人脸识别

人脸识别活体检测的一些方法

人脸识别活体检测

在生物识别系统中,为防止恶意者伪造和窃取他人的生物特征用于身份认证,生物识别系统需具有活体检测功能,即判断提交的生物特征是否来自有生命的个体。

一般生物特征的活体检测技术利用的是人们的生理特征,例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息,活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息,活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。

随着人脸识别技术日趋成熟,商业化应用愈加广泛,然而人脸极易用照片、视频等方式进行复制,因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。目前基于动态视频人脸检测、人脸眨眼、热红外与可见光人脸关联等领先业界的活体检测方法,已经取得了一定的进步。

动作指令活体检测

人脸识别技术主要算法原理

主流的人脸识别技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。

1. 基于几何特征的方法是最早、最传统的方法,通常需要和其他算法结合才能有比较好的效果;
2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3. 基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的方法等。

1. 基于几何特征的方法

人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。

采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。

人脸识别算法中的一些重要的算法

人脸识别经过近 40 年的发展,取得了很大的发展,涌现出了大量的识别算法。这些算法的涉及面非常广泛,包括模式识别、图像处理、计算机视觉、人工智能、统计学习、神经网络、小波分析、子空间理论和流形学习等众多学科。所以很难用一个统一的标准对这些算法进行分类。根据输入数据形式的不同可分为基于静态图像的人脸识别和基于视频图像的人脸识别。因为基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别,所以只有那些使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。接下来分别介绍两类人脸识别算法中的一些重要的算法。

特征脸

特征脸方法利用主分量分析进行降维和提取特征。主分量分析是一种应用十分广泛的数据降维技术,该方法选择与原数据协方差矩阵前几个最大特征值对应的特征向量构成一组基,以达到最佳表征原数据的目的。因为由主分量分析提取的特征向量返回成图像时,看上去仍像人脸,所以这些特征向量被称为“特征脸”。

在人脸识别中,由一组特征脸基图象张成一个特征脸子空间,任何一幅人脸图象(减去平均人脸后)都可投影到该子空间,得到一个权值向量。计算此向量和训练集中每个人的权值向量之间的欧式距离,取最小距离所对应的人脸图像的身份作为测试人脸图像的身份。

深入浅出谈人脸识别技术

在深度学习出现后,人脸识别技术才真正有了可用性。这是因为之前的机器学习技术中,难以从图片中取出合适的特征值。轮廓?颜色?眼睛?如此多的面孔,且随着年纪、光线、拍摄角度、气色、表情、化妆、佩饰挂件等等的不同,同一个人的面孔照片在照片象素层面上差别很大,凭借专家们的经验与试错难以取出准确率较高的特征值,自然也没法对这些特征值进一步分类。深度学习的最大优势在于由训练算法自行调整参数权重,构造出一个准确率较高的f(x)函数,给定一张照片则可以获取到特征值,进而再归类。

本文中笔者试图用通俗的语言探讨人脸识别技术,首先概述人脸识别技术,接着探讨深度学习有效的原因以及梯度下降为什么可以训练出合适的权重参数,最后描述基于CNN卷积神经网络的人脸识别。

一、人脸识别技术概述

人脸识别技术大致由人脸检测和人脸识别两个环节组成。

什么是人脸识别,主要的应用于哪些场景?

如今,在人与人相连的时代,围绕人提供的服务首先要解决的是辨识人的身份,为此人们发明了很多卡、证作为识别人身份的依据,这种身份识别本质上是“见物如见人,认物不认人”,它忽视了人们最本质的需要,解决老问题的同时,也带来一些新的问题。顺应时代的潮流,充分利用人脸识别技术,强调人脸大数据共享和开放,建设人像库、人脸卡口系统。人脸识别技术可广泛应用于智慧警务和智慧城市建设,为全社会提供智慧人脸服务。

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。针对输入的人脸图像或者视频流,首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。然后依据这些信息,进一步提取每个人脸中所蕴涵的身份特征数据,并将其与已知的人脸进行对比,从而识别每个人脸的身份。人脸识别主要用于身份识别。由于视频监控正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求远距离快速确认人员身份,实现智能预警,而人脸识别技术无疑是最佳的选择。

人脸识别系统,可以广泛应用于公安、金融、机场、地铁、边防口岸等多个对人员身份进行自然比对识别的重要领域。

应用场景:身份证查验,确保真实证件

安防已经成为人工智能落地场景中的重要赛道,其涉及的智能视频分析、人脸识别等关键技术也在研究领域受到了极大的关注。那么安防领域中涉及的人脸识别有何痛点?人工智能+安防的未来又有哪些新的趋势?

