基于深度学习的人脸识别技术综述

《基于深度学习的人脸识别技术综述》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于深度学习的人脸识别技术综述简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在LFW数据集上（LabeledFacesintheWild）获得优秀结果的方法;二，是采用深度学习的方法。前言LFW数据集（LabeledFacesintheWild）是目前用得最多的人脸图像数据库。该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图，

2、少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准：一，Unsupervised；二，Image-restrictedwithnooutsidedata；三，Unrestrictedwithnooutsidedata；四，Image-restrictedwithlabel-freeoutsidedata；五，Unrestrictedwithlabel-freeoutsidedata；六，Unrestrictedwithlabeledouts

3、idedata。目前，人工在该数据集上的准确率在0.9427~0.9920。在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比如face++,DeepID3，FaceNet等。图一/表一：人类在LFW数据集上的识别精度表二：第六种标准下，部分模型的识别准确率（详情参见lfw结果）续上表本文综述的人脸识别方法包括以下几个筛选标准：一，在上表中识别精度超过0.95（超过人类的识别准确度）；二，公布了方法（部分结果为商业公司提交，方法并未公布，比如T

4、encent-BestImage）；三，使用深度学习方法；三，近两年的结果。本文综述的方法包括：1，face++（0.9950）；2，DeepFace（0.9735）；3,FR+FCN（0.9645）；4，DeepID（0.9745）；5，FaceNet（0.9963）；6，baidu的方法（0.9977）；7,pose+shape+expressionaugmentation（0.9807）；8，CNN-3DMMestimation(0.9235，准确率没那么高，但是值得参考)。人脸识别方法1，

5、face++(0.9950)参考文献：Naive-DeepfaceRecognition:TouchingtheLimitofLFWBenchmarkorNot?face++从网络上搜集了5million张人脸图片用于训练深度卷积神经网络模型，在LFW数据集上准确率非常高。该篇文章的网路模型很常规（常规深度卷积神经网络模型），但是提出的问题是值得参考的。问题一：他们的MegviiFaceRecognitionSystem经过训练后，在LFW数据集上达到了0.995的准确率。在真实场景测试中（Chi

6、neseID（CHID）），该系统的假阳性率（FP=10-5）非常低。但是，真阳性率仅为0.66，没有达到真实场景应用要求。其中，年龄差异（包括intra-variation：同一个人，不同年龄照片；以及inter-variation：不同人，不同年龄照片）是影响模型准确率原因之一。而在该测试标准(CHID)下，人类表现的准确率大于0.90。图1-1：在CHID中出错的样本问题二：数据采集偏差。基于网络采集的人脸数据集存在偏差。这些偏差表现在：1，个体之间照片数量差异很大；2，大部分采集的照片都是

7、：微笑，化妆，年轻，漂亮的图片。这些和真实场景中差异较大。因此，尽管系统在LFW数据集上有高准确率，在现实场景中准确率很低。问题三：模型测试假阳性率假阳性率，英语名称：falsepositiverate，FPR.通俗名称：误诊率或第Ⅰ类错误的。解释：即实际无病或阴性，但被判为有病或阳性的百分比。非常低，但是现实应用中，人们更关注真阳性率真阳性率(truepositiverate，TPR)，又称敏感度(sensitivity，SEN)，即实际有病而按该筛检试验的标准被正确地判为有病的百分比。它反映筛

8、检试验发现病人的能力。。问题四：人脸图片的角度，光线，闭合（开口、闭口）和年龄等差异相互的作用，导致人脸识别系统现实应用准确率很低。因此，该文章提出未来进一步研究的方向。方向一：从视频中提取训练数据。视频中人脸画面接近于现实应用场景（变化的角度，光照，表情等）；方向二：通过人脸合成方法增加训练数据。因为单个个体不同的照片很困难（比如，难以搜集大量的单个个体不同年龄段的照片，可以采用人脸合成的方法（比如3D人脸重建）生成单个个体不同年龄段的照片）。该文章提出的方向在后续方法介绍中均有