETC-電子工程專輯
2. 裁剪臉部的主要部份。EFTEETC-電子工程專輯
3. 儲存臉部影像。EFTEETC-電子工程專輯

如同前一節中所討論的，臉部檢測主要使用基於Haar特徵的級聯分類器來實現。通常，臉部識別的準確性高度依賴於樣本影像的質量和種類。針對相同臉部捕捉具有多個臉部表情的多個影像，可獲得各種樣本影像。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖3：捕捉臉部樣本（來源：eInfochips）EFTEETC-電子工程專輯

一旦檢測到臉部，就可以將其裁剪並儲存為樣本影像以供分析。廣泛地使用矩形來框定影像中的區域，引入了裁剪頭部影像的多餘部份。因此，使用Haar級聯分類器獲得的矩形限定臉部特徵中包含了無關緊要的數據，例如頸部、耳朵、頭髮等周圍的區域。使用幾何臉部模型可緩解這一情況，該幾何臉部模型由各種臉部特徵(包括眼睛、鼻子和嘴巴)之間的幾何關係形成。EFTEETC-電子工程專輯

幾何臉部模型如何運作？為了形成幾何臉部模型，通常將一雙眼睛視為影像內定位的第一特徵。理想情況下，任何特徵都可用於作為形成臉部模型的起點，但從眼睛的位置開始產生具有更高精度的臉部模型。在某些情況下，鼻子的位置用於確定臉部模型。然而，眼睛通常被認為是主要的起始特徵，而鼻子則被認為是眼睛未定位或部份閉塞(occluded)情況下的次要起始特徵。EFTEETC-電子工程專輯

使用眼睛的臉部模型：從兩隻眼睛中心的坐標開始，使用以下等式獲得臉部的必要部份(特徵)：EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖4：使用眼睛的幾何臉部模型（來源：eInfochips）EFTEETC-電子工程專輯

使用鼻子的臉部模型：使用鼻子中心的坐標，利用以下等式獲得兩隻眼睛中心的坐標。此外，使用等式(eq.) 1、2和3 (如上所述)獲得臉部必要部份的裁剪。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖5：使用鼻子的幾何臉部模型（來源：eInfochips）EFTEETC-電子工程專輯

為了提高識別準確度，在臉部捕捉過程中丟棄尺寸小於256x256的臉部剪裁區域。此外，臉部區域相對於光源方向有顯著偏差。為了減輕這種影響，在裁剪的臉部影像實施直方圖等化。這降低了由於不均勻照明而在臉部形成的不對稱性。EFTEETC-電子工程專輯

臉部訓練

在此階段，從與每個人相關聯的影像中收集特徵。之後，對來自所有儲存影像的完整信息集(每人作為單個SVM標籤予以隔離)進行訓練以產生SVM模型。EFTEETC-電子工程專輯

什麼是支持向量機(SVM)？支持向量機(SVM)是受監督的機器學習模型，用於對數據進行劃分和分類。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖6：臉部訓練方塊圖（來源：eInfochips）EFTEETC-電子工程專輯

SVM廣泛用於諸如臉部檢測、影像分類、手寫識別等應用。可以將SVM模型視為使用超平面隔離多個類的點空間。EFTEETC-電子工程專輯

什麼是定向梯度直方圖(HOG)？HOG是通常用於對象檢測的特徵描述符號，在行人檢測應用上也廣為人知。HOG依賴於影像內對象的屬性而擁有強度梯度或邊緣方向的分布。在每個區塊的影像內計算梯度。區塊被認為是像素網格，其中梯度由區塊內像素強度的變化幅度和方向構成。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖7：具HOG特徵的臉部樣本（來源：eInfochips）EFTEETC-電子工程專輯

