人脸识别

广义的人脸识别实行包罗构修人脸识别系统的一系列相关技能,包罗人脸图像搜罗、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸举行身份确认或者身份查找的技能或系统。 人脸识别是一项热门的盘算机技能研讨范畴,它属于生物特征识别技能,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

根源:维基百科
简介

人脸识别题目宏观上分为两类:1. 人脸验证(又叫人脸比对)2. 人脸识别。
人脸验证做的是 1 比 1 的比对,即判别两张图片里的人是否为同一人。最常睹的运用场景便是人脸解锁,终端配备(如手机)只需将用户事先注册的照片与临场搜罗的照片做比照,判别是否为同一人,即可完毕身份验证。比如 FaceID 人脸解锁,iPhone 事先存了一张用户的照片(需求用户注册),这张照片变成了转换成了连续串特征数值(即特征空间里的一个点),用户解锁时,手机只需求比照目今搜罗到的脸和事先注册的脸特征空间里的几何间隔,假如间隔足够近,则判别为同一人,假如间隔不敷近,则解锁糜烂。间隔阈值的设定,则是算法工程师通过大宗实行取得的。
人脸识别做的是 1 比 N 的比对,即判别系统目今睹到的人,为事先睹过的浩繁人中的哪一个。比如疑犯追踪,小区门禁,会场签到,以及新零售看法里的客户识别。同样思索一个场景,人脸考勤。公司 X 有员工 A,B,C,公司会请求三名员工入职的时分各供应一张私人照片用于注册公司系统里,静静地躺特征空间中。第二天早上员工 A 上班打卡时,将脸瞄准考勤板滞,系统会把目今员工 A 的脸放到特征空间里,与之前特征空间里注册好的脸一一比照,发明注册的脸中间隔目今搜罗到的脸近来的特征脸是员工 A,打卡完毕。

这些运用场景的配合特性是:人脸识别系统都事先存储了大宗的差别人脸和身份新闻,系统运转时需求将睹到的人脸与之前存储的大宗人脸做比对,寻得立室的人脸。

晓得了人脸识另外基本原理,便能看清它的技能范围。下图展现了少许容易识别糜烂的案例:
image.png

[图片及描画根源:怎样走近深度进修人脸识别?你需求这篇超长综述 | 附开源代码|中文字幕AV]

[描画根源:人脸识另外简明先容(附实例、Python代码)|中文字幕AV]


光照较差,遮挡,形变(大乐),侧脸等诸众条件下,算法很难提取出与“标准脸”相似的特征,十分脸特征空间里落到过失的位置,导致识别和验证糜烂。

早期风行的识别算法包罗运用特征脸的主因素剖析(principal component analysis ),线性判别剖析( linear discriminant analysis),运用Fisherface算法的弹性束图立室(elastic bunch graph matching),隐马尔可夫模子( hidden Markov model),运用张量外示的众线本性空间进修(multilinear subspace learning)以及受神经元启示的动态链接立室(dynamic link matching)。

跟着深度进修的风行,深度神经收集又一次被用于人脸识别,如DeepID,FaceNet等。

[描画根源:维基百科]


开展历史

=======描画=======

主感人脸识另外前驱包罗Woody Bledsoe,Helen Chan Wolf和Charles Bisson。


1964年和1965年时代,Bledsoe与Helen Chan和Charles Bisson一同努力于运用盘算机识别人脸。但因为这笔资金是由一家不具备大宗宣扬力的无名情报机构供应的,于是很少有义务发外。依据现有的参考文献,Bledsoe的初始方法涉及手工确定脸部种种标记,如眼睛中心,嘴巴等,并通过盘算机数学改变,以补偿姿态改造。标记之间的间隔也是主动盘算的,并将种种标记图像之间举行比较以确定图像身份。


1987年,L. Sirovich and M. Kirby提出了eigenface,他们认为任何面部图像都可以通过每个面部的一小部分权重和标准面部图像(本征图)近似重修。 通过将面部图像投影到本征图上可以取得描画每个面部的权重。1991年,Turk M和Pentland A.实行运用中运用了eigenface,大大促进了这项技能的风行。


此时代,M. Lades等人于1993年提出了运用动态链接立室举行人脸识另外念法,可以看作是神经收集的一种扩展。1994年,因为此前学者延续密度隐马尔可夫模子(HMM)上的义务外明,随机修模可以成功地用于编码特征新闻。 F. Samaria and A.C. Harter提出了一组实行结果,剖析了种种HMM参数。


1997年,S. Lawrence等人提出了一种用于人脸识另外混淆神经收集。该系统联合结果部图像采样,自构造映照(SOM)神经收集和卷积神经收集。 SOM将图像样本量化为拓扑空间,此华夏始空间中的附近的输入也输出空间附近,从而为图像样本中的微细改造供应降维和稳定性,而且卷积神经收集供应平移,改变,缩放和变形的部分稳定性。卷积收集分层的层汇合延续提取更大的特征。他们运用Karhunen-Loeve变换替代SOM呈现结果,并运用众层感知器(MLP)替代卷积收集举行比较。

