【最新密码】泰首智能gface5人脸识别算法介绍.docVIP

泰首智能Gface5人脸识别算法的简介 1 身份证识别模块和与身份核查设备的集成 图1身份证识别模块示意图 第二代身份证采用非接触式IC卡技术的二代证，可以实现个人身份信息的交流，二代证读取系统包括身份证卡、阅读器和应用软件三大部分组成。该模块通过标准协议读取身份证信息以及存在芯片的照片文件，同时启动核查设备的摄像头，抓取当前用户的实时视频以及人脸图像，最后通过USB口将身份证照片和摄像照片传给中心CPU或处理单元，用于下一步处理。 2 基于深度学习的人脸比对框架 在实际应用中，利用人脸验证技术可以确认身份证、护照、驾驶证等证件的真假，可以鉴别某个人是否是合法人员；可以在火车站、地铁站、飞机场等人流量大的地方快速搜索指定嫌疑人。从技术研究上分析，人脸识别验证可以成为整个自动人脸识别系统的最后一个步骤。根据人脸图像特征的提取结果，将待验证的人脸和人脸数据库中的人脸数据进行比较，判断出待检验人脸身份信息。简单来说，就是两张人脸图像的对比，判定是否为同一人。 图2： 基于深度学习的人脸比对 如图2所示，对于数据库中的一组人脸图像，基于深度学习的方法进行人脸特征学习，根据人脸特征进行验证模型拟合（如：支持向量机、最近邻算法、欧式距离等）判断是否是同一个人脸图像。在人脸多属性识别的基础上，每个身份ID的多属性（如：年龄、姿态和表情等）与深度神经网络学习得到的人脸特征一一对应，然后利用深度学习到的高维特征向量，进行人脸验证。每个属性的人脸特征向量，对应着神经网络中损失函数之前的全链接层fc2，其神经元的参数即为深度学习得到的人脸特征。由于每一张人脸图像对应着多个属性信息（如人脸表情特征、年龄特征等），可以更加准确的描述人脸图像特征，有效的从多个角度进行人脸验证。 3 基于多属性的跨年龄、姿态和光照深度网络构建 在身份比对系统中，采集到的人脸图像，往往是多姿态、多表情、光照环境变化大，并且图像的分辨率偏低，造成人脸图像识别性能的下降，而如何联合考虑多种人脸属性因素是人脸识别中最为突出的难题。而现有的一些机器学习方法（如支持向量机、核函数、流形学习等）大多是浅层结构。脑科学研究表明，浅层结构难以有效地表示人脸识别中非线性的复杂变化，尤其当人脸图像受分辨率低、多姿态变化、年龄跨度大、环境光照变化大等的影响。针对二维视觉信号，深度学习可通过学习一种深层非线性的二维卷积神经网络结构，实现复杂函数逼近，表征输入视觉信号的丰富含义，并体现了他对于输入视觉样本数据的强大的本质特征抽取能力。 本项目在人脸图像检测和特征点检测的基础上，基于深度学习卷积神经网络框架，进行身份ID、年龄、性别、表情和姿态等多人脸属性/任务的深度学习研究。其中本项目所采用的深度学习卷积神经网络，是具有易扩展、快速的Caffe框架。Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换。基于多个人脸属性的深度神经网络框架，可以同时规则化学习多属性/任务的卷积神经网络，有效防止由于高效的神经网络学习能力引起的过拟合现象。每个人脸属性对应着一个损失函数（如softmax 损失函数、L2损失函数等），深度卷积神经网络通过反向传播梯度下降法，最小化多个损失函数来共同优化深度卷积神经网络的共有部分。基于多人脸属性的深度学习，一方面能够高效优化卷积神经网络参数，防止因为拟合一种人脸属性而引起的过拟合现象，另一方面仅利用一个神经网络流程，就可以同时得到多个人脸属性，可以有效的从多个方面进行人脸身份ID的识别。 图3多属性深度网络架构 在图3基于深度学习的人脸属性识别框架中，输入是256*256*3的人脸图像，在经过深度卷积神经网络学习后，对应着人脸身份、年龄、性别和表情等的识别结果。整个神经网络中有6千万个神经网络参数和65万个神经元，包含5个卷积层，其中有几个卷积层有max-pooling层，有一个多人脸属性公用的全连接层fc1 (fully connected layer), 每个人脸属性分别对应着一个全连层 (fc2) 和一个N-way softmax层. 在深度学习过程中，用到的两个策略：一方面为了加速深度学习，使用GPU硬件和非饱和神经元：；另一方面为了减少全连接层中的过拟合现象，