在當前示例中，個人的所有臉部樣本影像被饋送到特徵描述符號擷取算法；即HOG。描述符號是影像的每個像素所產生的梯度向量。每個像素的梯度由大小和方向組成，使用以下公式計算：EFTEETC-電子工程專輯
EFTEETC-電子工程專輯
在當前示例中，Gx和Gy分別是像素強度變化的水平和垂直分量。大小為128x144的窗口用於臉部影像，因為它與人臉的一般寬高比相匹配。描述符號是在具有8×8維度的區塊上計算的。在8×8區塊上每個像素的這些描述符號值被量化為9個區間(bin)，其中每個區間表示在該區間內梯度和值的方向角，其為具有相同角度的所有像素強度總和。此外，將直方圖在16×16區塊的大小上統一處理，這意味著將4個8×8區塊統一以最小化光條件的影響。該機制減輕了由於光變化導致的精度降低。使用針對多個臉部的幾個HOG向量來訓練SVM模型。EFTEETC-電子工程專輯

臉部識別

視頻序列中的臉部識別分為三個主要任務：臉部檢測、臉部預測和臉部追蹤。臉部捕捉程序執行的任務也在臉部識別期間執行。為了識別所獲得的臉部，必須擷取臉部的HOG特徵向量。然後在SVM模型中使用該向量來確定具有每個標籤的輸入向量之匹配分數。SVM返回具有最高分數的卷標，這表示對訓練臉部資料內最接近匹配的置信度。EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

圖8：臉部識別流程方塊圖（來源：eInfochips）EFTEETC-電子工程專輯

計算匹配分數的任務需要大量的運算。因此，一旦被檢測和識別到，就需要追蹤影像中的標記臉部，以減少未來訊框中的運算量，直到臉部最終從視頻中消失。在所有可用的追蹤器中，使用Camshift追蹤算法可產生最佳的臉部識別結果。EFTEETC-電子工程專輯

範例應用

本文採用的實際範例應用是在視頻管理系統中使用臉部識別存取管理和分析。在該計劃中，艾睿(Arrow)旗下子公司eInfochips的一支團隊設計並實施了一個帶有臉部識別功能的視頻管理系統，用於檢測和識別多個IP攝影機饋送的人臉。該設置部署在製造業中，其中攝影機安裝在多個建築物中的不同位置，並且使用區域網路(LAN)互連。EFTEETC-電子工程專輯

該團隊為該網絡開發並安裝了完整的視頻管理解決方案，為安全部門賦予視頻串流、透過視頻分析提供警報以及訪客身份驗證。該視頻管理系統中的臉部識別服務用於識別來自攝影機實時饋送的人臉，並產生系統事件，以觸發員工和訪客到場所的認證過程。此外，這些事件包括諸如識別時間、人名、人在地圖上的位置等細節。然後使用視頻管理系統內的用戶接口客戶端分析來自資料庫的這些事件。EFTEETC-電子工程專輯

結論

在現代監控和安全應用方面，臉部識別扮演著非常重要的作用。透過應用本文中描述的方法，可以獲得準確的算法和高質量的臉部識別結果。此外，藉助HOG和SVM模型，即使在包含複雜背景的場景中，也可以在識別人臉和分析臉部特徵方面實現高性能。EFTEETC-電子工程專輯

