基于深度学习的人脸识别技术综述.docx

《基于深度学习的人脸识别技术综述.docx》由会员分享，可在线阅读，更多相关《基于深度学习的人脸识别技术综述.docx（17页珍藏版）》请在第一文库网上搜索。

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1FW数据集上(1abe1edFacesintheWi1d)获得优秀结果的方法；二，是采用深度学习的方法。前言1FW数据集(1abe1edFacesintheWi1d)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，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

2、中评价标准：，Unsupervised；二，Image-restrictedwithnooutsidedata；三，Unrestrictedwithnooutsidedata；四，Image-restrictedwith1abe1-freeoutsidedata；五，Unrestrictedwith1abe1-freeoutsidedata；六，Unrestrictedwith1abe1edoutsidedatao目前，人工在该数据集上的准确率在0.94270.9920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，比方face+,Deep1D

3、3,Human,funne1ed110.9920Human,cropped110.9753Human,inversemask110.9427Tab1e7:Meanc1assificationaccuracyuandstandarderrorofthemeanS.FaCeNet等。Figure7:ROCcurvesaveragedover10fo1dsofView2.图一/表一：人类在1FW数据集上的识别精度表二*第六种标准下，局部模型的识别准确率详情参见IfW结果)Unrestricted,1abe1edOutsideDataResu1tsSimi1ec1assifiers110.84720.

4、0041AttributeandSimi1ec1assifiers110.85540.0035Mu1tip1e1Ecomp140.84450.0046Associate-Predict180.90570.0056Tom-VS-Pete0.93100.0135Tom-VS-PeteAttribute230.93300.0128combinedJointBayesian260.92420.0108high-dimIBP?0.95170.0113DFD330.84020.0044T1JointBayeSian340.96330.0108r2011b190.91300.0030Face+40.9950

5、0.0036DeePFaCe-ensemb1e410.97350.0025ConvNet-RBM420.92520.0038POOF-gradhist40.93130.0040POOF-HOG440.92800.0047FRFCN450.96450.0025DeepID460.97450.0026GaussianFace470.98520.0066DeepID2480.99150.0013TCIT530.93330.0124DeepID2+550.99470.0012560.98080.0016DeepID3570.99530.0010insky.so590.95510.0013Uni-Ub1

6、600.99000.0032FaceNet620.99630.0009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,公布了方法局部结果为商业公司提交,方法并未公布，比方Tencent-Best1mage)；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,DeepID0.9745)；5,FaceNet(0.9963)；6,baidu的方法f0.9977)；7,pose+shape+expressionaugment

7、ation(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,face+(0.9950)参考文献：Naive-DeepfaceRecognition:Touchingthe1imitof1FWBenchmarkorNot?face+从网络上搜集了5mi11ion张人脸图片用于训练深度卷积神经网络模型，在1FW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1FW数据集上到达了0.995的准确率

8、。在真实场景测试中(ChineseID(CH1D),该系统的假阳性率(FP=10-5)非常低。但是，真阳性率仅为0.66,没有到达真实场景应用要求。其中，年龄差异(包括intravariatiom同一个人，不同年龄照片；以及interwariation：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(CH1D)下，人类表现的准确率大于0.90。Figure5.SomeFai1edCasesintheCHTDBenchmark.TherecognitionsystemsuffersfromtheagevariationsintheCHIDbenchmark,inc1udingin

9、tra-variation(ic,samepersonsfacescapturedindifferentage)andinter-variation(i.e.,peop1ewithdifferentages).Because1itt1eagevariationiscapturedbytheweb-co11ecteddata,notsurprising1y,thesystemcanotwe11hand1ethisvariation.Indeed,wedohumantestonai1thesefai1edcases.Resu1tsshowthat90%fai1edcasescanbeso1vedb

10、yhuman.Theresti11existsabiggapbetweenmachinerecognitionandhuman1eve1.图1-1：在CH1D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,大局部采集的照片都是：微笑，化装，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1FW数据集上有高准确率，在现实场景中准确率很低。批注p1:假阳性率，英语名称：fa1sepositiverate,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。批注p2:真阳性率（t

11、ruepositiverate,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。它反映筛检试验发现病人的能力。问题三：模型测试I假阳性率I非常低，但是现实应用中，人们更关注真阳性率I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，该文章提好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（比方，难以搜集大量的单个个体不同年龄段的照片，可以

12、采用人脸合成的方法（比方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表达。2, DeepFace（0.97351参考文献：Deepface:C1osingthegaptohma1-1eve1performanceinfaceverification2.1 简介常规人脸识别流程是：人脸检测对齐表达分类。本文中，我们通过额外的3d模型改良了人脸对齐的方法。然后，通过基于4mi11ion人脸图像（4000个个体）训练的一个9层的人工神经网络来进行人脸特征表达。我们的模型在1FW数据集上取得了0.9735的准确率。该文章的亮点有以下几点：一，基于3d模型的人脸对齐方法

13、；二，大数据训练的人工神经网络。2.2 人脸对齐方法文中使用的人脸对齐方法包括以下几步：1,通过6个特征点检测人脸；2,剪切；3,建立De1aUnaytriangu1ation；4,参考标准3d模型；5,将3d模型比对到图片上；6,进行仿射变形；7,最终生成正面图像。(0(g)(h)Figure1.A1ignmentpipe1ine,(a)Thedetectedface,with6initia1fiducia1points,(b)Theinduced2D-a1ignedcrop.(C)67fiducia1pointsonIhe2D-a1ignedcropwiththeircorrespondi

14、ngDe1aunay(riangu1a1ion,weaddedtriang1esonthecontour(oavoiddiscontinuities,(d)Thereference3Dshapetransformedtothe2D-a1ignedcropimage-p1ane,(e)Triang1evisibi1ityw.r.t.tothefitted3D-2Dcamera;b1acktriang1esare1essvisib1e,(f)The67fiducia1pointsinducedbythe3Dmode1thatareusingtodirectthepiece-wiseaftinewa

15、rpping,(g)Thefina1Ironta1izedcrop,(h)Anewviewgeneratedbythe3Dmode1(notusedinthispaper).图2-1人脸对齐的流程2.3 深度神经网络IiIgure2.Ou11iiicOf1heIkrpFacfarth11cdurtAfroni-cndofusing1eumsu1utkt-poding-fn1utoIiIMf啤nthefec1hednn1fo11ucdb)thnttocaUyDnnCdCdMyerSandwfu11yCtmnetied1ayer*.Citmtchan120mi11ionPMI1mc1in.wheremoreIhanconicfromhcka1andfu11yCOnnedNijtr.图2-2：深度神经网络2.4 结果该模型在1FW数据集上取得了0.9735准确率,在其它数据集比方Socia1FaceC1assification(SFC)dat