人臉識別系統的技術應用

發布者：九竹物聯技術有限公司發布時間：2020-5-7 10:49:01 點擊次數：731 關閉

人臉識別是指能夠識別或驗證圖像或視頻中的主體的身份的技術。首個人臉識別算法誕生于七十年代初 [1,2]。自那以后，它們的準確度已經大幅提升，現在相比于指紋或虹膜識別等傳統上被認為更加穩健的生物識別方法，人們往往更偏愛人臉識別。讓人臉識別比其它生物識別方法更受歡迎的一大不同之處是人臉識別本質上是非侵入性的。比如，指紋識別需要用戶將手指按在傳感器上，虹膜識別需要用戶與相機靠得很近，語音識別則需要用戶大聲說話。相對而言，現代人臉識別系統僅需要用戶處于相機的視野內（假設他們與相機的距離也合理）。這使得人臉識別成為了對用戶最友好的生物識別方法。這也意味著人臉識別的潛在應用范圍更廣，因為它也可被部署在用戶不期望與系統合作的環境中，比如監控系統中。人臉識別的其它常見應用還包括訪問控制、欺詐檢測、身份認證和社交媒體。

當被部署在無約束條件的環境中時，由于人臉圖像在現實世界中的呈現具有高度的可變性（這類人臉圖像通常被稱為自然人臉（faces in-the-wild）），所以人臉識別也是最有挑戰性的生物識別方法之一。人臉圖像可變的地方包括頭部姿勢、年齡、遮擋、光照條件和人臉表情。圖 1 給出了這些情況的示例。
圖 1：在自然人臉圖像中找到的典型變化。（a）頭部姿勢，（b）年齡，（c）光照，（d）面部表情，（e）遮擋。
人臉識別技術這些年已經發生了重大的變化。傳統方法依賴于人工設計的特征（比如邊和紋理描述量）與機器學習技術（比如主成分分析、線性判別分析或支持向量機）的組合。人工設計在無約束環境中對不同變化情況穩健的特征是很困難的，這使得過去的研究者側重研究針對每種變化類型的專用方法，比如能應對不同年齡的方法 [4,5]、能應對不同姿勢的方法 [6]、能應對不同光照條件的方法 [7,8] 等。近段時間，傳統的人臉識別方法已經被基于卷積神經網絡（CNN）的深度學習方法接替。深度學習方法的主要優勢是它們可用非常大型的數據集進行訓練，從而學習到表征這些數據的最佳特征。網絡上可用的大量自然人臉圖像已讓研究者可收集到大規模的人臉數據集 [9-15]，這些圖像包含了真實世界中的各種變化情況。使用這些數據集訓練的基于 CNN 的人臉識別方法已經實現了非常高的準確度，因為它們能夠學到人臉圖像中穩健的特征，從而能夠應對在訓練過程中使用的人臉圖像所呈現出的真實世界變化情況。此外，深度學習方法在計算機視覺方面的不斷普及也在加速人臉識別研究的發展，因為 CNN 也正被用于解決許多其它計算機視覺任務，比如目標檢測和識別、分割、光學字符識別、面部表情分析、年齡估計等。
人臉識別系統通常由以下構建模塊組成：人臉檢測。人臉檢測器用于尋找圖像中人臉的位置，如果有人臉，就返回包含每張人臉的邊界框的坐標。人臉對齊。人臉對齊的目標是使用一組位于圖像中固定位置的參考點來縮放和裁剪人臉圖像。這個過程通常需要使用一個特征點檢測器來尋找一組人臉特征點，在簡單的 2D 對齊情況中，即為尋找最適合參考點的最佳仿射變換。圖 3b 和 3c 展示了兩張使用了同一組參考點對齊后的人臉圖像。更復雜的 3D 對齊算法（如 [16]）還能實現人臉正面化，即將人臉的姿勢調整到正面向前。
人臉表征。在人臉表征階段，人臉圖像的像素值會被轉換成緊湊且可判別的特征向量，這也被稱為模板（template）。理想情況下，同一個主體的所有人臉都應該映射到相似的特征向量。
人臉匹配。在人臉匹配構建模塊中，兩個模板會進行比較，從而得到一個相似度分數，該分數給出了兩者屬于同一個主體的可能性。

上一個新聞：人臉識別技術的轉折點

下一個新聞：能測體溫的考勤打卡機