 EFTEETC-電子工程專輯

EFTEETC-電子工程專輯

關注最前沿的電子設計資訊，請關注「電子工程專輯微信公眾號」EFTEETC-電子工程專輯

相關焦點

  • 人臉識別測溫儀的出現 讓人體溫度檢測變得更加高效和準確
    打開APP 人臉識別測溫儀的出現 讓人體溫度檢測變得更加高效和準確 智能製造網 發表於 2020-02-21 14:25:38
  • 身份識別之人臉活體檢測
    隨著科技的不斷發展，人臉識別技術越發的成熟，在金融、門禁、考勤、人證合一等領域中廣泛應用，而活體檢測是人臉識別中的重要環節，在近年來也得到了越來越多的關注。　　一、活體檢測的常用方法　　1、普通攝像頭活體檢測　　二、雖然沒有配合指令的動作響應，但真實的人臉也不是絕對靜止的，總有一些微表情的存在，比如眼皮和眼球的律動、眨眼、嘴唇及其周邊面頰的伸縮等。
  • 實時旋轉魯棒人臉檢測算法
    在人臉識別領域，由於真實場景的複雜多變，受人體姿態和取景角度的影響，採集到的人臉圖像，時常會存在平面內旋轉角度不確定等問題，這為人臉檢測以及基於人臉的視覺任務帶來了極大的挑戰。下面將為大家介紹如何利用級聯矯正網絡，來實現實時、旋轉自適應的人臉檢測。
  • 人臉識別測溫儀_讓體溫檢測更高效
    1、熱成像實時溫度測量，高溫報警，並上傳管理平臺2、基於深度學習的人臉識別算法，極大提高了人臉抓拍率3、採用一體化的設計，確保了設備的安全、可靠性，更為身份驗證和溫度測量準確率提供保障4、非接觸式識別，支持戴口罩識別，無需特意配合體驗感強支持測溫、測溫+人臉識別、測溫+門禁、門禁等多種工作方式，滿足多樣需求5、提供測溫記錄、通行記錄導出功能
  • 人臉識別測溫一體機校園部署應用和方案流程介紹
    終端設備部署在相同場景不同的位置，可實現不同的應用。那在校園場景，人臉識別測溫一體機可以部署在哪些場景位置？方案流程要如何操作？ 校園場景不同位置部署人臉識別測溫一體機的應用人臉識別測溫一體機可以配合門禁或閘機，結合智能測溫系統，在不同場景實現不同功能的應用。
  • 暖果科技推出英文版人臉識別體溫檢測解決方案
    暖果科技推出英文版人臉識別體溫檢測解決方案目前，海外疫情越來越嚴重，歐洲成為重災區，防疫抗疫已經成為全球共同的戰役。為了協助歐洲國家防疫抗疫，暖果科技的研發人員加班兩周，完成英文版人臉識別體溫管理終端及後臺管理軟體的開發。新版產品採用弧形外觀，更加美觀。
  • 智能人臉識別+紅外熱成像一體機
    智能紅外熱成像人臉識別是基於人的臉部特徵信息進行身份識別的一種生物識別技術，它的唯一性和不易被複製的良好特性為身份鑑別提供了必要前提。人臉識別人行通道閘機系統就是把人臉識別技術和人行通道系統相結合，通過對人臉的識別作為人行通道開啟的鑰匙。它不僅免去了忘帶鑰匙或卡的煩惱，同時因為人臉識別人行通道閘機系統無需任何介質開門，而節省了不少成本，如人員變動不需要更換IC卡等，只需要重新對人臉信息進行登記註冊即可；人臉識別人行通道閘機系統由於操作簡單、安全、便捷、智能，且無論室內還是室外均可使用的特性，一直比「認卡不認人」的IC卡更具優勢。
  • UCloud優刻得推出人臉識別測溫平板和智能防疫一體機
    兩款產品都支持數據上報、雲端智能分析、開放API接口以和考勤等第三方系統打通等功能，實現非接觸、多目標、高精度規範檢測，進一步提升公共場所防疫工作效率，用AI+IoT助力疫情防控。人臉識別測溫平板人臉識別測溫平板配備了高清攝像頭，利用調優過的戴口罩人臉檢測、人臉比對算法，將人臉關鍵點及口罩關鍵點進行比對，形成人臉圖庫。
  • 人臉識別技術理論
    人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。
  • 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。
  • 使用Python,Keras和OpenCV進行實時面部活體檢測