10月29日,2017年第十六届中国国际公共安全博览会(CPSE安博会)在中国深圳会展中心开幕。在政府管理论坛上,清华大学媒体大数据认知计算研究中心主任王生进教授发表了题为《人像态势识别及其在智能视频监控中的应用》的演讲,他指出,目前我国视频监控建设卓有成效,摄像头的数量惊人,达到了2000多万个。如此大量级的数据只依靠人工监控已经无法实现大规模视频监控,急需人工智能以及智能分析技术有效的技术支撑。

王生进教授从三个方面阐述了人脸识别在安防中的应用:
1、新一代人工智能发展与智能安防;
2、人脸识别技术与应用系统;
3、以人为中心的安防理念与人像态视识别。

一、新一代人工智能发展与智能安防

“刷脸”时代 个人隐私保护需要多方作为

刷脸进站、刷脸取款、刷脸支付、刷脸报到……随着人脸识别技术的日渐成熟,“刷脸”时代正在到来。在业内人士看来,人脸识别技术正在不断突破各个行业应用的“阈值”,带来日趋丰富的应用场景。有专家指出,人脸特征与指纹、虹膜相比,是一个具有弱隐私的生物特征。例如,很多人都会发自拍照,也是相对公开的特征。如何保证用户数据安全尤为关键。

“刷脸”时代 个人隐私保护需要多方作为

如今,物联网、大数据、云计算、生物识别、自动驾驶等各个领域的技术,都处在爆发增长的临界点。其中,生物识别技术近年来商用速度不断加快,应用范围愈发广泛。随着人工智能等前沿技术的快速发展,面部识别技术正迎来应用普及的风口,在生物识别的众多细分领域中,面部识别更是佼佼者。不过,虽说“人脸识别”技术推动了诸多领域的变革,但其对于公民隐私保护造成的威胁性也值得重视。

【视频】Demo -- 借助PowerVR GPU和OpenCL实现人脸检测和识别

下面的视频展示了视觉处理方面更实际的一个Demo的运行情况,还使用了PowerVR深度神经网络(DNN)库,这两者都是由PowerVR研究团队和视觉团队开发的。这个深度神经网络库采用高级指令、权值和偏差并转换成GPU可以处理的数据,然后我们继续采用OpenCL库对这个网络进行实时处理。
文章链接:借助PowerVR GPU和OpenCL实现人脸检测和识别

未来即将“触脸可及”,人脸识别技术大揭秘!

今天,我们将从技术专家给出的流程图切入,对“你最像哪位明星?”这张小应用对比照背后的基本流程与算法做解析。

未来即将“触脸可及”,人脸识别技术大揭秘!
“你最像哪位明星?”对比照

未来即将“触脸可及”,人脸识别技术大揭秘!
图1:人脸技术的基本流程

如图 1 所示,用户在应用中输入一张图像(例如:特朗普的图像),人脸识别的基本流程如下:
• 通过人脸检测技术,找到输入图像中的人脸位置。
• 关键点定位技术,将人脸中的关键点位置找到,例如:眼睛、鼻子、嘴巴以及轮廓上的关键点。

研究人脸识别技术必须知道的十个基本概念

1. 人脸检测

“人脸检测(Face Detection)”是检测出图像中人脸所在位置的一项技术。

人脸检测算法的输入是一张图片,输出是人脸框坐标序列(0个人脸框或1个人脸框或多个人脸框)。一般情况下,输出的人脸坐标框为一个正朝上的正方形,但也有一些人脸检测技术输出的是正朝上的矩形,或者是带旋转方向的矩形。

常见的人脸检测算法基本是一个“扫描”加“判别”的过程,即算法在图像范围内扫描,再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸、图像内容相关。开发过程中,我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、或“人脸数量上限”的方式来加速算法。

图1、人脸检测结果举例(绿色框为人脸检测结果)
图1、人脸检测结果举例(绿色框为人脸检测结果)

同步内容
--电子创新网--
粤ICP备12070055号