人脸识别

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)

如何通过OpenFace实现人脸识别框架

本文中,笔者将介绍OpenFace中实现人脸识别的pipeline,这个pipeline可以看做是使用深度卷积网络处理人脸问题的一个基本框架,很有学习价值,它的结构如上图所示:

Input Image -> Detect

输入:原始的可能含有人脸的图像。

输出:人脸位置的bounding box。

这一步一般我们称之为“人脸检测”(Face Detection),在OpenFace中,使用的是dlib、OpenCV现有的人脸检测方法。此方法与深度学习无关,使用的特征是传统计算机视觉中的方法(一般是Hog、Haar等特征)。

对人脸检测这一步感兴趣的可以参考下列资料:

dlib的实现:http://blog.dlib.net/2014/02/dlib-186-released-make-your-own-object.html
openCV的实现:Face Detection using Haar Cascades

Detect -> Transform -> Crop

输入:原始图像 + 人脸位置bounding box

输出:“校准”过的只含有人脸的图像

人脸识别:人脑认知与计算机算法(四)

本篇主题:生成、反馈 与 判别

人类学习的过程中伴随着 模仿(生成)、评估(判别或反馈)以及改进,反馈和评估来地越准确越高效,学习的效率也会越高[1]。没有任何形式的反馈,我们不能习得任何能力,而是闭门造车、不断的重复同样的错误,如悲剧性的西西弗斯一般[2]。在强化学习(Reinforcement Learning)中, Agent的学习需要不断的与环境交换信息,从自己的行动产生的结果(评估和反馈)和新的探索选项(Trial and Error)中得到下一步的行走策略。行动产生的结果由回报函数产生,训练的目的和过程在于使汇报函数最大,而不在乎每步训练的精确步骤和策略[3]。人工智能领域的强化学习算法是通过模拟人类学习过程的特征得来的[4]。

人脸识别:人脑认知与计算机算法(三)

本篇主题:层次模型 (Hierarchical Model)

视觉皮层是第一个被现代神经解剖学就定义的功能皮层区域,其解剖特征和功能特征都是高度的结构化的。同时,视觉皮层占有的皮层表面积/体积又很大,这客观上方便了视觉皮层的解剖结构和认知功能的研究。因此,不难理解地,视觉皮层和视觉功能是我们在神经科学方面研究最为深入、理解最为透彻的。

人脑的视觉信号传导通路,在进入大脑皮层之前是高度的结构化的、分工明确的。而且一般认为,视觉信息在进入大脑皮层前,人脑几乎被把它做任何实质意义上的处理,也不从中提取有用的信息 [1]。

人脸识别:人脑认知与计算机算法(三)

三款Unity插件带您玩转人脸识别与模拟

若想让游戏或电影中的虚拟角色表现得更加真实,面部表情是至关重要的。人脸识别技术则借助真人表演来为虚拟角色赋予丰富的表情与面部动作,小至皱眉带动眼部肌肉的抽动,大致对话时嘴唇的张合,均可通过人脸识别技术来实现。

本文为大家介绍三款在Unity中实现人脸识别的插件,再结合Unity引擎的实时渲染功能,轻松定制出次世代的虚拟角色。

NaturalFront 3D Face Animation Plugin Pro

如果想要构建三维人脸模型,却没有Kinect这类动作捕捉硬件,别担心,Unity可以用一张照片帮助您实现人脸模型构建。NaturalFront 3D Face Animation Plugin Pro可以帮您以FBX格式导出自定义的高质量3D头部模型及逼真的动画,能为动画设计师与爱好者们节省大量建模和动画制作的时间。

人脸识别:人脑认知与计算机算法(二)

本篇主题:外在特征与内在特征

上一篇中我们提到了外在特征与内在特征的概念,简单的说,外在特征(external features)指的是头发(颜色、发型)、脸部轮廓、脸颊等,内在特征(internal features)指的是眼睛、鼻子和嘴巴以及它们之间的内在关系 [1]。


同步内容
--电子创新网--
粤ICP备12070055号