Utoljára frissítve július 5, 2019

arcfelismerés a probléma azonosítása és ellenőrzése az emberek egy fénykép az arcukon.

Ez egy olyan feladat, amelyet az emberek triviálisan végeznek, még változó fényviszonyok mellett is, amikor az arcokat életkor szerint megváltoztatják, vagy kiegészítőkkel vagy arcszőrrel akadályozzák. Ennek ellenére évtizedek óta kihívást jelentő számítógépes látásprobléma maradt a közelmúltig.

mély tanulási módszerek képesek kihasználni nagyon nagy adathalmazok arcok tanulni gazdag és kompakt ábrázolása arcok, amely lehetővé teszi a modern modellek először végre is, majd később, hogy felülmúlják az arcfelismerés képességeit az emberek.

ebben a bejegyzésben felfedezheti az arcfelismerés problémáját, valamint azt, hogy a mély tanulási módszerek hogyan érhetik el az emberfeletti teljesítményt.

miután elolvasta ezt a bejegyzést, tudni fogja:

• az arcfelismerés széles körű probléma az emberek azonosításában vagy ellenőrzésében fényképeken és videókon.
• arcfelismerő egy olyan folyamat, amely felismerés, igazítás, funkció kitermelés, valamint egy felismerési feladat
• Mély tanulási modellek első megközelítette, majd meghaladta az emberi teljesítmény arcfelismerő feladatokat.

Kick-start your project with my new book Deep Learning For Computer Vision, including step-by-step tutorials and the Python source code files for all examples.

kezdjük.

áttekintés

Ez a bemutató öt részre oszlik; ezek:

1. arcok fényképeken
2. automatikus arcfelismerési folyamat
3. arcfelismerési feladat
4. arcfelismerési feladatok

mély tanulás az arcfelismeréshez

arcok fényképeken

gyakran szükség van a fényképen lévő emberek automatikus felismerésére.

számos oka van annak, hogy miért érdemes automatikusan felismerni egy személyt egy fényképen.

például:

• érdemes korlátozni az erőforráshoz való hozzáférést egy személyre, az úgynevezett face hitelesítésre.
• meg kell erősítenünk, hogy a személy megegyezik az azonosítójukkal, az úgynevezett arcellenőrzéssel.
• lehet, hogy nevet akarunk hozzárendelni egy archoz, úgynevezett arcazonosítóhoz.

általában ezt az automatikus “arcfelismerés” problémájának nevezzük, és ez vonatkozhat mind az állóképekre, mind az arcokra a videófolyamokban.

az emberek nagyon könnyen elvégezhetik ezt a feladatot.

az arcokat egy képen találjuk, és kommentáljuk, hogy kik az emberek, ha ismertek. Ezt nagyon jól meg tudjuk csinálni, például amikor az emberek öregedtek, napszemüveget viselnek, különböző színű hajúak, különböző irányokba néznek, stb. Olyan jól tudjuk csinálni, hogy olyan arcokat találunk, ahol nincsenek, például a felhőkben.

Mindazonáltal ez továbbra is nehéz probléma a szoftverrel történő automatikus végrehajtáshoz, még 60 vagy több éves kutatás után is. Egészen a közelmúltig.

például a megvilágításban és/vagy pózban bekövetkező változásokkal szerzett arcképek felismerése továbbra is nagyrészt megoldatlan probléma. Más szavakkal, a jelenlegi rendszerek még mindig messze vannak az emberi észlelési rendszer képességétől.

— arcfelismerés: A Literature Survey, 2003.

szeretne eredményeket mély tanulás számítógépes látás?

vegye be az ingyenes 7 napos e-mail összeomlási tanfolyamot most (mintakóddal).

kattintson a regisztrációhoz, valamint kap egy ingyenes pdf Ebook változata a tanfolyam.

töltse le ingyenes Mini-tanfolyamát

az automatikus arcfelismerés folyamata

az arcfelismerés a fénykép arcainak azonosításának vagy ellenőrzésének problémája.

általános nyilatkozat a probléma a gép elismerése arca alábbiak szerint történik: mivel még mindig-vagy video-képek a helyszínről, azonosítani, vagy ellenőrzésére egy vagy több személy a helyszínen segítségével a tárolt adatbázis arcok

— Arc Felismerés: Egy Irodalom Felmérés, 2003.

az arcfelismerést gyakran úgy írják le, mint egy olyan folyamatot, amely először négy lépést foglal magában; ezek: arcfelismerés, arc igazítás, funkciókivonás, végül arcfelismerés.