    你可以在網際網路上找到的大多數面部識別算法和研究論文都受到照片攻擊。這些方法在檢測和識別來自網絡攝像頭的圖像、視頻和視頻流中的人臉方面非常有效。然而，他們不能區分活人的臉和照片上的臉。這是因為這些算法適用於2D frames。
  • 人臉識別系統應用優勢及組成
    一、人臉識別、人臉識別系統技術現狀 　　隨著科技的發展和技術的提高，很多公眾場所公司園區企業等出入口控制朝著智能安全高效管理方向發展，比如安裝部署出入門禁系統，通道閘機等，其中門禁系統中跟多趨向採用生物識別技術如人臉識別、人臉識別。
  • 人臉識別技術原理與實現方式
    人臉識別技術原理與實現方式 電子發燒友 發表於 2019-02-05 11:16:00 　　隨著大數據時代的到來，「人臉」也將成為數據的一部分，人臉識別如何實現？
  • 人臉識別是如何進行的?看這裡就夠了!
    (2)人臉規範化：校正人臉在尺度、光照和旋轉等方面的變化。將人臉對齊，進行人臉校準。 (3)人臉校驗：採取某種方式表示檢測出人臉和資料庫中的已知人臉，確認兩張臉是否是同一個人。
  • 人臉識別技術介紹和表情識別最新研究
    早在二十世紀初期，人臉識別已經出現，於二十世紀中期，發展成為獨立的學科。人臉識別真正進入應用階段是在90年代後期。人臉識別屬於人臉匹配的領域，人臉匹配的方法主要包括特徵表示和相似性度量。人臉識別通用的流程主要包括人臉檢測、人臉裁剪、人臉校正、特徵提取和人臉識別。人臉檢測是從獲取的圖像中去除幹擾，提取人臉信息，獲取人臉圖像位置，檢測的成功率主要受圖像質量，光線強弱和遮擋等因素影響。
  • 人臉識別行業分析
    人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。通常採用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉。人臉識別系統主要包括四個組成部分，分別為人臉圖像採集及檢測、人臉識別預處理、人臉圖像特徵提取以及匹配與識別。人臉識別與其它生物識別技術相比，優勢在於非接觸性、非侵擾性、硬體基礎完善、可拓展性。
  • 萌顏中的人臉識別SDK-衝擊你的視覺體驗
    一、萌顏SDK中涉及到人臉技術的功能1.2D動態貼紙2D動態貼紙的功能主要是基於人臉識別技術和圖像渲染技術實現的，人臉追蹤可進行106關鍵點實時追蹤，高效地識別出人的五官和輪廓，並結合了貼紙和人臉的貼合算法，將人臉與貼紙較好的相結合。人臉識別技術可用於人臉2D貼紙特效、瘦眼大臉、3D面具等，廣泛的應用於直播、短視頻、特效相機等應用場景中。
  • 基於深度學習的人臉識別技術全解
    在人臉識別後，下一步數據的處理和應用，決定著人臉識別設備的實際應用，如應用在出入門禁控制、人臉圖片搜索、上下班刷卡、恐怖分子識別等各個領域，可擴展性強。 正是因為人臉識別擁有這些良好的特性，使其具有非常廣泛的應用前景，也正引起學術界和商業界越來越多的關注。人臉識別已經廣泛應用於身份識別、活體檢測、唇語識別、創意相機、人臉美化、社交平臺等場景中。
  • 校園智能人臉識別閘機方案開發
    校園人臉識別應用系統讓管理更高效人臉識別應用系統是連接到雲端管理平臺，可實現遠程監管、統計分析和數據展現等功能。2、非接觸性：人臉識別無需像指紋識別、虹膜識別一般，需要被識別者主動去進行檢測，只需站在機器的檢測範圍內就可以了，便捷快速。3、非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」。
  • 探討人臉識別支付在AFC系統的應用
    本文根據人臉識別技術特點及AFC系統使用要求，主要從地鐵過閘和購票兩個環節，來談一下人臉識別技術的解決方案。人臉識別過閘　　人臉識別技術在流程上主要包括人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別4個步驟，識別模式有1∶1和1∶N兩種模式。　　在1∶1模式下的人臉識別支付過閘，其實相對較為簡單。