基于深度学习的人脸识别技术综述.docx
《基于深度学习的人脸识别技术综述.docx》由会员分享,可在线阅读,更多相关《基于深度学习的人脸识别技术综述.docx(17页珍藏版)》请在课桌文档上搜索。
1、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(LabeledFacesintheWild)兼得优秀结果的方法二,是采用深度学习的方法前言1.FW数据集(LabeledFaCeSlntheWild)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人只有幅图像C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
2、价标准:Unsupervised;二,Image-restrictedwithnooutsidedata;三,Unrestrictedwithnooutsidedata:N,Image-restrictedwithlabel-freeoutsidedata:五,Unrestrictedwithlabel-freeoutsidedata:六,Unrestrictedwithlabeledoutsidedata:目前,人工在该数据集上的准确率在0S4270992(L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,比方face+QeeplD3,E
3、QJ ST-HSOd 9nsHuman PerformanceHunanr unneledHunan, cropped Hman, inverse askHuman,funneled110.9920Humanzcropped110.9753Human,inversemask】0.9427Table7:Meanclassificationaccuracy0andstandarderrorOfthemeanSee.l8.2B.3.4.3e.0.7.8.9falsepositiverateFaceNet 等。Figure7:ROCcurvesaveragedover10foldsofView2.图-
4、/发一:人类在LFW数据集上的识别精度表二:第六种标推下,局部模型的识别准确率(详情参见IfW结果)Unrestricted,LabeledOutrideDataResult%Simileclassifiers0.84720.0041AttributeandSimileclassifiers110.85540.35MultiplLE*ConM0.84450.0046Associate-Predicte0.90570.56TOnVVS-Pete230.9310士0.0135Tom-VS-PeteAttribute30.93300.0128combinedJointBayesian%0.92420
5、.0108KighYmLBP0.95170.0113DFD330.84020.0044TLJointBay3an0.96330.0108r2011b190.91300.30Face+400.9950上0.36DpFac-esmbe10.9735OoO25ConvNet-RBM420.9252土0.38POOF-gradhist440.93130.0040PooFXOGy0.92800.0047FRFCn50.9645O.25DeepID460.97450.0026JUSSianFace70.9520.0066DeepID2480.99150.13530.93330.0124D IhC 2D-a
6、ligncd CroP image-plane. (C) Triangle visibility w.r.t. to the fitted 3D-2D camera; black triangles arc lc、 isible. (f) The 67 Iiducial points induced by the 3D model that arc using to direct the piecc-wisc ainc warpping, (g) The Iinal Irontalized crop, (h) A neu view generated hy the 3D model (not
7、used in IhiS paper).图2一1人脸对齐的流程2.3深度神经网络hpmr: Otfhnr4IhrIkffFacrarikflccied byer aid i* Iulh-Iumeiitd l*)tn. Cu4n lhtr* naput 10 IiMePMrilmcIE. hr NKVt ih W cw from d kcal Md Glb ymrtMd y图2-2:深度神经网络2.4结果该模型在LFW数据集上取得了0.9735准确率,在其它数据集比方SocialFaceClassification(SFC)dataset和YouTubeFaces(YTF)dataset也取得/
8、好结果,详情请参见原文C3. FRFCN(0.9645)参考文献:RecoverCanonical-ViewFacesintheWildwithDeepNeuralNetworks3.1 筒介自然条件下,因为角度,光线,occlusions(咬合张口闭口),低分辨率等原因,使人脸图像在个体之间有很大的差异,影响到人脸识别的广泛应用本文提出了一种新的深度学习模型,可以学习人脸图像看不见的一面。因此,模型可以在保持个体之间的差异的同时,极大的减少单个个体人脸图像(同一人,不同图片)之间的差异。与当前使用2d环境或者3d信息来进行人脸重建的方法不同,该方法宣接从人脸图像之中学习到图像中的短那么观察体