1. arcfelismerés. Keresse meg a képen egy vagy több arcot, majd jelölje meg a határolókeretet.
2. Arc Igazítás. Normalizálja az arcot, hogy összhangban legyen az adatbázissal, mint például a geometria és a fotometria.
3. Feature Extraction. Kivonat funkciók az arc, hogy lehet használni a felismerési feladat.
4. arcfelismerés. Végezze el az arc egyeztetését egy vagy több ismert arccal egy előkészített adatbázisban.

egy adott rendszernek minden egyes lépéshez külön modulja vagy programja lehet, amely hagyományosan így volt, vagy a lépések egy részét vagy egészét egyetlen folyamatba egyesítheti.

ennek a folyamatnak a hasznos áttekintése az alábbiakban található:

arcfelismerési feladat

az arcfelismerés az arcfelismerés nem triviális első lépése.

az objektumfelismerés problémája, amely megköveteli, hogy mind az egyes arcok helyét azonosítsák egy fényképen (például a pozíciót), mind az arc kiterjedését lokalizálják (például egy határolókerettel). Maga az objektumfelismerés kihívást jelentő probléma, bár ebben az esetben hasonló, mivel csak egy típusú objektum létezik, például az arcok, amelyeket lokalizálni kell, bár az arcok vadul változhatnak.

az emberi arc dinamikus objektum, megjelenésében nagyfokú változékonysággal rendelkezik, ami megnehezíti az arcfelismerést a számítógépes látásban.

— arcfelismerés: a Survey, 2001.

Továbbá, mivel ez az első lépés egy szélesebb arcfelismerő rendszerben, az arcfelismerésnek robusztusnak kell lennie. Például egy arc nem ismerhető fel, ha először nem észlelhető. Ez azt jelenti, hogy az arcokat mindenféle orientációval, szögekkel, fényszintekkel, frizurákkal, kalapokkal, szemüveggel, arcszőrrel, sminkkel, életkorral stb.

vizuális front-end processzorként az arcfelismerő rendszernek a megvilágítástól, a tájolástól és a kamera távolságától függetlenül is képesnek kell lennie a feladat elérésére

— arcfelismerés: a Survey, 2001.

a 2001-es “Face Detection: A Survey” című tanulmány az arcfelismerési módszerek taxonómiáját nyújtja, amelyek nagyjából két fő csoportra oszthatók:

• Funkcióalapú.
• képalapú.

a funkció alapú arcfelismerés kézzel készített szűrőket használ, amelyek a domain mély ismerete alapján keresik és találják meg az arcokat a fényképeken. Nagyon gyorsak és nagyon hatékonyak lehetnek, ha a szűrők egyeznek, bár drámaian meghibásodhatnak, ha nem, például kissé törékennyé teszik őket.

… kifejezetten használja az arcismereteket, és kövesse azt a klasszikus észlelési módszert, amelyben az alacsony szintű jellemzők a tudásalapú elemzés előtt származnak. Az arc látszólagos tulajdonságait, például a bőr színét és az arc geometriáját különböző rendszerszinteken használják ki.

— arcfelismerés: a Survey, 2001.

váltakozva a képalapú arcfelismerés holisztikus, és megtanulja, hogyan lehet automatikusan megtalálni és kivonni az arcokat a teljes képből. A neurális hálózatok illeszkednek ebbe a módszercsoportba.

… cím arcfelismerés, mint általános felismerési probléma. Kép-alapú ábrázolása arcok, például a 2D intenzitás tömbök, közvetlenül sorolni egy arc csoport a képzés algoritmusok, anélkül, hogy a funkció levezetése, elemzés. ezek a viszonylag új technikák a térképészeti és képzési rendszerek révén implicit módon beépítik a rendszerbe a face knowledge-et.

— arcfelismerés: a Survey, 2001.

talán a domináns módszer arcfelismerés használt sok éven át (és használták sok kamera) írták le a 2004-es dolgozat címe “robusztus valós idejű objektum felismerés,” az úgynevezett detektor kaszkád vagy egyszerűen ” kaszkád.”

detektoruk, az úgynevezett detektor kaszkád, egyszerű – komplex arc osztályozók sorozatából áll, és kiterjedt kutatási erőfeszítéseket vonzott. Emellett számos kereskedelmi termékben, például okostelefonokban és digitális fényképezőgépekben is bevetették a detektor kaszkádot. Míg a kaszkádérzékelők pontosan megtalálják a látható függőleges arcokat, gyakran nem észlelik az arcokat különböző szögekből, például oldalnézetből vagy részben elzárt arcokból.

