依圖NIST二次奪冠,人臉識別的幾種方法和解決姿態問題的三種思路

2021-01-11 電子發燒友
打開APP
依圖NIST二次奪冠，人臉識別的幾種方法和解決姿態問題的三種思路

工程師黃明星 發表於 2018-06-29 19:45:00

近日，由美國國家標準與技術研究院NIST（National Institute of Standards and Technology） 組織的人臉識別算法測試FRVT2018結果公布，三家中國公司挺進前五。其中冠軍被中國公司依圖科技再度摘得，中國科學院深圳先進技術研究院獲得第二名，排名前五的另一家企業是曠視科技。

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。

依圖科技其實是第二次獲得NIST比賽人臉識別冠軍，去年6月NIST官方公布的測試結果中，依圖在千萬分之一誤報下達到識別準確率95.5％，是當時全球工業界在此項指標下的最好水平。今年依圖將這一指標提升到了接近極限的水平，即在千萬分之一誤報下的識別準確率已經接近99％。根據NIST官方4月發布的競賽結果，曠視科技也曾登頂榜首，在百萬分之一誤報下的準確率為97.5％。

中國公司取得如此戰績，一定程度上代表在人工智慧領域，我國的人臉識別技術已經走在世界前列，可喜可賀！為此，小編特別想探究一下人臉識別背後的算法原理。

1．基於幾何特徵的方法

基本思想：採用幾何特徵進行正面人臉識別一般是通過提取人眼、口、鼻等重要特徵點的位置和眼睛等重要器官的幾何形狀作為分類特徵。因為人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，所以對這些部件的形狀和結構關係的幾何描述，可以做為人臉識別的重要特徵。

局限性：基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他算法結合才能有比較好的效果。基於參數的人臉表示可以實現對人臉顯著特徵的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，採用一般幾何特徵只描述了部件的基本形狀與結構關係，忽略了局部細微特徵，造成部分信息的丟失，更適合於做粗分類，而且目前已有的特徵點檢測技術在精確率上還遠不能滿足要求，計算量也較大。

2.特徵臉方法（PCA）

特徵臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點， 也稱為基於主成分分析（principal component analysis，簡稱PCA）的人臉識別方法。

基本思想：該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為「局部人體特徵分析」和「圖形／神經識別算法。」這種算法是利用人體面部各器官及特徵部位的方法。如對應幾何關係多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。

局限性：特徵臉方法是一種簡單、快速、實用的基於變換係數特徵的算法，但由於它在本質上依賴於訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。

3.神經網絡方法

基本思想：人工神經網絡是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網絡方法在人臉識別中的研究方興未艾，但在人臉識別上的應用比起前兩類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網絡方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。因此人工神經網絡識別速度快，但識別率低 。

局限性：神經網絡方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。

影響人臉識別的關鍵因素 光照變化

光照變化是影響人臉識別性能的最關鍵因素，對該問題的解決程度關係著人臉識別實用化進程的成敗。目前有兩種解決思路：第一是利用光照模式參數空間估計光照模式，然後進行針對性的光照補償，以便消除非均勻正面光照造成的陰影、高光等影響；第二是基於光照子空間模型的任意光照圖像生成算法，用於生成多個不同光照條件的訓練樣本，然後利用具有良好的學習能力的人臉識別算法，如子空間法。

姿態問題

姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直於圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失，因此姿態問題成為人臉識別的一個技術難題。

解決姿態問題有三種思路：第一種思路是學習並記憶多種姿態特徵，這對於多姿態人臉數據可以容易獲取的情況比較實用；第二種思路是基於單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下合成該用戶的多個學習樣本，可以解決訓練樣本較少的情況下的多姿態人臉識別問題，從而改善識別性能；第三種思路是基於姿態不變特徵的方法，即尋求那些不隨姿態的變化而變化的特徵。

