python人脸比对算法_人脸比对算法-人脸比较（1：N）

最新推荐文章于 2024-07-07 10:31:47 发布

Eve.薇薇

最新推荐文章于 2024-07-07 10:31:47 发布

阅读量5k

点赞数

文章标签： python人脸比对算法

本文链接：https://blog.csdn.net/weixin_29516131/article/details/113969413

版权

本文探讨了1：N人脸比对的挑战，介绍了基于FaceNet框架的改进方法，包括使用MTCNN进行面部对齐，采用COCO损失替换Triple Loss以提高识别精度。实验在华为训练集上达到了99.92％-99.97％的准确性。此外，文章还讨论了面部特征点定位、单应性矩阵和ResNet在人脸识别中的作用。

摘要由CSDN通过智能技术生成

第1章前言

设计一个1：N的人脸，随着N的增加，最小化精度降低的解决方案具有很强的现实意义。人脸1：N的框架大致可分为：人脸检测，人脸对齐，人脸映射和人脸识别LOSS设计，其结构如下图所示：

图1：人脸1的主帧：N

面孔1：N在学术界有着广泛的研究。人脸检测和人脸对齐(MTCNN，TCDCN等)在行业中已经取得了不错的成绩。当前的主要性能改进包括：DeepFace，DeepID，框架为CNN + Softmax，并且网络在用于人脸识别的第一个FC层中形成了高度区分性的人脸特征。对于人脸识别的特征映射，不能满足人脸比较的需求； DeepID2，DeepID2 +，DeepID3均使用Softmax +对比损失，使得相似特征的L2距离尽可能小，不同类型特征的L2距离大于一定间隔。 FaceNet是目前引用最多的人脸比较方法。提出了三重损失，它以三重的形式进行了优化，以获得类内部的紧凑性和类间的差异。 SphereFace是L-Softmax的改进，它对权重W进行了归一化人脸比对算法，使训练的重点更多地放在优化深度特征映射和特征矢量角度上，并减少了样本数量不均匀的问题。中心损失为每个类别学习一个中心，并将每个类别的所有特征向量拉到相应类别的中心，并将其与Softmax结合使用； COCO损失对权重c进行归一化，对特征f进行归一化并相乘。LFW的比例因子达到99.86％；损失函数设计还包括：L2-Softmax，附加边际损失，CosFace，ArcFace等。

基于FaceNet框架&#x