— Multi-view Face Detection segítségével mély konvolúciós neurális hálózatok, 2015.

egy bemutató mély tanulás arcfelismerés lásd:

• hogyan kell elvégezni arcfelismerés mély tanulás Keras

arcfelismerő feladatok

az arcfelismerés feladata széles, és lehet igazítani a konkrét igényeit egy előrejelzési probléma.

például az “arcok emberi és gépi felismerése: felmérés” című 1995-ös tanulmányban a szerzők három arcfelismerési feladatot írnak le:

• Arcmegfelelés: keresse meg az adott arc számára a legjobb mérkőzést.
• Arc hasonlóság: keressen olyan arcokat, amelyek leginkább hasonlítanak egy adott arcra.
• Face Transformation: új arcok létrehozása, amelyek hasonlóak egy adott archoz.

ezeket a három különálló feladatot az alábbiak szerint foglalják össze:

a illesztés megköveteli, hogy a jelölt megfelelő arcképe legyen a rendszer által kiválasztott arcképkészletben. Hasonlóság kimutatása igényel, amellett, hogy megfelelő képek, arcok találhatók, amelyek hasonló emlékeztetett arra, arca ehhez az szükséges, hogy a hasonlóság intézkedés, amelyet a felismerő rendszer szorosan passzol a hasonlóság intézkedések által használt emberek Átalakulás alkalmazások megkövetelik, hogy új képek által létrehozott rendszer hasonló az emberi emlékeim egy arc.

— emberi és gépi arcfelismerés: a survey, 1995.

az “arcfelismerés kézikönyve” című 2011-es Könyv az arcfelismerés két fő módját írja le, mint:

• Arcellenőrzés. Egy adott arc egy-egy feltérképezése egy ismert identitás ellen (pl. ez az a személy?).
• Arcazonosítás. Egy-sok feltérképezése egy adott arc ellen adatbázis ismert arcok (például Ki ez a személy?).

az arcfelismerő rendszer várhatóan automatikusan azonosítja a képekben és videókban jelen lévő arcokat. Ez működhet mindkét vagy mindkét két mód: (1) arc ellenőrzés (vagy hitelesítés), és (2) arc azonosítása (vagy elismerés).

— Page 1, Handbook of Face Recognition. 2011.

leírhatjuk az arcfelismerés problémáját, mint felügyelt prediktív modellezési feladatot, amelyet bemenetekkel és kimenettel rendelkező mintákon képeztek ki.

minden feladatban a bemenet egy olyan fénykép, amely legalább egy arcot tartalmaz, valószínűleg egy észlelt arcot, amely szintén igazodott.

a kimenet a feladathoz szükséges becslés típusától függően változik; például:

• lehet, hogy bináris osztálycímke vagy bináris osztály valószínűség az arcellenőrzési feladat esetén.
• ez lehet egy kategorikus osztálycímke vagy valószínűségi készlet egy arcazonosítási feladathoz.
• hasonlósági típusú feladat esetén hasonlósági mutató lehet.

mély tanulás az arcfelismeréshez

az arcfelismerés továbbra is aktív kutatási terület a számítógépes látás területén.

az arcfelismerés egyik szélesebb körben ismert és elfogadott “gépi tanulási” módszerét az 1991-es “arcfelismerés Eigenfaces használatával” című tanulmány írta le.”Módszerük, amelyet egyszerűen “Eigenfaces” – nek neveznek, mérföldkő volt, mivel lenyűgöző eredményeket ért el, és bemutatta az egyszerű holisztikus megközelítések képességét.

az arcképeket egy olyan funkciótérre (“face space”) vetítik, amely a legjobban kódolja az ismert arcképek közötti variációt. Az arcteret az “eigenfaces” határozza meg, amelyek az arckészletek eigenvektorai; nem feltétlenül felelnek meg olyan elszigetelt jellemzőknek, mint a szem, a fül és az orr

— arcfelismerés Eigenfaces használatával, 1991.