打開APP閱讀更多精彩內容

聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴

相關焦點

  • 依圖NIST奪冠,解密人臉識別算法原理
    依圖科技其實是第二次獲得NIST比賽人臉識別冠軍，去年6月NIST官方公布的測試結果中，依圖在千萬分之一誤報下達到識別準確率95.5%，是當時全球工業界在此項指標下的最好水平。今年依圖將這一指標提升到了接近極限的水平，即在千萬分之一誤報下的識別準確率已經接近99%。
  • 如何在行為識別領域奪冠?依圖有答案!
    （原標題：如何在行為識別領域奪冠？依圖有答案！） 繼蟬聯全球權威人臉識別競賽冠軍、先後刷新國際聲紋識別權威競賽（VoxSRC）紀錄、行人重識別（ReID）三大權威數據集之後，依圖在全球AI技術賽道再下一城，又攻下一個第一。
  • 應用層下的人臉識別(三):人臉比對
    人臉比對庫人臉比對庫為人臉識別提供比對模板——人臉1:n、人臉1:N、人臉M:N必須要有人臉比對庫才能進行比對。系列第二篇文章《應用層下的人臉識別（二）：人臉庫》詳細的介紹了人臉庫的建立方法。3. 比對閾值比對閾值：人臉比對的相似度。
  • 人臉識別行業分析
    人臉檢測在圖像中準確標定出人臉的位置和大小，並把其中有用的信息挑出來（如直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵等），然後利用信息來達到人臉檢測的目的。人臉檢測是指判斷是否存在人臉及定位出人臉的位置、大小與姿態。目前的人臉檢測方法可分為三類，分別是基於膚色模型的檢測、基於邊緣特徵的檢測、基於統計理論方法的檢測。
  • 從人臉到人體姿態，芯翌探索生物識別新模式
    論文關注了人體關鍵點檢測問題的數據處理，提出用於人體姿態估計算法無偏的數據處理方法——UDP，能夠有效解決現有的SOTA人體姿態估計算法中的部分缺點，且在基本不增加模型複雜度的情況下，提升算法性能。和已經被廣泛應用的人臉識別技術相比，人體姿態估計技術的「出鏡率」並不高。實際上，無論是在安防、刑偵還是在工業生產等領域，人們不經意的姿態動作，都能成為行為估計與識別的重要因素。
  • 人臉識別技術的基本方法是什麼?
    利用已建成的人臉特徵模板與被測者的人的面像進行特徵分析，根據分析的結果來給出一個相似值。通過這個值即可確定是否為同一人。人臉識別的方法很多，主要的人臉識別方法有：（1）幾何特徵的人臉識別方法：幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關係（如相互之間的距離）。這些算法識別速度快，需要的內存小，但識別率較低。
  • 基於深度學習的人臉識別技術全解
    20世紀90年代：1991 年，著名的「特徵臉」（Eigenface）方法第一次將主成分分析和統計特徵技術引入人臉識別，在實用效果上取得了長足的進步。這一思路也在後續研究中得到進一步發揚光大， 例如，Belhumer 成功將 Fisher 判別準則應用於人臉分類，提出了基於線性判別分析的Fisherface 方法。
  • ECCV 2020 | 騰訊優圖8篇論文入選,涵蓋目標跟蹤、人臉識別等領域
    在競爭越來越激烈的情況下，本次ECCV 騰訊優圖實驗室共入選8篇論文，涵蓋目標跟蹤、行人重識別、人臉識別、人體姿態估計、動作識別、物體檢測等熱門及前沿領域，再次展示了騰訊在計算機視覺領域的科研及創新實力。
  • 人臉識別核心算法及技術解析
    鑑於此，在對統計學習方法進行研究的同時，我們還考慮了非統計模式識別的一類方法。　　思路：　　對於給定的人臉圖像，LGBP方法首先將其與多個不同尺度和方向的Gabor濾波器卷積（卷積結果稱為Gabor特徵圖譜）獲得多解析度的變換圖像。
  • 人臉識別論文筆記:OGCTL(1903.04752)
    因此，論文做出如下貢獻：提出了一種由遮擋引導的神經網絡結構，用於從集合模型中生成的面部表示和遮擋掩模中學習緊湊的面部模板；從不同數量的可見面部區域中生成緊湊模板是可行的。本文方法模板和遮擋掩模本文作者提出的方法其實是受DPRFS方法的啟發，DPRFS算法如下圖所示。
  • 不同的人臉識別算法解析
    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
