人脸相关的十大关键技术应用

引言:人脸识别技术的发展让“刷脸”变成现实,门禁刷脸系统、支付宝刷脸登录、美图秀秀准确人脸识别自动P图等等技术丰富了我们的生活。知其然不知其所以然,我们在享受人脸识别技术带来的便利的同时,不仅对人脸识别的原理和实现充满了好奇,下面就来简单的介绍一下人脸所涉及的十大关键技术。

1、人脸检测( Face Detection

“人脸检测(Face Detection)”的作用就是要检测出图像中人脸所在位置。

人脸检测算法的输入是一张图像,输出是人脸框坐标序列,具体结果是0个人脸框或1个人脸框或多个人脸框。输出的人脸坐标框可以为正方形、矩形等。

人脸检测算法的原理简单来说是一个“扫描”加“判定”的过程。即首先在整个图像范围内扫描,再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸大小以及图像内容相关。在实际算法时,我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、“人脸数量上限”的方式来加速算法。

举例说明:绿色矩形框标注的即为人脸检测算法检测到的人脸位置

目前主流的人脸检测技术包括:

1单个CNN人脸检测方法  (2)级联CNN人脸检测方法 (3)OpenCV人脸检测方法  (4)Dlib人脸检测方法  

(5)libfacedetect人脸检测方法 (6)Seetaface人脸检测方法

2、人脸配准(Face Alignment)

“人脸配准(Face Alignment)”又叫人脸对其,所实现的目的是定位出人脸上五官关键点坐标,对人脸的图像进行校正,防止图像因为角度问题影响到其它的识别或者处理过程。

人脸配准算法的输入是“一张人脸图像”和“人脸坐标框”,输出是五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值,常见的有5点、15点、68点、90点等等。

当前效果的较好的一些人脸配准技术基本通过深度学习框架实现。这些方法都是基于人脸检测的坐标框,按某种事先设定规则将人脸区域抠取出来,缩放到固定尺寸,然后进行关键点位置的计算。另外,相对于人脸检测,或者是后面将提到的人脸特征提取的过程,人脸配准算法的计算耗时都要少很多。

举例说明:输入图像以及输出结果如下,白色点标注出了人脸关键点的位置。


3、人脸属性识别(Face Attribute)

“人脸属性识别(Face Attribute)”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。这在有些相机APP中有所应用,可以自动识别摄像头视野中人物的性别、年龄等特征并标注出来。

一般的人脸属性识别算法的输入是“一张人脸图”和“人脸五官关键点坐标”,输出是人脸相应的属性值。人脸属性识别算法一般会根据人脸五官关键点坐标将人脸对齐,具体过程为旋转、缩放、抠取等操作后,将人脸调整到预定的大小和形态,以便之后进行属性分析。

人脸的属性识别包括性别识别、年龄估计、表情识别、姿态识别、发型识别等等方面。一般来说每种属性的识别算法过程是独立的,但是有一些新型的基于深度学习实现的算法可以实现同时输出年龄、性别、姿态、表情等属性识别结果。

举例说明:人脸属性识别输出结果如下

4、人脸提特征(Face Feature Extraction)

“人脸提特征(Face Feature Extraction)”是将一张人脸图像转化为可以表征人脸特点的特征,具体表现形式为一串固定长度的数值。

人脸提特征过程的输入是 “一张人脸图”和“人脸五官关键点坐标”,输出是人脸相应的一个数值串(特征)。人脸提特征算法实现的过程为:首先将五官关键点坐标进行旋转、缩放等等操作来实现人脸对齐,然后在提取特征并计算出数值串。

举例说明:人脸特征提取过程

5、人脸比对(Face Compare)

“人脸比对(Face Compare)”算法实现的目的是衡量两个人脸之间相似度。

人脸比对算法的输入是两个人脸特征人脸特征由前面的人脸提特征算法获得,输出是两个特征之间的相似度。

举例说明:人脸对比过程,输出结果为相似度96%

6、人脸验证(Face Verification)

“人脸验证(Face Verification)”是判定两个人脸图是否为同一人的算法。

它的输入是两个人脸特征,通过人脸比对获得两个人脸特征的相似度,通过与预设的阈值比较来验证这两个人脸特征是否属于同一人。

举例说明:人脸验证过程如下,相似度96%大于阈值75%,这里的阈值可以自己设定,判定属于同一个人。

7、人脸识别(Face Recognition)

“人脸识别(Face Recognition)”是识别出输入人脸图对应身份的算法。

它的输入为一个人脸特征,通过和注册在库中N个身份对应的特征进行逐个比对,找出“一个”与输入特征相似度最高的特征。将这个最高相似度值和预设的阈值相比较,如果大于阈值,则返回该特征对应的身份,否则返回“不在库中”。

举例说明:人脸识别过程如下,判断结果为输入图像为注册库中的jason

8、人脸检索(Face Retrieval)

“人脸检索”是查找和输入人脸相似的人脸序列的算法。

人脸检索通过将输入的人脸和一个集合中的说有人脸进行比对,根据比对后的相似度对集合中的人脸进行排序。根据相似度从高到低排序的人脸序列即使人脸检索的结果。

举例说明:人脸检索过程如下,右侧绿框内排序序列为检索结果

9、人脸聚类(Face Cluster)

“人脸聚类(Face Cluster)”是将一个集合内的人脸根据身份进行分组的算法。

人脸聚类也通过将集合内所有的人脸两两之间做人脸比对,再根据这些相似度值进行分析,将属于同一个身份的人划分到一个组里。其可以实现的功能是对一个大型的人脸图像文件夹依据人脸进行快速的自动归档。

在没有进行人工身份标注前,只知道分到一个组的人脸是属于同一个身份,但不知道确切身份。

举例说明:人脸聚类过程如下,右侧绿框内按身份的分组结果为聚类结果

10、人脸活体(FaceLiveness)

“人脸活体(FaceLiveness)”是判断人脸图像是来自真人还是来自攻击假体(照片、视频等)的方法。

在我们生活环境中,人脸认证系统中主要容易受到这种手段欺骗:

(1)用偷拍的照片假冒真实人;

(2)在公开场合录的视频或网上公开的视频片段;

(3)用计算机辅助软件设计的三维模型欺骗;

(4)用蜡或塑料等材质构造的三维雕像欺骗。

现在所以人脸活体检测技术的研究显得异常重要。对于照片欺骗,主要是根据分辨率、三位三维信息、眼动等来进行区分;对于视频欺骗,根据三维信息、光线等来区分。

发布了223 篇原创文章 · 获赞 139 · 访问量 37万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览