Az 2018 “Deep Face Recognition: A Survey” című tanulmány hasznos összefoglalást nyújt az arcfelismerési kutatásokról az elmúlt közel 30 években, kiemelve a holisztikus tanulási módszerek (például az Eigenfaces), a helyi kézműves funkciók felismerése, a sekély tanulási módszerek, a jelenleg legkorszerűbb mély tanulási módszerek.

a holisztikus megközelítések uralták az arcfelismerő közösséget az 1990-es években. A 2000-es évek elején a kézműves helyi leírók népszerűvé váltak, és a 2000-es évek végén bevezették a helyi jellemző tanulási megközelítést. a teljesítmény folyamatosan javul körülbelül 60% – ról 90% fölé, míg a mély tanulás mindössze három év alatt 99, 80% – ra növeli a teljesítményt.

— mély arcfelismerés: felmérés, 2018.

tekintettel az AlexNet 2012-es áttörésére a képosztályozás egyszerűbb problémájára, 2014-ben és 2015-ben számos kutatás és publikáció jelent meg az arcfelismerés mélyreható tanulási módszereiről. A képességek gyorsan elérték a Közel-emberi szintű teljesítményt, majd három éven belül meghaladták az emberi szintű teljesítményt egy szabványos arcfelismerési adatkészleten, ami elképesztő mértékű javulás az előző évtizedek erőfeszítései miatt.

a deep learning for face recognition-en talán négy mérföldkő rendszer létezik, amelyek ezeket az újításokat hajtották végre; ezek: DeepFace, the DeepID series of systems, VGGFace, and FaceNet. Röviden érintse meg mindegyiket.

A DeepFace egy mély konvolúciós neurális hálózatokon alapuló rendszer, amelyet Yaniv Taigman, et al. Facebook AI Research és Tel Aviv. A 2014-es “DeepFace: Closing the Gap to Human-Level Performance in Face Verification.”Talán ez volt az első nagy előrelépés az arcfelismerés mély tanulásával, közel emberi szintű teljesítmény elérése egy szabványos referenciaadatkészleten.

módszerünk 97,35%-os pontosságot ér el a Wild (LFW) adatkészletben megjelölt arcokon, csökkentve a jelenlegi legkorszerűbb hiba hibáját több mint 27% – kal, közeledve az emberi szintű teljesítményhez.

— DeepFace: Closing the Gap to Human-Level Performance in Face Verification, 2014.

a DeepID vagy “Deep hidden IDentity features” egy sor rendszer (pl. DeepID, DeepID2, stb.), először Yi Sun, et al. 2014-es ” Deep Learning Face Representation from Predicting 10,000 Classes.”Rendszerüket először a DeepFace-hez hasonlóan írták le, bár a későbbi kiadványokban kibővítették, hogy mind az azonosítási, mind az ellenőrzési feladatokat kontraszt veszteséges képzéssel támogassák.

az arcfelismerés legfontosabb kihívása az, hogy hatékony jellemzőket alakítson ki a személyes variációk csökkentésére, miközben növeli a személyes különbségek közötti különbségeket. Az arc azonosító feladat növeli az inter-személyes variációk a rajz DeepID2 funkciók kivont különböző identitások egymástól, miközben az arcát ellenőrzési feladatot csökkenti az intra-személyes variációk húz DeepID2 funkciók kivont ugyanaz identitás együtt, mind, ami lényeges, hogy arcfelismerő.

— Deep Learning Face Representation by Joint Identification-Verification, 2014.

A DeepID rendszerek között voltak az első mély tanulási modellek segítségével jobb, mint az emberi teljesítményt a feladat, pl. DeepID2 elért 99.15% a Jelölt Arcok a Vad (LFW) adatkészlet, ami jobb, mint az emberi teljesítmény 97.53%. A későbbi rendszerek, mint például a FaceNet és a VGGFace, javultak ezeken az eredményeken.

FaceNet írta le Florian Schroff, et al. a Google-nál a 2015-ös “FaceNet” című tanulmányukban: Az arcfelismerés és a klaszterezés egységes beágyazása.”A rendszer érhető el, akkor a state-of-the-art eredmények pedig bemutatott egy, az innováció, az úgynevezett hármas veszteség’, amely lehetővé tette képek kódolt hatékonyan, mint a funkciót vektorok, amely lehetővé tette a gyors hasonlóság számítás megfelelő keresztül távolság számítások.

