广州佩特电子科技有限公司

示例图片三
网站首页 > 新闻资讯 > 业界资讯

双目人脸识别解决方案专家解读人脸识别的深度学习技术

2019-08-20 16:17:24 广州佩特电子科技有限公司 已读

人脸识别早在上世纪60、70年代就被提出了,涌现了很多识别算法和技术,人脸识别技术一般包括了三个子模块,分别是人脸检测、特征提取和对特征进行分类。人脸识别研究的重点集中在人脸特征提取和特征分类的算法中。算法不断改进,使得特征的提取越来越准确、明确,分类器设计的越来越合理,识别精度在不断的提高。


佩特科技最近推出的双目人脸识别解决方案,同时推出可以直接在设备上配备的高性能双目摄像头,利用红外立体成像检测等技术,完成活体检测功能,实现精准的识别判定,识别精度高、速度快,人脸识别准确率可达到99.7%,极大地提升业务效率和安全性,给用户带来极致的“刷脸”体验。


人脸识别的技术流程中,分为多个步骤:人脸检测,截取图像预处理,人脸特征提取,将提取的特征进行“降维”和处理最后输入到分类器进行分类。人脸检测是人脸识别的第一步,其中包括标识出图片中的一张或多张人脸。然后根据对检测的人脸图片进行直方均值等处理,将处理好的图片放入卷积神经网络中进行特征提取和结果预测。


随着对人脸识别研究的深入,研究出了不同的人脸识别方法,分为以下几类:


(1)基于自然特征的提取

(2)使用模板对人脸进行匹配的方法

(3)基于神经网络人脸识别方法

(4)基于深度学习的人脸识别方法,目前研究热度最高、使用最广泛的基于卷积网络的人脸识别技术。


人脸识别技术的基础技术包括关键帧筛选和人脸识别技术。深度学习在传统神经网络架构上增加了池化层和卷积层,其中池化和卷积是对输入的数据集作非线性的特征提取操作。


深度学习是对输入的数据集做特征抽象化的处理,将特征抽象成矩阵的表现形式。深度学习特征提取方法和传统的手工提取特征的方法有所不同,手工提取特征是根据操作者的主观认知进行提取,不能现出数据集的整体分布式特征,并且手工提取所提取的特征数量较少,准确度较差,严重影响识别的精度。深度学习主要对数据集进行无监督的特征提取并构建一个或多个具有一定的深度的神经网络。


构建的深度学习网络对数据集进行多次训练得出一个准确的训练参数。深度学习能更加精确的提取图片的特征提高了特征提取的精度。池化层是将提取出的特征进行降维,减少进入全连接层和SoftMax特征向量的维度,提高卷积神经网络的实时性。

1.jpg

典型的深度学习可以分成三类:


(1)深度信念网络(deep beliefnetworks,DBN),应用广泛,灵活性强,容易扩展。但图像是一维特征,缺少空间特征。


(2)卷积神经网络(convolutional  neural  networks,CNN)是一种训练多层网络结构的深度学习算法,二维图像在卷积神经网络是最适合进行人脸识别的算法。


(3)第三类是混合型结构,混合型算法分为生成性部分和区分性部分,这两部分别使用最优化方法和区分性网络模型。


目前,卷积神经网络(CNN)具有训练所需参数少、便于操作的优点,近年来图像识别效果最好的神经网络。卷积神经网络一般四种结构,卷积层,池化层,全连接层和 SoftMax 层。


(1)卷积层:在传统的神经网络中基础上增加卷积的操作,对图像的卷积可以理解为一个滤波的过程。卷积神经网络对输入的图像或者二维的数据进行逐层的处理,有效提取输入图片或者数据的特征。


(2)池化层:是把卷积层卷积的图像不同位置的特征进行聚合,因为图像的像素点周围的其他像素点和该点有很高的相似度。经过池化层处理后,一个区域的像素点具备一种局部性的特征,达到降低图像特征维度,同时也使图像特征不容易拟合。


(3)全连接层和SoftMax 层:对传统的全连接处理后的数据做分类,可以对特征进行多分类操作。


技术发展趋势是深度学习技术,可作为人脸识别的主流研究方向,解决方案将是新技术与深度学习技术相结合。目前,仍然存在一些问题,如训练需要的时间较长,计算复杂度高,识别效率较低,需要 GPU 等设备的支持,遮挡问题如何解决等。


如何克服这些影响因素称为了目前研究的热点。克服这些影响因素的方法可以分为:基于特征的人脸检测方法,基于表象的人脸检测方法。基于特征的检测方法可以分为基于灰度特征和肤色特征的两种检测方法。基于特征的人脸检测应用较广,单一背景识别精度高,实时性高。但种识别方法要求色度较高,不能有遮挡物、背景要求单一化,否则识别效果大幅下降。


基于表象的人脸检测方法,常根据先验规则,特征提取前对人脸特征有一定的理解,并根据经验值进行提取。例如,五官的位置比例就具有对称性,且为中线对齐性质,根据这些规则来确定人脸特征的提取方法。


Powered by MetInfo 5.3.18 ©2008-2023 www.metinfo.cn