ZLG深度解析—人脸识别核心技术
二、人脸定位
面部特征点定位在人脸识别、表情识别、人脸动画等人脸分析任务中至关重要的一环。人脸定位算法需要选取若干个面部特征点，点越多越精细，但同时计算量也越大。兼顾精确度和效率，我们选用双眼中心点、鼻尖及嘴角五个特征点。经测试，它们在表情、姿态、肤色等差异上均表现出很好的鲁棒性。
人脸定位接口程序如下所示，需要先加载预先训练好的模型，再进行定位检测：
人脸定位程序的效果如下所示：
本算法在AFLW数据集上的定位误差及与其他算法的对比情况：
三、人脸校准
本步骤目的是摆正人脸，将人脸置于图像中央，减小后续比对模型的计算压力，提升比对的精度。主要利用人脸定位获得的5个特征点（人脸的双眼、鼻尖及嘴角）获取仿射变换矩阵，通过仿射变换实现人脸的摆正。
目标图形以（x，y）为轴心顺时针旋转Θ弧度，变换矩阵为：
人脸校准C＋＋代码可参考如下所示：
一般此步骤不建议使用外部库做变换，所以这里提供仿射变换python源码以供参考：
人脸校准的效果如图所示：
四、人脸对比
人脸比对和人脸身份认证的前提是需要提取人脸独有的特征点信息。在人脸校准之后可以利用深度神经网络，将输入的人脸进行特征提取。如将112×112×3的脸部图像提取256个浮点数据特征信息，并将其作为人脸的唯一标识。在注册阶段把256个浮点数据输入系统，而认证阶段则提取系统存储的数据与当前图像新生成的256个浮点数据进行比对最终得到人脸比对结果。
人脸比对流程的示意图如下所示：
通过神经网络算法得到的特征点示意图如下：
而人脸比对则是对256个浮点数据之间进行距离运算。计算方式常用的有两种，一种是欧式距离，一种是余弦距离。x，y向量欧式距离定义如下：
x，y向量之间余弦距离定义如下：
余弦距离或欧式距离越大，则两个特征值相似度越低，属于同一个人的可能性越小。如下图，他们的脸部差异值为0．4296 大于上文所说的该模型最佳阈值0．36，此时判断两人为不同的人，可见结果是正确的。
把归一化为－1到1的图像数据、特征点提取模型的参数还有人脸数据库输入到人脸比对的函数接口face＿recgnition，即可得人脸认证结果。程序接口的简单调用方式如下所示：
人脸比对算法的准确率方面是以查准率为保证的，AUC （Area under curve）＝0．998，ROC曲线图如下所示：
我们设计的比对模型主要特点是模型参数少、计算量少并能保证高的准确率，一定程度上适合在嵌入端进行布置。对比其他人脸比对模型差异如下表格所示：
far＠1e－3表示将反例判定为正例的概率控制在千分之一以下时，模型仍能保持的准确率；
dlib在实际测试中，存在detector检测不出人脸的情况，导致最终效果与官网上有一定差异；
resnet－18为pytorch的playground标准模型；
lfw／agedb＿30／cfp＿ff为标准人脸比对测试库，测试过程中图片已经过人脸居中处理。
分享
最新活动更多
-
11月28日立即报名>>> 2024工程师系列—工业电子技术在线会议
-
12月19日立即报名>> 【线下会议】OFweek 2024（第九届）物联网产业大会
-
即日-12.26火热报名中>> OFweek2024中国智造CIO在线峰会
-
即日-2025.8.1立即下载>> 《2024智能制造产业高端化、智能化、绿色化发展蓝皮书》
-
精彩回顾立即查看>> 2024 智能家居出海论坛
-
精彩回顾立即查看>> 【在线会议】多物理场仿真助跑新能源汽车
推荐专题
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论