FaceNet, amely közvetlenül megtanulja az arcképek leképezését egy kompakt euklideszi térbe, ahol a távolságok közvetlenül megfelelnek az arc hasonlóságának. Módszerünk egy mély konvolúciós hálózatot használ, amelyet arra képeztek ki, hogy közvetlenül optimalizálja a beágyazást, nem pedig egy közbenső szűk keresztmetszeti réteget, mint a korábbi mély tanulási megközelítésekben. A vonat, használjuk hármasok nagyjából igazított megfelelő / nem megfelelő arc foltok segítségével generált új online triplet bányászati módszer

— FaceNet: egységes beágyazása arcfelismerés és klaszterezés, 2015.

egy bemutató FaceNet, lásd:

• hogyan lehet arcfelismerő rendszert kifejleszteni a FaceNet használatával a Keras-ban

a VGGFace-t (jobb név hiányában) az Omkar Parkhi, et al. az Oxfordi Visual Geometry Group-tól (VGG) a 2015-ös “Deep Face Recognition” című tanulmányukban írták le.”A jobban hangolt modell mellett munkájuk középpontjában az volt, hogy hogyan gyűjtsenek egy nagyon nagy képzési adatkészletet, és ezzel egy nagyon mély CNN modellt képezzenek az arcfelismeréshez, amely lehetővé tette számukra, hogy a legmodernebb eredményeket elérjék a szokásos adatkészleteken.

… megmutatjuk, hogy egy nagyon nagy méretű adathalmazt (2,6 M kép, több mint 2,6 k ember) hogyan lehet összeállítani az automatizálás és az ember kombinációjával a hurokban

— mély arcfelismerés, 2015.

egy bemutató VGGFace, lásd:

• hogyan kell elvégezni arcfelismerés Vggface2 a Keras

bár ezek lehetnek a legfontosabb korai mérföldkövek terén mély tanulás számítógépes látás, haladás folytatódott, sok innováció összpontosított veszteség funkciók, hogy hatékonyan a vonat a modellek.

a kiváló naprakész összefoglalásért lásd a 2018-as “mély arcfelismerés: felmérés.”

további olvasás

Ez a szakasz több erőforrást biztosít a témában, ha mélyebbre szeretne menni.

Könyvek

• az arcfelismerés kézikönyve, második kiadás, 2011.

arcfelismerő papírok

• arcfelismerés: A Literature Survey, 2003.
• arcfelismerés: a Survey, 2001.
• az arcok emberi és gépi felismerése: a survey, 1995.
• robusztus valós idejű Objektumfelismerés, 2004.
• arcfelismerés Eigenfaces segítségével, 1991.

Deep Learning Face Recognition Papers

• Deep Face Recognition: A Survey, 2018.
• mély arcfelismerés, 2015.
• FaceNet: a Unified Embedding for Face Recognition and Clustering, 2015.
• DeepFace: Closing the Gap to Human-Level Performance in Face Verification, 2014.
• Deep Learning Face Representation by Joint Identification-Verification, 2014.
• Deep Learning Face Representation from Predicting 10,000 Classes, 2014.
• Multi-view Face Detection using Deep Convoluational neurális Networks, 2015.
• az arcrészek válaszaiból az arcfelismerésre: a Deep Learning Approach, 2015.
• meghaladja az emberi szintű Arcellenőrzési teljesítményt az LFW-N A GaussianFace-szel, 2014.

cikkek

• arcfelismerő rendszer, Wikipedia.
• arcfelismerés, Wikipedia.
• arcfelismerés, Wikipedia.
• jelölt arcok a vad adatkészletben

összefoglaló

ebben a bejegyzésben felfedezte az arcfelismerés problémáját, valamint azt, hogy a mély tanulási módszerek hogyan érhetik el az emberfeletti teljesítményt.

pontosabban, megtanultad:

• az arcfelismerés széles körű probléma az emberek azonosításában vagy ellenőrzésében fényképeken és videókon.
• arcfelismerő egy olyan folyamat, amely felismerés, igazítás, funkció kitermelés, valamint egy felismerési feladat
• Mély tanulási modellek első megközelítette, majd meghaladta az emberi teljesítmény arcfelismerő feladatokat.

van bármilyen kérdése?
tegye fel kérdéseit az alábbi megjegyzésekben, és mindent megteszek, hogy válaszoljak.