返回首页

网站导航
资讯首页> 建筑工程 > 人脸识别技术与应用系统 人脸识别门禁系统

    人脸识别技术与应用系统 人脸识别门禁系统

    建筑工程2017年11月08日
    分享
    人脸识别技术通过采用摄像机或摄像头,采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关处理技术,通常包括:人脸检测、人脸跟踪、人脸五官定位、人脸归一化、特征提取、分类器训练和比对匹配,以达到识别不同人身份的目的。被广泛地应用在安全、认证等身份鉴别领域,因而被誉为”21世纪十大影响人类生活“的革命性技术。



    人脸识别从应用上一般分为人脸检测,人脸五官定位,1:1人脸识别,1:N人脸识别,M:N动态布控。人脸检测与五官定位应用方向:客流量统计,视频检索等。智能贴图,智能美妆美颜,变脸特效等:


    1:1人脸识别应用方向是指身份证人脸认证系统,社保人脸识别。


    1:N人脸识别应用方向是指身份证照片查重,护照照片查重。比如你现在要做一个护照,你是张三,公安部门会到人口库里面查一下,看你会不会是顶替,也就是一人多证。


    M:N人脸识别应用方向是指动态监控,黑名单监控,VIP客户管理系统,校园人脸识别系统,智能楼宇。


    人脸识别技术,近两年发展非常迅速。基于机器学习的人脸识别方法方面,人脸识别方法总体上可分为三大类:


    一是基于统计的识别方法,主要包括特征脸(Eigenface)方法、隐马尔科夫模型方法、子空间法等;二是基于网络连接机制的识别方法,包括人工神经网络(ANN)方法和弹性图匹配方法等;三是几何特征方法和三维模型等一些其他的综合方法。


    1、人脸识别核心课题


    人脸识别的过程:令x为一个待识别的人脸输入,F(x)为一个分类器函数,y是关于x的类别标签输出。人脸识别的关键,是获得高性能的F函数。传统的人脸识别的方法(Deep Learning以前):F分类器函数的构建,主要是分步处理、人工设计的。


    基于统计学习的人脸识别方法得到了广泛的应用。人脸识别当前遇到的主要困难包括:

        人脸面部结构的相似性

        人脸的姿态变化

        人脸的表情变化

        复杂环境的光照变化

        人脸的饰物遮挡

        人脸的年龄变化


    以上问题给人脸识别带来了相当大的挑战。随着深度学习的发展,我们遇到的困难得到了解决。


    2、人工智能新浪潮的关键技术——深度学习


    人工神经网络是一种端到端的机器学习方法(全步骤一次性学习)。端到端的学习方法一出现给人工智能带来了巨大的推动,应用在AlphaGo,图像识别,语音识别,无人驾驶,VR/AR,智能交通,智能视频,智慧医疗,智能制造。


    3.人脸识别关键技术


    人脸检测:判断输入图像中是否存在人脸;如果存在人脸,返回人脸所在的位置。


    关键点定位:确定人脸中眼角、鼻尖和嘴角等关键点所在的位置,为人脸的对齐和归一化做准备。


    人脸归一化:根据关键点的位置,采用相似变换,将人脸对齐到标准脸关键点,并裁剪成统一大小。


    特征提取:利用海量数据,训练卷积神经网络;将人脸图像表示成具有高层语义信息的特征向量。


    特征比对:主要是利用Metric Learning等技术,进一步提升识别准确率。



    4.人脸检测技术


    基于A CNN Cascade for FaceDetection框架。一共6个CNN,3个detection-net用于判断输入的区域是否是人;3个calibration-net对输入的人脸框进行校正,得到更加准确的人脸框。检测过程中采用NMS消除高度重叠的窗口。


    人脸识别网络。针对不同人脸识别场景,设计了多种网络架构,以适应不同场景(速度、精度)的要求。图是我设计的一个网络,左边的网络具有速度快的特点,仅需要5毫秒的CPU时间,在LFW上的识别准确率为97.28%,主要用于对实时性要求高的场景。右边的网络,RES-FaceNet,一共包含26个卷积层,5个max-pooling和1个全连接,单个model在LFW上的识别准确率可达99.22%。