运用面部幻觉可以增强面部的低区分率图像。


SVM也是人脸识别范畴风行的算法之一,2001年,B. Heisele等人他们的作品中起首定位面部特征,提取它们并将它们组合成单个特征向量,该向量由支撑向量机(SVM)分类。 两个全部系统通过对由通通面部图像的灰度值构成的单个特征向量举行分类来识别面部。 第一个全部系统中,他们为数据库中的每私人教练了一个SVM分类器。 第二个系统由一组特定于视点的SVM分类器构成,教练时代的进修聚类算法。


2014年,Sun, Y等人提出了DeepID2, 是人林仂域十分有影响力的义务,也掀起了人林仂域引进 Metric Learning 的浪潮。此根底上,2015年Google 提出了FaceNet。他们扔弃了分类层即 Classification Loss,将 Contrastive Loss 改良为 Triplet Loss。同年,Parkhi, O. M.等人工了加速 Triplet Loss 的教练,对FaceNet举行了一系列改正,提出了Deep Face Recognition。


=======主要事情=======

年份事情相关论文/Reference



1987L. Sirovich and M. Kirby提出了eigenfaceSirovich,L.; Kirby, M. (1987). Low-Dimensional procedure for the characterisation of human faces. J. Optical Soc. of Am. 4: 519-524.
1991Turk M和Pentland A.实行运用中运用了eigenfaceTurk, M.; Pentland, A. (1991). Eigenfaces for recognition. J. Cognitive Neuroscience. 3: 71-86.
1993M. Lades等人提出了运用动态链接立室举行人脸识另外念法Lades, M.; Vorbruggen, J. C.; Buhmann, J.; Lange, J.; Von Der Malsburg, C.; Wurtz, R. P.; Konen, M. (1993). Distortion Invariant object recognition in the dynamic link architecture. IEEE Trans. Computers. 42: 300-311.
1994F. Samaria and A.C. Harter提出了一组实行结果,剖析了种种HMM参数Samaria, F.; Harter, A. C. (1994). Parameterisation of a stochastic model for human face identification. Proc. Second IEEE Workshop Applications of Computer Vision.
1997S. Lawrence等人提出了一种用于人脸识另外混淆神经收集Lawrence, S.; Giles, C. L.; Tsoi, A. C.; Back, A. D. (1997). Face recognition: A convolutional neural-network approach. IEEE Trans. Neural Networks. 8: 98-113.
2001B. Heisele等人他们的作品中运用SVMHeisele, B.; Ho, P.; Poggio, T. (2001). Face recognition with support vector machines: Global versus component-based approach. International Conference on Computer Vision (ICCV'01).
2014DeepID2基于深度进修的人脸识别范畴是最先运用 Metric Learning 思念的模子之一Sun, Y.; Wang, X.; Tang, X. (2014). Deep learning face representation by joint identification-verification. CoRR.
2015Google 提出了FaceNet,同样是人脸识别范畴的分水岭性义务Schroff, F.; Kalenichenko, D.; Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. arXiv:1503.03832v3
2015Parkhi, O. M.等人提出了Deep Face RecognitionParkhi, O. M.; Vedaldi, A. and Zisserman, A. (2015). Deep face recognition. BMVC.


开展剖析

=======瓶颈=======

上文曾经提到,光照较差,遮挡,形变(大乐),侧脸等诸众条件下,算法很难准确识别和验证,即目前的算法外现还不敷妥当。


=======未来开展偏向=======

面临这种范围,一般接纳三种应对步伐,使人脸识别系统能平常运作

1. 工程角度:研发质料模子,对检测到人脸质料举行评判,质料较差则不识别/查验。

2. 运用角度:施加场景限制,比如刷脸解锁,人脸闸机,会场签到时,都请求用户精良的光照条件下正对摄像头,以避免搜罗到质料差的图片。

3. 算法角度:晋升人脸识别模子功用,教练数据里添加更众繁杂场景和质料的照片,以增强模子的抗搅扰才能。


相关人物
Andrew Zisserman
Andrew Zisserman
Florian Schroff
Florian Schroff
马修·特克
马修·特克
Matthew Turk(马修·特克)是加州大学圣巴巴拉分校加州大学圣巴巴拉分校盘算机科学系传授和系主任。 他的研讨范畴包罗盘算机视觉、感知界面和基于视觉的互动。他于2013年被任用为电气和电子工程师协会(IEEE)院士,并于2014年被任用为国际方式识别副研讨员(IAPR)。
简介
相关人物