  • 人臉識別技術介紹和表情識別最新研究
    獲取人臉後，人臉裁剪是根據實際需求，裁剪部分或整體的人臉，進一步精確化人臉圖像。為提高人臉識別準確率，人臉校正可以儘可能的降低由於姿態和表情導致的人臉變化，獲取正面或者平靜狀態下的人臉照片。特徵提取利用不同的特徵，對圖片進行相似度的衡量和評價。人臉識別主要包括一對一或者一對多的應用場景，對目標人臉進行識別和驗證。人臉表達模型主要分為2D，2.5D，3D。
  • 人臉識別最全知識圖譜—清華大學出品
    20世紀90年代：1991 年，著名的「特徵臉」（Eigenface）方法第一次將主成分分析和統計特徵技術引入人臉識別，在實用效果上取得了長足的進步。這一思路也在後續研究中得到進一步發揚光大， 例如，Belhumer 成功將 Fisher 判別準則應用於人臉分類，提出了基於線性判別分析的Fisherface 方法。
  • 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)
    「把人臉區域從圖片中摳出來，然後拿摳出來的人臉跟事先註冊的人臉進行比較」，沒錯，就是這樣，說起來簡單，做又是另外一回事了，這裡又有兩個新的問題：一是，「怎樣判斷圖片中是有沒有人臉？」，「怎樣知道人臉在圖片中的具體位置呢」，這是人臉檢測要解決的問題，人臉檢測告訴我們圖像中是否有人臉以及人臉的具體位置坐標。二是，「我們怎樣比較兩個人臉是不是同一個人呢？」
  • 【乾貨】中國人臉識別產業鏈全景圖!
    目前我國人臉識別已經廣泛應用到智慧型手機使用、機場和火車站身份認證、金融遠程開戶、企業門禁考勤等場景，隨著未來技術條件的進一步成熟以及智能化時代的全面到來，人臉識別的應用將進一步拓展和深化。　　人臉識別是生物識別的一部分，生物識別是依靠人體的身體特徵來進行身份驗證的一種解決方案。
  • 「技術綜述」如何降低遮擋對人臉識別的影響
    遮擋造成的人臉識別的困難主要體現在由遮擋所引發的特徵損失、對準誤差和局部混疊等方面．1 常見人臉遮擋方式【1】引發面部遮擋的原因主要有三種：1.1光線遮擋：由於不均勻的或極度強烈的外部光照所引起的遮擋。圖a1.2實物遮擋：覆蓋在人臉上的物品，如帽子，眼鏡，圍巾等。圖b1.3自遮擋：是由於人體姿勢導致的，如側臉。
  • 人臉識別最全知識圖譜,中國學者數量全球第三—清華大學出品
    該方法的不足是和其他方法的可結合性不是很高，同時，用於人臉檢測時，處理複雜背景和多個人臉時存在困難。 為了解決人臉檢測中的光照問題，可以針對不同光照進行補償，然後再檢測圖像中的膚色區域。這樣可以解決彩色圖像中偏光、背景複雜和多個人臉的檢測問題，但對人臉色彩、位置、尺度、旋轉、姿態和表情等具有不敏感性。
  • 2017.09:一種通過變量分配進臉譜圖的思路與方法研究(杜子芳等)
    首先通過人類對不同臉譜圖物件（包括臉部器官和髮型等）的識別敏感度進行降序排序；其次對變量的變異程度依方差、變異係數、極差同樣進行降序排序；再次依強強結合的原則將變異程度高的變量分配到識別敏感度高的（變異程度低的變量則分配到識別敏感度低的）構件上，實現臉譜圖的改進，增強臉譜圖的表達能力；最後利用人體尺寸數據與樹葉輪廓數據對幾個方案進行比較，得出基於方差與極差的變量分配所得到的臉譜圖明顯優於現行基於變量隨機分配的臉譜圖的結論
  • 基於小波包變換和壓縮感知的人臉識別算法
    平強、莊連生[6]等針對人臉識別姿態問題提出了基於仿射變換的人臉分塊稀疏表示，提升了算法的識別性能，但仿射變換和分塊稀疏表示都增加了運算複雜度。　　將壓縮感知作為特徵提取的方法，必須保證觀測矩陣不會把兩個不同的稀疏信號映射到同一個採樣集合中，這就要求從觀測矩陣中抽取的每M個列向量構成的矩陣是非奇異的，同時需要保證觀測矩陣和稀疏基不相干。　　2 本文稀疏表示的人臉識別算法　　本文將小波包變換和壓縮感知結合應用於人臉識別，具體識別過程如圖2所示。
  • 無需人臉檢測,即可實時,6自由度3維人臉姿態估計方法 | 代碼剛開源
    在AFLW2000-3D和BIWI上的測試表明，我們的方法運行在實時和性能優於狀態(SotA)人臉姿態估計器。值得注意的是，我們的方法在更寬的人臉檢測基準上也超過了類似的SotA模型，儘管沒有在包圍框標籤上進行優化。