人脸识别技术分析及测试.doc

人脸识别技术分析及测试.doc去年,人们的朋友圈被一个名为"how-old"的网页刷屏了,当用户把个人照片上传后,它
就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成的,它们分别是人
脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础,而年龄检测和性别检
测,它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、
收集可学习的数据,建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关
键点来得出结论,比如曈孔,眼角或鼻子——它们会随着年龄而发生明显的变化,
传统的人脸识别技术主要是基于可见光图像的人脸识别,这也是人们熟悉的识别方式,
已有30多年的研发历史。但这种方式有着难以克服的缺陷,尤其在环境光照发生变化时,
识别效果会急剧下降,无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别、
热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以
降下来,现在国内人脸识别前沿厂商多采用三维图像的方法。
人脸识别核心基础一算法
人脸识别最核心的基础是算法,主流算法大致有基于特征点、基于模板、基于光照估计
模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练
计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法,其细节隐藏在连接节点(神
经元)和节点之间的权值中,而这些权值却是没有明确现实意义的(无法确定哪些权值与哪
些属性有关,也就是说这种神经网络是同构的),这就导致了先验信息很难加入到网络的训
练过程中。但在实际应用中,如果知道权值与属性之间的对应关系,将会给深度神经网络的
应用带来非常大的便利。例如,已有一个用于人脸身份识别的深度神经网络模型和少量具有
种族标记的人脸图像数据(假设此种族的数据在之前训练数据中没有出现过),现在想更新网络参数并将此网络用于人脸种族识别。由于深度神经网络通常具有非常多(百万级)的参
数,当训练数据量较少时,直接对模型进行更新(所有权值都将被更新)通常会导致过拟合,
使网络性能变坏。但如果已知权值与"种族"这一属性的对应关系,那么就可以只对少量的
权值进行更新,使模型更加适合于人脸种族识别。基于以上原因,云从科技研发团队创新注
提出了异构深度神经网络模型(图1)。
0)ulul21-ejd sno(Dua)6OJ(Dl(Dr
异构深度神经网络不再是一个黑盒,其中的某些权值是与具体的属性相对应的,甚至网
络中的每层也可被设定为具有明确的含义,例如其神经元的激活值对应于某种粒度的特征。
利用大量具有属性标记的训练数据,采用多任务学习机制并在损失函数中加入稀疏性约束, 通过考察神经元对不同刺激的反馈,可建立网络单元与属性的映射关系,实现网络结构的语
义化。利用异构深度神经网络,可在人脸模型中方便地加入光照、遮挡、角度、年龄、种族
等多种先验信息,增强了模型的适应性和特征的表达能力。
对于跨场景人脸识别问题,例如人证比对,即验证身份证芯片照与现场照的身份是否一
致,由于两张照片失配程度较大(非同源、身份证照片分辨率低,两张照片年龄跨度大),
会导致特征空间中样本分布的差异性较大,导致比对失败。为了将两张照片映射到同一特征
空间中逬行比较在异构深度神经网络基础上云从科技提出