人臉技術(shù)基本概念介紹 - 全文

1. 人臉檢測

“人臉檢測(Face Detection)”是檢測出圖像中人臉?biāo)谖恢玫囊豁?xiàng)技術(shù)。

人臉檢測算法的輸入是一張圖片，輸出是人臉框坐標(biāo)序列(0個(gè)人臉框或1個(gè)人臉框或多個(gè)人臉框)。一般情況下，輸出的人臉坐標(biāo)框?yàn)橐粋€(gè)正朝上的正方形，但也有一些人臉檢測技術(shù)輸出的是正朝上的矩形，或者是帶旋轉(zhuǎn)方向的矩形。

常見的人臉檢測算法基本是一個(gè)“掃描”加“判別”的過程，即算法在圖像范圍內(nèi)掃描，再逐個(gè)判定候選區(qū)域是否是人臉的過程。因此人臉檢測算法的計(jì)算速度會(huì)跟圖像尺寸、圖像內(nèi)容相關(guān)。開發(fā)過程中，我們可以通過設(shè)置“輸入圖像尺寸”、或“最小臉尺寸限制”、或“人臉數(shù)量上限”的方式來加速算法。

?

圖1、人臉檢測結(jié)果舉例(綠色框?yàn)槿四槞z測結(jié)果)

2. 人臉配準(zhǔn)

“人臉配準(zhǔn)(Face Alignment)”是定位出人臉上五官關(guān)鍵點(diǎn)坐標(biāo)的一項(xiàng)技術(shù)。

人臉配準(zhǔn)算法的輸入是“一張人臉圖片”加“人臉坐標(biāo)框”，輸出五官關(guān)鍵點(diǎn)的坐標(biāo)序列。五官關(guān)鍵點(diǎn)的數(shù)量是預(yù)先設(shè)定好的一個(gè)固定數(shù)值，可以根據(jù)不同的語義來定義(常見的有5點(diǎn)、68點(diǎn)、90點(diǎn)等等)。

當(dāng)前效果的較好的一些人臉配準(zhǔn)技術(shù)，基本通過深度學(xué)習(xí)框架實(shí)現(xiàn)，這些方法都是基于人臉檢測的坐標(biāo)框，按某種事先設(shè)定規(guī)則將人臉區(qū)域扣取出來，縮放的固定尺寸，然后進(jìn)行關(guān)鍵點(diǎn)位置的計(jì)算。因此，若不計(jì)入圖像縮放過程的耗時(shí)，人臉配準(zhǔn)算法是可以計(jì)算量固定的過程。另外，相對(duì)于人臉檢測，或者是后面將提到的人臉提特征過程，人臉配準(zhǔn)算法的計(jì)算耗時(shí)都要少很多。

?

圖2、人臉配準(zhǔn)結(jié)果舉例(右圖中的綠色點(diǎn)位人臉配準(zhǔn)結(jié)果)

3. 人臉屬性識(shí)別

“人臉屬性識(shí)別(Face Attribute)”是識(shí)別出人臉的性別、年齡、姿態(tài)、表情等屬性值的一項(xiàng)技術(shù)。

一般的人臉屬性識(shí)別算法的輸入是“一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”，輸出是人臉相應(yīng)的屬性值。人臉屬性識(shí)別算法一般會(huì)根據(jù)人臉五官關(guān)鍵點(diǎn)坐標(biāo)將人臉對(duì)齊(旋轉(zhuǎn)、縮放、扣取等操作后，將人臉調(diào)整到預(yù)定的大小和形態(tài))，然后進(jìn)行屬性分析。

常規(guī)的人臉屬性識(shí)別算法識(shí)別每一個(gè)人臉屬性時(shí)都是一個(gè)獨(dú)立的過程，即人臉屬性識(shí)別只是對(duì)一類算法的統(tǒng)稱，性別識(shí)別、年齡估計(jì)、姿態(tài)估計(jì)、表情識(shí)別都是相互獨(dú)立的算法。但最新的一些基于深度學(xué)習(xí)的人臉屬性識(shí)別也具有一個(gè)算法同時(shí)輸入性別、年齡、姿態(tài)等屬性值的能力。

?

圖3、人臉屬性識(shí)別過程(最右側(cè)文字為屬性識(shí)別結(jié)果)

4. 人臉提特征

“人臉提特征(Face Feature Extraction)”是將一張人臉圖像轉(zhuǎn)化為一串固定長度的數(shù)值的過程。這個(gè)數(shù)值串被稱為“人臉特征(Face Feature)”，具有表征這個(gè)人臉特點(diǎn)的能力。

人臉提特征過程的輸入也是 “一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”，輸出是人臉相應(yīng)的一個(gè)數(shù)值串(特征)。人臉提特征算法都會(huì)根據(jù)人臉五官關(guān)鍵點(diǎn)坐標(biāo)將人臉對(duì)齊預(yù)定模式，然后計(jì)算特征。

近幾年來，深度學(xué)習(xí)方法基本統(tǒng)治了人臉提特征算法，這些算法都是固定時(shí)長的算法。早前的人臉提特征模型都較大，速度慢，僅使用于后臺(tái)服務(wù)。但最新的一些研究，可以在基本保證算法效果的前提下，將模型大小和運(yùn)算速度優(yōu)化到移動(dòng)端可用的狀態(tài)。

?

