作者：Akshat Agarwal，Ipshita Biswas

自遠古以來，人臉一直是最直接的識別標準。因此，看到它成為最方便的生物識別技術就不足為奇了。與其他生物識別方法（例如語音，指紋，手形，掌紋）不同，分析面部不需要與所討論的對象進行積極配合。面部識別可以通過照片，視頻或?qū)崟r捕獲來完成。

人臉識別是一個廣泛的術語，用于識別或驗證照片和視頻中的人物。該方法包括檢測，對準，特征提取和識別。

盡管存在一些實際挑戰(zhàn)，面部識別仍在醫(yī)療，執(zhí)法，鐵路預訂，安全，家庭自動化和辦公室等各個領域得到廣泛使用。

在這篇文章中，您將發(fā)現(xiàn)以下內(nèi)容：

什么是面部識別？

人臉識別算法的廣泛分類

面部識別系統(tǒng)的各個階段

面部識別構建塊概述

看一下人臉識別SDK

什么是面部識別？

面部識別是一種生物識別技術，該軟件使用深度學習算法來分析個人的面部特征并存儲數(shù)據(jù)。然后，該軟件將照片，視頻或?qū)崟r捕獲的各種面孔與數(shù)據(jù)庫存儲的面孔進行比較，并驗證身份。通常，該軟件可以識別一個人的臉上大約80個不同的節(jié)點。節(jié)點用作定義個人面部變量的端點。這些變量包括–嘴唇的形狀，眼睛，鼻子的長度和寬度以及眼窩的深度。

與其他生物識別技術相比，面部識別的普及是由于這樣的事實，即它通常趨于更準確且侵入性最小。

面部識別算法的分類面部識別是一種識別已經(jīng)在數(shù)據(jù)庫中注冊的面部的技術。面部識別系統(tǒng)廣泛地涉及兩個任務-驗證和識別。

圖1：人臉驗證

驗證旨在回答以下問題：“他是他聲稱的那個人嗎？”當某人聲稱自己是特定人時，驗證系統(tǒng)會在數(shù)據(jù)庫中找到其個人資料。它將人的臉與數(shù)據(jù)庫中顯示的個人資料中的臉進行比較，以檢查它們是否匹配。這是一個1對1的匹配系統(tǒng)，因為該系統(tǒng)必須將個人的臉部與鏈接的個人資料中已經(jīng)存在的特定臉部進行匹配。因此，驗證比識別更快，更準確。

圖2：人臉識別

在人臉識別中，系統(tǒng)嘗試對照其數(shù)據(jù)庫中存在的所有人臉來檢查輸入人臉。這是一對一的匹配系統(tǒng)。

面部識別系統(tǒng)的各個階段

讓我們談談面部識別系統(tǒng)的兩個階段：注冊和識別。

圖3：面部識別階段I

在第一階段或注冊階段，將注冊一組已知的面孔。然后，特征提取器為每個注冊人臉生成唯一的特征向量?；诿總€臉部的獨特臉部特征來生成特征向量。提取的特征向量（對于每個人臉都是唯一的）成為已注冊數(shù)據(jù)庫的一部分，可用于將來參考。

圖4：面部識別階段II

在識別階段，將輸入圖像提供給特征提取器以執(zhí)行面部識別。在此，特征提取器也生成對于輸入面部圖像唯一的特征向量。然后將該特征向量與數(shù)據(jù)庫中已經(jīng)可用的特征向量進行比較?！盎谔卣鞯姆诸悺眽K比較輸入人臉的人臉特征與數(shù)據(jù)庫的已注冊人臉之間的距離。當注冊的面部滿足匹配標準時，基于特征的分類將返回在數(shù)據(jù)庫中找到的匹配面部ID。

面部識別系統(tǒng)的組成部分

面部識別系統(tǒng)的主要組件是：面部檢測，界標檢測，生動度檢測，面部識別模塊（面部識別，面部識別/面部驗證）。

圖5：面部識別模塊

首先，來自視頻流的圖像或幀被發(fā)送到面部檢測模塊，在此從輸入圖像中檢測面部。作為輸出，它將發(fā)送檢測到的面部的邊界框坐標。這里要注意的是，即使人臉檢測器定位了圖像的人臉并為每個人臉創(chuàng)建了邊框，它也不能保證人臉的正確對齊，并且人臉綁定框會發(fā)生抖動。因此，需要面部預處理階段以獲得有效的面部向量。該階段有助于提高系統(tǒng)的面部檢測能力。

人臉預處理在界標檢測塊中完成，界標檢測塊可識別參考點在眼睛，鼻子，嘴唇，下巴，下巴等人臉上的位置（也稱為基準界標點）。然后，將這些檢測到的臉部界標補償為臉部的空間變化。這是通過識別面部的幾何結構并基于各種轉(zhuǎn)換（例如平移縮放旋轉(zhuǎn)）獲得規(guī)范的對齊方式來完成的。這將輸出具有標準化規(guī)范坐標的人臉緊邊界框。

在將對齊的臉部發(fā)送到臉部識別模塊之前，必須檢查臉部欺騙，以確保臉部是從圖像或視頻的實時供稿中獲取的，并且不是為了獲得未授權訪問而被欺騙的臉部。活力檢測器執(zhí)行此檢查。

