ZLG深度解析人臉識別核心技術(shù)

　　在人臉檢測領(lǐng)域比較權(quán)威的測試集FDDB上進行評測， 100誤檢時的召回率達到85.2%， 1000誤檢時的召回率達到89.3%。

　　2.人臉定位

　　面部特征點定位在人臉識別、表情識別、人臉動畫等人臉分析任務(wù)中至關(guān)重要的一環(huán)。人臉定位算法需要選取若干個面部特征點，點越多越精細，但同時計算量也越大。兼顧精確度和效率，我們選用雙眼中心點、鼻尖及嘴角五個特征點。經(jīng)測試，它們在表情、姿態(tài)、膚色等差異上均表現(xiàn)出很好的魯棒性。

　　人臉定位接口程序如下所示，需要先加載預(yù)先訓(xùn)練好的模型，再進行定位檢測：

　　人臉定位程序的效果如下所示：

　　本算法在AFLW數(shù)據(jù)集上的定位誤差及與其他算法的對比情況：

　　3.人臉校準

　　本步驟目的是擺正人臉，將人臉置于圖像中央，減小后續(xù)比對模型的計算壓力，提升比對的精度。主要利用人臉定位獲得的5個特征點(人臉的雙眼、鼻尖及嘴角)獲取仿射變換矩陣，通過仿射變換實現(xiàn)人臉的擺正。

　　目標圖形以(x,y)為軸心順時針旋轉(zhuǎn)Θ弧度，變換矩陣為：

　　人臉校準C++代碼可參考如下所示：

　　一般此步驟不建議使用外部庫做變換，所以這里提供仿射變換python源碼以供參考：

　　人臉校準的效果如圖所示：

　　4.人臉比對

　　人臉比對和人臉身份認證的前提是需要提取人臉獨有的特征點信息。在人臉校準之后可以利用深度神經(jīng)網(wǎng)絡(luò)，將輸入的人臉進行特征提取。如將112×112×3的臉部圖像提取256個浮點數(shù)據(jù)特征信息，并將其作為人臉的唯一標識。在注冊階段把256個浮點數(shù)據(jù)輸入系統(tǒng)，而認證階段則提取系統(tǒng)存儲的數(shù)據(jù)與當前圖像新生成的256個浮點數(shù)據(jù)進行比對最終得到人臉比對結(jié)果。

　　人臉比對流程的示意圖如下所示：

　　通過神經(jīng)網(wǎng)絡(luò)算法得到的特征點示意圖如下：