9、(Carwnicalview,标准正面人脸图像)。作者开发了一种从个体照片中自动选择合成CanOniCal-VieW的方法。在应用方面,该人脸恢更方法已经应用于人脸核实。同时,该方法在LFW数据集上获得/当前最好成绩。该文章的亮点在于:一,新的检就选择CanomCalweW的方法:二,训练深度神经网络来重建人脸正面标准图片(canonical-view)。3.2 canonicalview选择方法我们设计了基于矩阵排序和对称性的人脸正面图像检测方法。如图3-1所示,我们按照以下三个标准来采集个体人腌图片:一,人腌对称性(左右脸的差异)进行升序排列:二,图像锐度进行降序排列:三,一和二的组合。图
10、3-1正面人脸图像检测方法3.3 人脸重建我们通过训练深度神经网络来迸行人脸重建。IOSS留故为:E(PW=EEllKfM;W)Ii1为第1个个体,k为第I个个体的第唾样本.X和Y为训练图像和目标图像。垢因示,深度神经网络包含三层。前两层后接上了maxpooling:最后一层接上了全连接层。于传统卷积神经网络不同,我们的filters不共享权重(我们认为人脸的不同区域存在不同类型的特征)。第I层卷积层可以表示为:图3-2深度神经网络最终,经过训练的深度神经网络生成的canonicalview人脸图像如图3-3所示。图3-3canonicalview人脸图像4. DeepID(0.9745)参考
11、文献:DeeplD3:FaceRecognitionwithVeryDeepNeuralNetworks4.1 简介深度学习在人脸识别演域的应用提高了人脸识别准确率。本文中,我们使用了两种深度神经网络框架(VGGnet和GoOgleLeNet)来进行人脸识别。两种框架ensemble结果在LFW数据集上可以到达0.9745的准确率。文章获得高准确率主要归功于大量的训练数据,文章的亮点仅在于测试了两种深度卷积神经网络框架。4.2 深度神经网络框架Mepl0511Figure 2 ArdWlKiUlC ) nel I. Figure drwn Z the ame x Fig hfurv I Arc
12、hilcvtinv 5 IXxpll)5 nc2. Hforr dcctn i the MBM at Fig- &图41两种深度卷积神经网络框架5. FaceNet(0.9963)参考文献:FaceNet:AUnifiedEmbeddingforFaceRecognitionandClustering5.1 简介作者开发了一个新的人脸识别系统:FaceNet,可以直接将人脸图像映射到欧几里得空间,空间的距离代表了人脸图像的相似性。只要该映射空间生成,人脸识别,验证和聚类等任务就可以轻松完成。该方法是基于深度卷枳神经网络,在LFW数据集上.准确率为0.9963,在YouTubeFacesDB数据
13、集上,准确率为0.9512。FaCeNet的核心是百力级的训练数据以及tripletloss5.2 tripletloss图5-1tripletloss示意图5.3深度卷积神经网络采用adagrad优化器,使用随机梯度下降法训练CNN模型。在CPU集群上训练Z1000-2000小时。边界值a设定为0.2。总共实睑了两类模型,参数如表5-1和表5-2所示。layersize-insizeoutkernelparamFLPSconvl220x220311011061773.29K115Mpll110110645555643364,2Ornorm15555645555640conv2a5555645
14、555641164,14K13Mconv255556455551923364,1IlIK335Mrnor2555519255551920PoOI25555192282819233192,20conv3a28281922828192lxl192,l37K29Mconv328x28x192282838433192,1664K521Mpool3282838414x14x38433384,20conv4a14x14x384141438411384,1148K29Mconv4141438414142563338411885K173Mconv5a14142561414256IXlX256J66K13Mco
15、nv51414x2Jb14x14x2563x3256,1590K116Mconv6a14142561414256lxl2561l66K13Mconv6141425614142563x3x256,159()K1I6Mpoo!414142567725633256,20concat772567x7x25607x7256132128maxoutp=2103M103Mfc2132128l32xl28maxout=234M34Mfc712813212811128524K0.5ML211128111280totalI4OM1.6BTable1.NNl.Thistableshowthestructureofo
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 识别 技术 综述

链接地址:https://www.desk33.com/p-845554.html