新闻中心

EEPW首页 > 智能计算 > 设计应用 > ZLG深度解析人脸识别核心技术

ZLG深度解析人脸识别核心技术

作者:ZLG致远电子时间:2019-01-09来源:电子产品世界收藏

  在人脸检测领域比较权威的测试集FDDB上进行评测, 100误检时的召回率达到85.2%, 1000误检时的召回率达到89.3%。

本文引用地址:http://www.eepw.com.cn/article/201901/396553.htm

  

  2.人脸定位

  面部特征点定位在、表情识别、人脸动画等人脸分析任务中至关重要的一环。人脸定位算法需要选取若干个面部特征点,点越多越精细,但同时计算量也越大。兼顾精确度和效率,我们选用双眼中心点、鼻尖及嘴角五个特征点。经测试,它们在表情、姿态、肤色等差异上均表现出很好的鲁棒性。

  人脸定位接口程序如下所示,需要先加载预先训练好的模型,再进行定位检测:

  

  人脸定位程序的效果如下所示:

  

  本算法在AFLW数据集上的定位误差及与其他算法的对比情况:

  

  3.人脸校准

  本步骤目的是摆正人脸,将人脸置于图像中央,减小后续比对模型的计算压力,提升比对的精度。主要利用人脸定位获得的5个特征点(人脸的双眼、鼻尖及嘴角)获取仿射变换矩阵,通过仿射变换实现人脸的摆正。

  目标图形以(x,y)为轴心顺时针旋转Θ弧度,变换矩阵为:

  

  人脸校准C++代码可参考如下所示:

  

  一般此步骤不建议使用外部库做变换,所以这里提供仿射变换python源码以供参考:

  

  人脸校准的效果如图所示:

  

  4.人脸比对

  人脸比对和人脸身份认证的前提是需要提取人脸独有的特征点信息。在人脸校准之后可以利用深度神经网络,将输入的人脸进行特征提取。如将112×112×3的脸部图像提取256个浮点数据特征信息,并将其作为人脸的唯一标识。在注册阶段把256个浮点数据输入系统,而认证阶段则提取系统存储的数据与当前图像新生成的256个浮点数据进行比对最终得到人脸比对结果。

  人脸比对流程的示意图如下所示:

  

  通过神经网络算法得到的特征点示意图如下:

  



评论


相关推荐

技术专区

关闭