基于深度学习的人脸识别技术综述.doc

word专业整理 学习资料 整理分享 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LFW数据集上（ HYPERLINK "/?target=http%3A///lfw/" \t "_blank" Labeled Faces in the Wild）获得优秀结果的方法; 二，是采用深度学习的方法。 前言 LFW数据集（ HYPERLINK "/?target=http%3A///lfw/" \t "_blank" Labeled Faces in the Wild）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中评价标准： 一，Unsupervised；二，Image-restricted with no outside data；三，Unrestricted with no outside data；四，Image-restricted with label-free outside data；五，Unrestricted with label-free outside data；六，Unrestricted with labeled outside data。 目前，人工在该数据集上的准确率在0.9427~0.9920。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，比如face++,DeepID3，FaceNet等。 图一/表一：人类在LFW数据集上的识别精度 表二：第六种标准下，部分模型的识别准确率（详情参见 HYPERLINK "/?target=http%3A///lfw/results.html" \t "_blank" lfw结果） 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（部分结果为商业公司提交，方法并未公布，比如 HYPERLINK "/?target=http%3A///lfw/results.html%23notes" \t "_blank" Tencent-BestImage）；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，DeepID（0.9745 ）；5，FaceNet（0.9963 ）；6， baidu的方法（0.9977 ）；7,pose+shape+expression augmentation（0.9807）；8，CNN-3DMM estimation(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： HYPERLINK "/?target=http%3A///s%3Fwd%3Dpaperuri%3A%28628ecff0bf9ee4a3a6cea9d3fbca0fd3%29%26filter%3Dsc_long_sign%26sc_ks_para%3Dq%253DNaive-Deep%2BFace%2BRecognition%253A%2BTouching%2Bthe%2BLimit%2Bof%2BLFW%2BBenchmark%2Bor%2BNot%253F%26tn%3DSE_baiduxueshu_c1gjeupa%26ie%3Dutf-8%26sc_us%3D11022578337400751839" \t "_blank" Naive-Deep face Recognition: Touching the Limit of LFW Benchmark or Not? face++从网络上搜集了5million张人脸图片用于训练深度卷积神经网络模型，在LFW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Megvii Face Recognition System经过训练后，在LFW数据集上达到了0.995的准确率。在真实场景测试中（Chinese ID （CHID）），该系统的假阳性率（FP=10-5）非常低。但是，真阳性率仅为0.66，没有达到真实场景应用要求。其中，年龄差异（包括intra-var