【直播回放】人脸识别系统项目讲解 2021年10月28日19点场
人脸识别系统项目讲解
应用场景
- 车站检票口身份比对
- 天眼系统，罪犯抓捕
- 人脸考勤机
- 人脸锁
- 人脸柜
- 人脸支付系统
目录
1、人脸识别系统架构介绍07:35
2、数据采集模块14:10
3、人脸检测模块18:54
4、人脸对齐模块30:27
5、人脸识别模块
41:13
6、人脸识别的两大关键技术
7、特征工程模块的发展历程
8、分类模块的发展历程
9、人脸识别的两大关键技术
1、人脸识别系统架构介绍
- 数据采集模块
- 人脸检测模块
- 人脸对齐模块：关键点用于更加精细的抠出人脸的轮廓，归一化便于将远近大小不同的人脸转换成为统一尺度进行比对
- 人脸识别模块
从硬件上来看，这几个模块并不一定都在一个产品里面：网络摄像头+服务器
2、数据采集模块
一般是由高清摄像头+补光系统组成：
- 可见光摄像头：自然光摄像头
- 红外摄像头：用于夜间拍摄
- 二维或者三维摄像头：（x,y,r,g,b）或（x,y,z,r,g,b）
- 单路或者多路摄像头:多路摄像头可以同时拍摄多张照片，在比较复杂的状况下应用比较多（可以解决姿态角度的问题）
- 本地摄像头或者网络摄像头
性能指标：
- 图像分辨率：分辨率越高越清晰
- 采集速度（fps）：一秒钟能够采集的图片的数量
3、人脸检测模块
主要是从一张图片中检测出有无人脸区域，如果有的话返回人脸区域（x,y,w,h）
- x,y：中心点坐标
- w,h：人脸区域的宽和高
性能指标：
- recall：召回率，返回人脸的个数占图片中实际人脸个数的比值
- mistake：误入，不是人脸的地方误认为是人脸
- 交并比：识别出来的区域与实际人脸所在区域，这两个区域的交集与他们的并集的比值
- 实时率：每秒能检测出多少张图片，检测速度
recall和mistake实际上是一对矛盾的指标，加强了recall可能会导致误入也会增多
常见算法：
- Adaboost：上世纪90年代提出来的，人脸识别第一代最经典的，基于统计学方法。通过加权的方法将很多rule分类器叠加起来构成了一个很强的分类器23:60
- Cascade CNN：堆叠起来很多层的卷积神经网络。
24:23
- DenseBox
- Faceness-Net
4、人脸对齐模块
在一张人脸图片中检测出多个特征点的位置，便于后续可以做更加精细的归一化
性能指标：
- 特征点距离误差：特征点检测坐标与真实坐标之间的差距离
- 实时率
典型算法：
- ASM、AAM31:18
- MTCNN
- bbr(bounding box regression)；主要是为了解决预测出的人脸区域和真实的人脸区域不匹配的问题35:13
5、人脸识别模块
- 利用深度卷积网络对注册的人脸信息进行特征提取，可以减少数据的存储量（由存储像素点的RGB信息转化成为存储由多个特征点构成的特征向量，大大减少了数据的存储量）
性能指标：
- recall：46:30
- mistake：46:58
- 实时率：每次卷积神经网络计算图片的时间
- 特征压缩率：47:23
6、人脸识别的两大关键技术：
- 人脸特征的构造：怎样从图片通过卷积神经网络得到一个多维特征向量，这个多维特征向量要保证只跟图片中人物的类别有关，跟图片的大小、形状，以及人物的姿态没有关系，如何学习出一个这样的神经网络，从而得到一个好的特征
- 分类器：分类以及特征向量的比对
7、特征工程模块的发展历程
- 早期：不管对象是什么，特征提取规则是固定的
- 中期：虽然用到了样本的信息，但是模型过于简单
8、分类模块的发展历程
9、人脸识别模块paper list
----end----
