人臉識別==分類
阿新 • • 發佈:2018-11-25
人臉識別主要有四個研究方向,分別為人臉檢測,人臉關鍵點檢測,人臉比對和人臉屬性檢測.
1 人臉檢測
人臉檢測即檢測並定位採集圖片中人臉的位置,大小和姿態.(返回高精度的人臉框框座標).
研究難點:
- 人臉外形變化
(1) 不同的外貌如臉型,膚色等,不同的表情如眼睛,嘴巴的開與閉等;
(2) 人臉的遮擋,如眼鏡,頭髮,帽子等;
(3) 化妝,年齡,鬍鬚等; - 外部條件的變化
(1) 成像角度不同,造成人臉姿態變化,如平面內旋轉,深度旋轉及上下旋轉,其中深度旋轉影響較大;
(2) 光照影響,圖片亮度,對比度的變化等;
(3) 影象的成像條件,如攝像裝置的焦距,成像距離,影象獲取途徑等;
2 人臉關鍵點檢測
人臉關鍵點檢測即在目標圖片中定位出人臉面部的關鍵區域位置,包括眉毛,眼睛,鼻子,嘴巴和臉部輪廓.關鍵點檢測點數有68點和106點兩類.演算法分為三類:
- 基於模型
- 基於級聯迴歸
- 基於深度學習
類別 | 演算法 |
---|---|
基於模型 | ASM(ActiveShape Models),AAM(Active Appearance Models), |
基於級聯迴歸 | CPR(Cascaded Pose regression) |
基於深度學習 | DCNN(Deep Convolutional Nerual Network),TCDCN(Tasks-Constrained Deep Convolutional Networks),MTCNN(Multi-task Convolutinal Neural Networks),TCNN(Tweaked Convlutional Neraual Networks),DAN(Deep Alignment Networks) |
3 人臉比對
人臉驗證即分析兩張圖片中的臉屬於一個人的可能性大小.輸入兩張人臉影象,輸出置信度分數和相應的閾值,評估兩張人臉相似度.
- 置信度
也成為可靠度或置信水平,置信係數,即在抽樣對總體引數作出估計時,由於樣本的隨機性,其結論總是不確定的.因此採用一種概率的陳述方法,即數理統計中的區間估計法,估計值與總體引數在一定允許誤差範圍內,相應的概率是多大,這個概率即是置信度. - 閾值(threshold)
閾值又稱臨界值,是指一個效應能夠產生的最高或最低值.人臉識別閾值決定識別成功與否,設為80%,則達到80%以上就會判定為同一個人.
人臉對比的指標
- 誤識率(False Acceptance Rate, FAR)
將其他人錯誤識別為指定人員的概率,將本應匹配失敗的判定為匹配成功;
其中,NFA為錯誤接受次數,NIRA類間測試總次數; - 誤拒率(False Rejection Rate, FRR)
將指定人員誤作為其他人員的概率,將本應匹配成功的判定為匹配失敗;
其中,NFR為錯誤拒絕次數,NGRA為類內測試總次數; - 例子
n張人臉
非同人比較次數:
一般地,FAR=0.001時,FRR的值作為參考,值越小,效能越好.因此,用錯誤率(Equal Error Rate, ERR)作為效能指標,調節閾值,是FAR與FRR相等,即FAR=FRR是對應Thres.
4 人臉屬性檢測
人臉屬性檢測包括表情(高興,正常,生氣,憤怒),年齡(年齡段),性別和種族(膚色),是否有鬍鬚,是否戴眼鏡等.