圖4、人臉提特征過程(最右側(cè)數(shù)值串為“人臉特征”)

5. 人臉比對(duì)(人臉驗(yàn)證、人臉識(shí)別、人臉檢索、人臉聚類)

“人臉比對(duì)(Face Compare)”是衡量兩個(gè)人臉之間相似度的算法

人臉比對(duì)算法的輸入是兩個(gè)人臉特征(注：人臉特征由前面的人臉提特征算法獲得)，輸出是兩個(gè)特征之間的相似度。人臉驗(yàn)證、人臉識(shí)別、人臉檢索都是在人臉比對(duì)的基礎(chǔ)上加一些策略來實(shí)現(xiàn)。相對(duì)人臉提特征過程，單次的人臉比對(duì)耗時(shí)極短，幾乎可以忽略。

基于人臉比對(duì)可衍生出人臉驗(yàn)證(Face Verification)、人臉識(shí)別(Face Recognition)、人臉檢索(Face Retrieval)、人臉聚類(Face Cluster)等算法。

?

圖5、人臉對(duì)比過程(右側(cè)的相似度為人臉比對(duì)輸出的結(jié)果)

6. 人臉驗(yàn)證

“人臉驗(yàn)證(Face Verification)”是判定兩個(gè)人臉圖是否為同一人的算法。

它的輸入是兩個(gè)人臉特征，通過人臉比對(duì)獲得兩個(gè)人臉特征的相似度，通過與預(yù)設(shè)的閾值比較來驗(yàn)證這兩個(gè)人臉特征是否屬于同一人(即相似度大于閾值，為同一人;小于閾值為不同)。

?

圖6、人臉驗(yàn)證過程說明(最右側(cè)“是同一人”為人臉驗(yàn)證的輸出)

7. 人臉識(shí)別

“人臉識(shí)別(Face Recognition)”是識(shí)別出輸入人臉圖對(duì)應(yīng)身份的算法。

它的輸入一個(gè)人臉特征，通過和注冊(cè)在庫中N個(gè)身份對(duì)應(yīng)的特征進(jìn)行逐個(gè)比對(duì)，找出“一個(gè)”與輸入特征相似度最高的特征。將這個(gè)最高相似度值和預(yù)設(shè)的閾值相比較，如果大于閾值，則返回該特征對(duì)應(yīng)的身份，否則返回“不在庫中”。

?

圖7、人臉識(shí)別過程(右側(cè)身份“jason”為人臉識(shí)別結(jié)果)

8. 人臉檢索

“人臉檢索”是查找和輸入人臉相似的人臉序列的算法。

人臉檢索通過將輸入的人臉和一個(gè)集合中的說有人臉進(jìn)行比對(duì)，根據(jù)比對(duì)后的相似度對(duì)集合中的人臉進(jìn)行排序。根據(jù)相似度從高到低排序的人臉序列即使人臉檢索的結(jié)果。

?

圖8、人臉檢索過程(右側(cè)綠框內(nèi)排序序列為檢索結(jié)果)

9. 人臉聚類

“人臉聚類(Face Cluster)”是將一個(gè)集合內(nèi)的人臉根據(jù)身份進(jìn)行分組的算法。

人臉聚類也通過將集合內(nèi)所有的人臉兩兩之間做人臉比對(duì)，再根據(jù)這些相似度值進(jìn)行分析，將屬于同一個(gè)身份的人劃分到一個(gè)組里。

在沒有進(jìn)行人工身份標(biāo)注前，只知道分到一個(gè)組的人臉是屬于同一個(gè)身份，但不知道確切身份。另外假設(shè)集合中有N個(gè)人臉，那么人臉聚類的算法復(fù)雜度為O(N2)

?

圖9、人臉聚類過程(右側(cè)綠框內(nèi)按身份的分組結(jié)果為聚類結(jié)果)

10. 人臉活體

“人臉活體(FaceLiveness)”是判斷人臉圖像是來自真人還是來自攻擊假體(照片、視頻等)的方法。

和前面所提到的人臉技術(shù)相比，人臉活體不是一個(gè)單純算法，而是一個(gè)問題的解法。這個(gè)解法將用戶交互和算法緊密結(jié)合，不同的交互方式對(duì)應(yīng)于完全不同的算法。鑒于方法的種類過于繁多，這里只介紹“人臉活體”的概念，不再展開。

結(jié)束語

本文簡要的介紹了一些主要的人臉技術(shù)的概念，目的是讓非研究的同事對(duì)各項(xiàng)技術(shù)所能解決的問題有所了解。對(duì)于希望對(duì)這些技術(shù)有進(jìn)一步深入了解的同事，可以多搜索優(yōu)圖人臉相關(guān)的文章。