人脸识别方法综述

Posted 2021-06-18 Arrow

人脸识别方法

• 1. 简介
• • 1.1 人脸识别步骤
  • 1.2 网络模型
• 2. 人脸识别组件(Components of Face Recognition)
• • 2.1 判别损失函数的发展史
  • 2.2 网络结构的发展史
  • • 2.2.1 主干网络 (Backbone Network)
    • 2.2.2 组合网络 （Assembled Networks）
    • 2.2.3 通过深度特征进行人脸匹配 (Face Matching by deep features)
  • 2.3 人脸处理（为训练和识别）
  • • 2.3.1 一对多增强 (One-to-Many Augmentation)
    • 2.3.2 多对一归一化（Many-to-One Normalization）
• 3. 数据集

1. 简介

• 参考论文：Deep Face Recognition: A Survey
• 人脸识别发展史
  
• 深度学习概念
  

1.1 人脸识别步骤

1. 人脸检测
2. 人脸预处理：人脸关键点检测 + 人脸矫正
3. 人脸表示：提取具有较好表达能力的特征向量
4. 特征比对/特征匹配

1.2 网络模型

• 网络结构
  • DeepFace
  • DeepID
  • VGGFace
  • VGGFace2
  • FaceNet
  • CenterLoss
• 损失函数
  • 基于欧几里德距离的损失 （Euclidean distance based loss）
  • 基于角度/余弦边界的损失（Angular/cosine-margin-based loss）
  • softmax 损失（Softmax 损失）
• 数据集
  • LFW
  • IJB-A/B/C
  • Megaface
  • MSCeleb-1M

2. 人脸识别组件(Components of Face Recognition)

• 人脸检测器（Face Detector）：定位人脸在图像中的位置
• 人脸关键点检测器（facial landmark detector）：人脸与归一化坐标系对齐
• 人脸识别使用这些对齐的人脸图像实现
  

2.1 判别损失函数的发展史

• 基于欧几里德距离的损失 (Euclidean-distance-based Loss)
  • 对比损失（contrastive loss）
  • 三重损失（triplet loss）
  • 中心损失（center loss）
• 基于角度/余弦余量的损失 (Angular/cosine-margin-based Loss)

  • 种类

    • L-Softmax
    • A-Softmax

  • 在softmax损失中的决策边界
    $$(W_1-W_2)x+b_1-b_2=0$$

    • $x$：特征向量（feature vector）
    • $W_i$：权重
    • $b_i$：偏差

  • 损失函数定义如下：
    

    • $m$：是一个正整数，用于引入角余量
    • ${\theta }_i$：是权重$W_i$与特征向量$x$间的夹角

  • 决策边界
    

  • 二者比较

    • 基于余弦边际的损失：明确地在超球面流形上增加了判别约束，这在本质上与人脸位于流形上的先验相匹配
      

    • 基于余弦边际的损失：在干净的数据集上获得更好的结果，但容易受到噪声的影响，在高噪声区域变得比中心损失和 softmax 更差
      

2.2 网络结构的发展史

2.2.1 主干网络 (Backbone Network)

• 主流架构 (Mainstream architectures)
  
  
• 轻量级网络 (Light-weight networks)
  • MobiFace
  • SqueezeNet
  • MobileNet
  • ShffleNet
  • Xception
• 自适应架构网络 (Adaptive-architecture networks)
  • NAS: Neural Architecture Search
  • c-CNN：Conditional Convolutional Neural Network
• 联合对齐识别网络 (Joint alignment-recognition networks)
  

2.2.2 组合网络 （Assembled Networks）

• 多输入网络（Multi-input networks）
  • 在“一对多增强”中，从一张图像生成多张具有多样性的图像以增强训练数据
  • 以多幅图像作为输入，多个网络也被组合在一起，以提取和组合不同输入类型的特征，这可以胜过单个网络
  • 多视图深度网络（MvDN）由特定视角子网络和公共子网络组成； 前者去除特定视角的变化，后者获得了共同的表示
• 多任务网络（Multi-task networks）
  • 人脸识别与姿势（pose）、光照（illumination）、年龄（age）等多种因素交织在一起
  • 为了解决这个问题，引入了多任务学习来从其他相关任务中转移知识并解开滋扰因素
  • 特定任务的子网络被专用于学习人脸检测、人脸对齐、姿态估计、性别识别、微笑检测、年龄估计和 人脸识别
    

2.2.3 通过深度特征进行人脸匹配 (Face Matching by deep features)

• 测试步骤：
  • 第一步：采用余弦距离和L2距离来衡量深度特征$x_1$和$x_2$之间的相似度
  • 第二步：阈值比较和最近邻（NN）分类器用于做出验证和识别的决策
• 人脸验证（Face verification）
• 人脸识别（Face identification）

2.3 人脸处理（为训练和识别）

2.3.1 一对多增强 (One-to-Many Augmentation)

• “一对多增强”：可以减轻数据收集的挑战，它们不仅可以用来扩充训练数据，还可以用来扩充测试数据库。 我们将它们分为四类：
  • 数据增强
    • 光度变换
    • 几何变换：如过采样（通过在不同尺度裁剪获得的多个补丁）、镜像 和旋转图像。
  • 3D 模型
  • 自动编码器模型
  • GAN 模型

2.3.2 多对一归一化（Many-to-One Normalization）

• “多对一归一化”：产生正面人脸并减少测试数据的外观可变性，使人脸对齐且易于比较。
• 包括以下几种类型：

  • 自动编码器模型

    • 自编码器模型通过编码器学习姿势不变的人脸表示，并通过没有姿势代码的解码器直接对人脸进行归一化

  • CNN 模型

    • CNN 模型通常直接学习非正面人脸图像和正面图像之间的 2D 映射，并利用这些映射对像素空间中的图像进行归一化
      

  • GAN 模型
    

3. 数据集

• 数据集
• 数据集说明