人脸识别技术分析及测试

人脸识别技术分析及测试

ID:22201155

大小:182.08 KB

页数:8页

时间:2018-10-27

人脸识别技术分析及测试_第1页
人脸识别技术分析及测试_第2页
人脸识别技术分析及测试_第3页
人脸识别技术分析及测试_第4页
人脸识别技术分析及测试_第5页
资源描述:

《人脸识别技术分析及测试》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、去年,人们的朋友圈被一个名为"how-old"的网页刷屏了,当用户把个人照片上传后,它就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成的,它们分别是人脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础,而年龄检测和性别检测,它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、收集可学习的数据,建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关键点来得出结论,比如曈孔,眼角或鼻子——它们会随着年龄而发生明显的变化,传统的人脸识别技术主要是基于可见光图像的人脸识别,这也是人们熟悉的识别方

2、式,已有30多年的研发历史。但这种方式有着难以克服的缺陷,尤其在环境光照发生变化时,识别效果会急剧下降,无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别、热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以降下来,现在国内人脸识别前沿厂商多采用三维图像的方法。人脸识别核心基础一算法人脸识别最核心的基础是算法,主流算法大致有基于特征点、基于模板、基于光照估计模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法,其细节隐藏在连接节点(

3、神经元)和节点之间的权值中,而这些权值却是没有明确现实意义的(无法确定哪些权值与哪些属性有关,也就是说这种神经网络是同构的),这就导致了先验信息很难加入到网络的训练过程中。但在实际应用中,如果知道权值与属性之间的对应关系,将会给深度神经网络的应用带来非常大的便利。例如,已有一个用于人脸身份识别的深度神经网络模型和少量具有种族标记的人脸图像数据(假设此种族的数据在之前训练数据中没有出现过),现在想更新去年,人们的朋友圈被一个名为"how-old"的网页刷屏了,当用户把个人照片上传后,它就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成

4、的,它们分别是人脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础,而年龄检测和性别检测,它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、收集可学习的数据,建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关键点来得出结论,比如曈孔,眼角或鼻子——它们会随着年龄而发生明显的变化,传统的人脸识别技术主要是基于可见光图像的人脸识别,这也是人们熟悉的识别方式,已有30多年的研发历史。但这种方式有着难以克服的缺陷,尤其在环境光照发生变化时,识别效果会急剧下降,无法满足实际系统的需要。解决光照问题的方案有三维图

5、像人脸识别、热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以降下来,现在国内人脸识别前沿厂商多采用三维图像的方法。人脸识别核心基础一算法人脸识别最核心的基础是算法,主流算法大致有基于特征点、基于模板、基于光照估计模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法,其细节隐藏在连接节点(神经元)和节点之间的权值中,而这些权值却是没有明确现实意义的(无法确定哪些权值与哪些属性有关,也就是说这种神经网络是同构的),这就导致了先验信息很难加入到

6、网络的训练过程中。但在实际应用中,如果知道权值与属性之间的对应关系,将会给深度神经网络的应用带来非常大的便利。例如,已有一个用于人脸身份识别的深度神经网络模型和少量具有种族标记的人脸图像数据(假设此种族的数据在之前训练数据中没有出现过),现在想更新网络参数并将此网络用于人脸种族识别。由于深度神经网络通常具有非常多(百万级)的参数,当训练数据量较少时,直接对模型进行更新(所有权值都将被更新)通常会导致过拟合,使网络性能变坏。但如果已知权值与"种族"这一属性的对应关系,那么就可以只对少量的权值进行更新,使模型更加适合于人脸种族识别。基于以上原因,云从科技

7、研发团队创新注提出了异构深度神经网络模型(图1)。0)ulul21-ejdsno(Dua)6OJ(Dl(Dr异构深度神经网络不再是一个黑盒,其中的某些权值是与具体的属性相对应的,甚至网络中的每层也可被设定为具有明确的含义,例如其神经元的激活值对应于某种粒度的特征。利用大量具有属性标记的训练数据,采用多任务学习机制并在损失函数中加入稀疏性约束,通过考察神经元对不同刺激的反馈,可建立网络单元与属性的映射关系,实现网络结构的语义化。利用异构深度神经网络,可在人脸模型中方便地加入光照、遮挡、角度、年龄、种族等多种先验信息,增强了模型的适应性和特征的表达能力。

8、对于跨场景人脸识别问题,例如人证比对,即验证身份证芯片照与现场照的身份是否一致,由于两张照片失配程度较大(非

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。