然后將圖像發(fā)送到下一個塊，即人臉識別塊。在成功完成人臉識別之前，此塊執(zhí)行一系列處理任務。第一步是人臉處理，這是處理輸入人臉內(nèi)類內(nèi)變化所必需的。這是必不可少的步驟，因為我們不希望面部識別器模塊因輸入面部圖像中存在的姿勢，表情，照度變化和遮擋等變化而分散注意力。解決輸入面中的類內(nèi)差異之后，下一個重要的處理步驟是特征提取。上面已經(jīng)討論了特征提取器的功能。

面部識別模塊的最后一步是面部匹配步驟，在該步驟中，將在最后一步中獲得的特征向量與數(shù)據(jù)庫中注冊的面部向量進行比較。在該步驟中，計算相似度，并生成相似度分數(shù)，根據(jù)需要將該相似度分數(shù)進一步用于面部識別或面部驗證。

面部識別SDK示例

圖6：面部識別SDK的第一步

我們將使用PathPartner的可授權面部識別SDK軟件解決方案來展示如何實現(xiàn)準確的面部檢測和面部識別系統(tǒng)。該SDK包含機器學習和計算機視覺算法，可讓您執(zhí)行六個關鍵的人臉識別任務。

圖7：使用SDK執(zhí)行的六個面部識別任務

SDK有兩種變體：

低復雜度型號，型號大小低至10MB，適合內(nèi)存和處理能力低的終端設備。

高復雜度變量，模型大小為90MB，適用于全方位服務的邊緣設備。

該算法在德州儀器（TI），高通（Qualcomm），英特爾（Intel），ARM（ARM），恩智浦（NXP）等一系列嵌入式平臺上進行了優(yōu)化，并且可以在云服務器平臺上進一步工作。

圖8：SDK的構建塊

開發(fā)基于CNN的面部識別系統(tǒng)

與基于非CNN的方法相比，基于CNN的方法更為可取，以便減少應對諸如遮擋和不同照明條件等挑戰(zhàn)的精力。識別過程包括以下步驟：

數(shù)據(jù)采集

公開可用的數(shù)據(jù)集并未涵蓋對面部識別至關重要的所有評估參數(shù)。因此，這需要在許多標準和內(nèi)部數(shù)據(jù)集上進行詳細的基準測試，這些數(shù)據(jù)集涵蓋可用于人臉分析的各種變化。此SDK支持以下變體：姿勢，照明，表情，遮擋，性別，背景，種族，年齡，眼睛，外觀。

深度學習模型設計

模型的復雜性取決于最終用戶的應用程序。該SDK在駕駛員監(jiān)控系統(tǒng)（DMS）和智能考勤系統(tǒng)中實現(xiàn)。

駕駛員監(jiān)控系統(tǒng)：為了評估駕駛員的機敏性和實時關注，需要邊緣計算。因此，需要魯棒的，低復雜度的系統(tǒng)。在這里，機器學習模型用于面部檢測和界標回歸，而淺層和深層CNN模型用于估計和分類。

培訓和優(yōu)化

這些模塊在最初準備的數(shù)據(jù)集中進行了預訓練。該解決方案已在各種開源數(shù)據(jù)集（例如FDDB，LFW和定制的內(nèi)部開發(fā)數(shù)據(jù)集）上進行了測試。

克服各種挑戰(zhàn)

照明變化–為了克服由于照明條件變化而引起的問題，采用了兩種方法。一種是使用基于甘特圖的方法將RGB轉(zhuǎn)換為類似NIR的圖像。另一個正在使用RGB數(shù)據(jù)訓練模型，并在輸入端使用NIR圖像對其進行微調(diào)。

姿勢和表情變化–如果可以從非正面視圖獲得面部圖像，則必須從一個或多個可用圖像中獲得面部圖像的規(guī)范視圖。這是通過基于界標點估計相對于頭部角度的姿勢變化，然后使用傾斜，拉伸，鏡像和其他操作來獲得前額路線來實現(xiàn)的。這使得面部識別系統(tǒng)能夠輸出姿勢不變的表示，并顯著提高面部識別的準確性。為了克服由于表情差異而產(chǎn)生的影響，在預處理階段執(zhí)行面部對齊。

遮擋–目前，SDK正在接受訓練以檢測蒙面。在這種情況下，模型被訓練為僅處理眼睛和額頭周圍的數(shù)據(jù)；但是，當系統(tǒng)中注冊的人數(shù)有限時，這種方法在不受控制的環(huán)境（如辦公室設置）中可獲得最佳結果。

外觀變化–發(fā)型，老化和使用化妝品的差異會導致個人外觀的重大差異。因此，在很大程度上降低了面部識別精度。為了解決此問題，SDK使用了對外觀變化具有魯棒性的表示和匹配方案。

圖9：即使沒有胡須也可以識別出的臉；PathPartner的面部識別模型可用于從汽車應用程序（例如DMS）到零售應用程序（可能包括客戶情感估計）的各個行業(yè)。

結論

如今，面部識別被認為是所有生物特征測量中最自然的。深度學習已成為大多數(shù)正在開發(fā)的面部識別算法的核心組成部分。面部識別算法正在呈指數(shù)級增長。根據(jù)NIST最近的一份報告，在過去的五年（2013-2018年）中，識別準確性取得了巨大的進步，超過了2010-2013年期間所取得的進步。

盡管存在一些實際挑戰(zhàn)，但是面部識別技術已廣泛應用于零售，汽車，銀行，醫(yī)療保健，市場營銷等各個行業(yè)。面部識別算法除了提高識別人的準確性外，還擴展了其在檢測面部表情和行為方面的范圍。
編輯：hfy