人脸识别系统FaceNet原理
Posted zhiyong_will
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了人脸识别系统FaceNet原理相关的知识,希望对你有一定的参考价值。
1. 概述
近年来,随着深度学习在CV领域的广泛应用,人脸识别领域也得到了巨大的发展。在深度学习中,通过多层网络的连接,能够学习到图像的特征表示,那么两张人脸的图像,是不是可以通过深度学习判别其是否是相同的人呢?Google在2015年提出了人脸识别系统FaceNet[1],可以直接将人脸图像映射到欧式空间中,空间中的距离直接代表了人脸的相似度。最终,FaceNet在LFW数据集上,准确率为0.9963,在YouTube Faces DB数据集上,准确率为0.9512。FaceNet的主要优化点是:
- 通过端到端的深度学习结构将人脸映射到同一个欧式空间中,使得在映射后欧式空间中彼此之间是可度量的;
- 提出损失函数Triplet Loss,目标是使得相同人脸在欧式空间中距离较近,不同人脸在欧式空间中距离较远。
2. 算法原理
2.1. FaceNet
FaceNet的简单结构示意图如下所示:
在FaceNet中,并未直接使用预训练的CNN模型直接提取人脸特征,同时为了能够将人脸的图像映射到同一个欧式空间中且可度量,在FaceNet采用端对端对人脸图像直接进行学习,学习从图像到欧式空间的编码方法,然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。
FaceNet的网络结构与传统的深度学习模型非常相似,不同的是在FaceNet中去掉了分类模型中中Softmax,取而代之的是L2归一化,通过L2归一化得到人脸的特征表示,直接将人脸的图像 x x x映射到 d d d维的欧式空间中 f ( x ) ∈ R d f\\left ( x \\right )\\in \\mathbbR^d f(x)∈Rd。其中L2归一化的目的是去使得认脸的向量在同一量纲下,深度模型不是本文的重点,现如今有大量成熟的CNN模型可以直接使用,如VGG,Inception,Resnet等
2.2. Triplet Loss
Triplet Loss是FaceNet系统的另一大特点,对于认脸图像 x x x,通过Triplet Loss可以使得映射后的向量表示 f ( x ) f\\left ( x \\right ) f(x)在欧式空间中可以度量,Triplet Loss的目标是使得相同的人脸图像在欧式空间中的向量的欧式距离相近,不同的人脸图像在欧式空间中的向量的欧式距离较远。用数学的方式方式可以表示为:假设输出人脸图像是 x i a x_i^a xia,已称为anchor,同一个人的人脸图像 x i p x_i^p xip,也称为positive,另一个不同人的人脸图像 x i n x_i^n xin,也称为negative,需要使得 x i a x_i^a xia和 x i p x_i^p xip之间的向量距离较近, x i a x_i^a xia和 x i n x_i^n xin之间的距离较远,即为:
∥ f ( x i a ) − f ( x i p ) ∥ 2 2 + α < ∥ f ( x i a ) − f ( x i n ) ∥ 2 2 , ∀ ( f ( x i a ) , f ( x i p ) , f ( x i n ) ) ∈ τ \\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^p \\right ) \\right \\|_2^2+\\alpha <\\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^n \\right ) \\right \\|_2^2,\\forall \\left ( f\\left ( x_i^a \\right ),f\\left ( x_i^p \\right ),f\\left ( x_i^n \\right ) \\right )\\in \\tau ∥f(xia)−f(xip)∥22+α<∥f(xia)−f(xin)∥22,∀(f(xia),f(xip),f(xin))∈τ
其中, α \\alpha α是使得正(positive)负(negative)人脸充分分开的阈值, τ \\tau τ是所有的 ( x i a , x i p , x i n ) \\left ( x_i^a,x_i^p,x_i^n \\right ) (xia,xip,xin)三元组的集合,集合的大小为 N N N。训练的过程可由下图表示:
通过不断的学习,使得Anchor和Positive的距离较近,而Anchor和Negative的距离变远。对于FaceNet,其损失函数为:
L = ∑ i N [ ∥ f ( x i a ) − f ( x i p ) ∥ 2 2 − ∥ f ( x i a ) − f ( x i n ) ∥ 2 2 + α ] L=\\sum_i^N\\left [ \\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^p \\right ) \\right \\|_2^2-\\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^n \\right ) \\right \\|_2^2+\\alpha \\right ] L=i∑N[∥f(xia)−f(xip)∥22−∥f(xia)−f(xin)∥22+α]
2.3. 样本选择
上述三元组 ( x i a , x i p , x i n ) \\left ( x_i^a,x_i^p,x_i^n \\right ) (xia,xip,xin)构成了训练集合 τ \\tau τ,然而三原组的选择对模型的收敛非常重要。由上述公式可知,对于人脸图像 x i a x_i^a xia,需要选择同一认脸的不同图像 x i p x_i^p xip,使得
a r g m a x x i p ∥ f ( x i a ) − f ( x i p ) ∥ 2 2 argmax_x_i^p\\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^p \\right ) \\right \\|_2^2 argmaxxip∥f(xia)−f(xip)∥22
同时,还需要选择不同认脸的图像 x i n x_i^n xin,使得
a r g m i n x i n ∥ f ( x i a ) − f ( x i n ) ∥ 2 2 argmin_x_i^n\\left \\| f\\left ( x_i^a \\right )-f\\left ( x_i^n \\right ) \\right \\|_2^2 argminxin∥f(xia)−f(xin以上是关于人脸识别系统FaceNet原理的主要内容,如果未能解决你的问题,请参考以下文章
facenet快速复现 实现 facenet-pytorch 人脸识别 windows上 使用cpu实现 人脸对比
facenet-retinaface快速复现 实现 facenet-retinaface-pytorch 人脸识别 windows上 使用cpu实现
facenet-retinaface快速复现 实现 facenet-retinaface-pytorch 人脸识别 windows上 使用cpu实现