第11章人脸识别.pptxVIP

第11章 人脸识别;人脸识别是基于人的脸部特征信息进行身份识别的一种识别技术，主要针对图像或者视频中的人脸进行处理的技术。 人脸识别技术包括了图像检测人脸、人脸图像特征提取、人脸匹配与识别，甚至包括对性别、年龄等信息的识别。 现在，基于海量数据的机器学习是人脸识别的主要技术路线，整体的技术范围主要包括： 人脸图像采集 人脸检测 人脸图像预处理 人脸关键点检测 人脸验证 人脸属性检测 ;11.1.1 人脸图像采集 对人们在不同位置、不同表情、不同角度扥情况??的人脸图像的收集。 11.1.2 人脸检测 人脸检测（Face Detection）：目标检测的一种，是检测出图像中人脸所在位置的一项技术。 11.1.3 人脸图像预处理 由于在人脸检测的结果中，可能获取了尺寸不易、光线明暗不一、干扰不一等不同情况下的多个人脸图像。在进行后续的关键点检测等任务时，需要对这些图像进行缩放、旋转、拉伸、光线补偿、灰度变换、锐化等图像预处理。 ;11.1.4 人脸关键点检测 人脸关键点检测是定位出人脸上五官关键点坐标的一项技术，包括人脸轮廓、眼睛、眉毛、嘴唇以及鼻子的轮廓等关键点坐标的技术。 五官关键点的数量是预先设定好的一个固定数值，可以根据不同的语义来定义，常见的有5点、68点、90点等。 目前，在人脸关键点检测上，使用的深度学习算法主要是级联形状回（cascaded shape regression，CSR）。 ;11.1.5 人脸特征提取 人脸特征提取是将一张人脸图像以及人脸关键点转化为一串固定长度的数值的过程，该数值串就是人脸特征。近几年来，人脸提特征算法一般都采用深度学习方法。 DeepID网络结构是常用的一种。 ;11.1.6 人脸比对 人脸比对算法的输入是两个人脸特征输出是两个特征之间的相似度。基于人脸比对可衍生出多种应用场景： 人脸验证(Face Verification)：指分析两种图片中的人脸是否属于同一个人的可能性大小。 人脸识别(Face Recognition)：识别出输入人脸图对应身份的算法。 人脸检索(Face Retrieval)：查找和输入人脸相似的人脸序列的算法。 人脸聚类（Face Cluster）：将一个集合内的人脸根据身份进行分组的算法 ;11.1.7 人脸属性检测 人脸属性识别检测包括是识别出人脸的性别、年龄、姿态等属性辨识，也包括喜怒哀乐等表情属性分析的一项技术。 ;FaceNet网络模型，是非常重要的一种人脸识别模型，可以用于人脸验证、识别以及和聚类。本节，使用该模型进行处理。 11.2.1 数据预处理 LFW dataset数据集,美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理。LFW数据集包括了共5749人，超过13000张人脸图像。其中，4096人只有一张图片，1680人有多于一张的图片。数据集中以每个人的人名创建了文件夹，在文件夹中存放该人的图片。数据集中每幅图片的规格是250×250像素的图片。 ;11.2.2 运行FaceNet模型 FaceNet模型是通过卷积神经网络学习将图像映射到欧几里得空间，整体框架与其他经典深度学习方法基本一致。前面特征提取部分也是基于CNN的，只不过在深度网络Inception-v3模型，后面再接一个特征归一化层，?将图像特征都映射到一个超球面上，这样可以规避样本的成像环境带来的差异。最后采用triplet_loss作为损失，加上随机梯度下降法（SDG，Stochastic Gradient Descent）进行反向传播，最后获得128维度的向量空间。 ? ;11.2.2 运行FaceNet模型 1.获取数据及标签 在facenet的data目录中官方随机生成了pairs.txt文件，该文件中每一行数据代表了一种对应关系。对该文件进行解析，获得文件路径和是否匹配的关系对。 ;11.2.2 运行FaceNet模型 2.获取输入张量 Facenet模型中需要输入图像信息张量 3.加载模型 预训练的Facenet模型进行加载;11.2.2 运行FaceNet模型 4.验证评估数据 将预训练模型在LFW数据中进行运行验证，运行结果：;11.2.3 实现人脸验证 人脸验证就是对比两种图片中的人脸，判断是否属于同一个人。在各种身份认证场景中应用。在本节中，我们将使用FaceNet网络实现人脸验证。 1.加载并对齐图片 从LFW数据集中选择两种图片，使用这两种图片进行对比。在对比前，需要读取图片并对齐数据，实现相关预处理。;11.2.3 实现人脸验证 2.加载模型，并进行人脸验证 加载训练模型，对加载的人脸图片进行处理：;11.2.3 实现人脸验证 2.加载模型，并进行人脸验证 进行人脸验证的结果： 最终输出的结果是两种人脸图像的