Press "Enter" to skip to content

面部识别算法是如何工作的?

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

过去十年,深度学习领域出现了许多先进的新算法和突破性的研究,并且引入了新的计算机视觉算法。

 

这一切始于 2012 年的 AlexNet。AlexNet 是一个深度(卷积)神经网络,它在 ImageNet 数据集(拥有超过 1400 万张图片的数据集)上取得了很高的准确率。

 

人类是如何识别人脸的?

 

也许,人类大脑中的神经元首先识别场景中的人脸(从人的体形和背景),然后提取面部特征,并通过这些特征对人进行分类。我们已经在一个无限大的数据集和 神经网络 上进行了训练。

 

机器中的 面部识别 是以同样的方式实现的。首先,我们采用面部检测算法来检测场景中的人脸,然后从检测到的人脸中提取面部特征,最后使用算法对人进行分类。

面部识别系统的工作流

 

1. 人脸检测

 

人脸检测是物体检测的一个特化版本,特别之处在于,它只检测一种物体,即人脸。就像计算机科学里需要权衡时间和空间,机器学习算法也需要在推理速度和准确性之间进行权衡。现在有很多物体检测算法,不同算法对速度和准确性的取舍有所不同。

 

本文评估了如下几个最先进的物体检测算法:

 

OpenCV(Haar-Cascade)

 

MTCNN

 

YoloV3 和 Yolo-Tiny

 

SSD

 

BlazeFace

 

ShuffleNet 和 Faceboxes

 

为了构建一个强大的人脸检测系统,我们需要准确且快速的算法,以满足在 GPU 以及移动设备上实时运行的需要。

 

准确度

 

在流媒体视频的实时推理中,人们的面部可能有不同的姿势、遮挡和照明效果。因此,算法能在不同的光照条件和不同姿态下精确检测人脸非常重要。

在不同的姿态和光照条件下的人脸检测

 

OpenCV(Haar-ascade)

 

我们从 OpenCV 的 Haar-cascade 实现开始,它是一个用 C 语言编写的开源图像处理库。

 

优点:由于这个库是用 C 语言编写的,所以它在实时系统中的推理速度非常快。

 

缺点:这个实现的问题是它无法检测侧脸,而且在不同姿态和光照条件下表现欠佳。

 

MTCNN

 

这种算法基于深度学习方法。它使用深度级联卷积神经网络(Deep Cascaded Convolutional Neural Networks)来检测人脸。

 

优点:它比 OpenCV 的 Haar-Cascade 方法准确性更高

 

缺点:运行时间较长。

 

YOLOV3

 

YOLO(“You only  look  once”)是用于物体检测的最先进的深度学习算法。它由许多卷积神经网络组成,形成一个深度 CNN 模型(深度意味着模型架构复杂性很高)。

 

原始的 YOLO 模型可以检测 80 个不同的物体类别,而且检测精度很高,而我们只需要用该模型检测一个物体——人脸。我们在 WiderFace(包含 393,703 个面部标签 的图像数据集)数据集上训练了这个算法。

 

YOLO 算法还有一个微型版本,即 Yolo-Tiny。Yolo-Tiny 需要的计算时间比较少,但却牺牲了一些准确性。我们用相同的数据集训练了一个 Yolo-Tiny 模型,其边界框(boundary box)结果并不一致。

 

优点:非常准确,没有任何缺陷。比 MTCNN 更快。

 

缺点:由于具有巨大的深度神经网络层,它需要的计算资源更多。因此,该算法在 CPU 或移动设备上运行地很慢。在 GPU 上,它的大型架构也需要耗费更多的 VRAM。

 

SSD

 

SSD(Single Shot Detector)也是一个类似 YOLO 的深度卷积神经网络模型。

 

优点:良好的准确性。它可以检测各种姿势、光照和遮挡。良好的推理速度。

 

缺点:比 YOLO 模型差。虽然推理速度较好,但仍不能满足在 CPU、低端 GPU 或移动设备上运行的要求。

 

BlazeFace

 

就像它的名字一样,它是由谷歌发布的速度极快的人脸检测算法。它接受 128×128 维的图像输入,推理时间是亚毫秒级,已优化到可以在手机中使用。它速度这幺快的原因是:

 

YOLO 和 SSD 用来检测大量的类别,而 BlazeFace 不同,是一个专门的人脸检测器模型。因此 BlazeFace 的深度卷积神经网络架构比 YOLO 和 SSD 的架构小。

 

它采用的是深度可分离卷积层(Depthwise Separable Convolution),而不是标准的卷积层,这样就降低了计算量。

 

优点:非常好的推理速度,且人脸检测的准确率高。

 

缺点:这个模型的优化目标是对手机摄像头获取的图像进行人脸检测,因此它预期人脸会覆盖图像中的大部分区域,而当人脸尺寸较小时,它的识别效果就是很好。所以,当对闭路电视摄像机获取的(CCTV ,Closed Circuit Tele Vision)图像进行人脸检测时,它表现得并不理想。

 

Faceboxes

 

Faceboxes 是我们使用的最新的人脸检测算法。与 BlazeFace 类似,它是一个小型的深度卷积神经网络,只为检测一种类别——人脸而设计。它的推理时间可满足 CPU 上的实时检测需求。它的准确度可以与 Yolo 人脸检测算法相媲美,而且,不管图像中的人脸较大还是较小,它都可以精确地检测。

 

优点:推理速度快,准确性好。

 

缺点:评估仍在进行中。

 

2.特征提取

 

在检测到图像中的人脸后,我们对人脸进行裁剪,并将其送入特征提取算法,该算法创建面部嵌入(face-embeddings)——一个代表人脸特征的多维(主要是 128 或 512 维)向量。我们使用 FaceNet 算法来创建面部嵌入。

 

嵌入向量代表一个人的面部特征。因此,同一个人的两个不同图像的嵌入向量之间的距离比较接近,而不同人的嵌入向量之间的距离比较远。其中,两个向量之间的距离采用的是欧氏距离。

 

3. 面部分类

 

在得到面部嵌入向量后,我们训练了一种 分类算法 ,即 K-近邻(K-nearest neighbor,KNN)算法,根据一个人的嵌入向量对其进行分类。

 

假设在一个组织中,有 1000 名员工。我们创建了所有员工的面部嵌入,并使用嵌入向量训练分类算法。该算法以面部嵌入向量作为输入,以人的名字作为输出返回。

 

在把图片放到网上前,用户可以采用过滤器修改图片中的特定像素。人眼无法察觉这些变化,但它会让面部识别算法觉得很困惑。 —— ThalesGroup

 

当前,面部识别算法已经取得了巨大的进步。但这仅仅是技术革命的开始。可以想象一下,未来面部识别算法和聊天机器人技术的联合起来是多幺强大。

 

英文原文:

 

https://www.pimonk.com/post/how-do-facial-recognition-systems-algorithms-work-in-2021

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注