過去十年，深度學(xué)習(xí)領(lǐng)域出現(xiàn)了許多先進(jìn)的新算法和突破性的研究，并且引入了新的計算機視覺算法。

這一切始于 2012 年的 AlexNet。AlexNet 是一個深度（卷積）神經(jīng)網(wǎng)絡(luò)，它在 ImageNet 數(shù)據(jù)集（擁有超過 1400 萬張圖片的數(shù)據(jù)集）上取得了很高的準(zhǔn)確率。

人類是如何識別人臉的？

也許，人類大腦中的神經(jīng)元首先識別場景中的人臉（從人的體形和背景），然后提取面部特征，并通過這些特征對人進(jìn)行分類。我們已經(jīng)在一個無限大的數(shù)據(jù)集和神經(jīng)網(wǎng)絡(luò)上進(jìn)行了訓(xùn)練。

機器中的面部識別是以同樣的方式實現(xiàn)的。首先，我們采用面部檢測算法來檢測場景中的人臉，然后從檢測到的人臉中提取面部特征，最后使用算法對人進(jìn)行分類。

面部識別系統(tǒng)的工作流

1. 人臉檢測

人臉檢測是物體檢測的一個特化版本，特別之處在于，它只檢測一種物體，即人臉。就像計算機科學(xué)里需要權(quán)衡時間和空間，機器學(xué)習(xí)算法也需要在推理速度和準(zhǔn)確性之間進(jìn)行權(quán)衡?，F(xiàn)在有很多物體檢測算法，不同算法對速度和準(zhǔn)確性的取舍有所不同。

本文評估了如下幾個最先進(jìn)的物體檢測算法：

• OpenCV（Haar-Cascade）
• MTCNN
• YoloV3 和 Yolo-Tiny
• SSD
• BlazeFace
• ShuffleNet 和 Faceboxes

為了構(gòu)建一個強大的人臉檢測系統(tǒng)，我們需要準(zhǔn)確且快速的算法，以滿足在 GPU 以及移動設(shè)備上實時運行的需要。

準(zhǔn)確度

在流媒體視頻的實時推理中，人們的面部可能有不同的姿勢、遮擋和照明效果。因此，算法能在不同的光照條件和不同姿態(tài)下精確檢測人臉非常重要。

在不同的姿態(tài)和光照條件下的人臉檢測

OpenCV（Haar-ascade）

我們從 OpenCV 的 Haar-cascade 實現(xiàn)開始，它是一個用 C 語言編寫的開源圖像處理庫。

優(yōu)點： 由于這個庫是用 C 語言編寫的，所以它在實時系統(tǒng)中的推理速度非?？臁?

缺點： 這個實現(xiàn)的問題是它無法檢測側(cè)臉，而且在不同姿態(tài)和光照條件下表現(xiàn)欠佳。

MTCNN

這種算法基于深度學(xué)習(xí)方法。它使用深度級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（Deep Cascaded Convolutional Neural Networks）來檢測人臉。

優(yōu)點： 它比 OpenCV 的 Haar-Cascade 方法準(zhǔn)確性更高

缺點： 運行時間較長。

YOLOV3

YOLO（“You only  look  once”）是用于物體檢測的最先進(jìn)的深度學(xué)習(xí)算法。它由許多卷積神經(jīng)網(wǎng)絡(luò)組成，形成一個深度 CNN 模型 (深度意味著模型架構(gòu)復(fù)雜性很高）。

原始的 YOLO 模型可以檢測 80 個不同的物體類別，而且檢測精度很高，而我們只需要用該模型檢測一個物體——人臉。我們在 WiderFace（包含 393,703 個面部標(biāo)簽 的圖像數(shù)據(jù)集）數(shù)據(jù)集上訓(xùn)練了這個算法。

YOLO 算法還有一個微型版本，即 Yolo-Tiny。Yolo-Tiny 需要的計算時間比較少，但卻犧牲了一些準(zhǔn)確性。我們用相同的數(shù)據(jù)集訓(xùn)練了一個 Yolo-Tiny 模型，其邊界框（boundary box）結(jié)果并不一致。

優(yōu)點： 非常準(zhǔn)確，沒有任何缺陷。比 MTCNN 更快。

缺點： 由于具有巨大的深度神經(jīng)網(wǎng)絡(luò)層，它需要的計算資源更多。因此，該算法在 CPU 或移動設(shè)備上運行地很慢。在 GPU 上，它的大型架構(gòu)也需要耗費更多的 VRAM。

SSD

SSD（Single Shot Detector）也是一個類似 YOLO 的深度卷積神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)點： 良好的準(zhǔn)確性。它可以檢測各種姿勢、光照和遮擋。良好的推理速度。

缺點： 比 YOLO 模型差。雖然推理速度較好，但仍不能滿足在 CPU、低端 GPU 或移動設(shè)備上運行的要求。

BlazeFace

就像它的名字一樣，它是由谷歌發(fā)布的速度極快的人臉檢測算法。它接受 128x128 維的圖像輸入，推理時間是亞毫秒級，已優(yōu)化到可以在手機中使用。它速度這么快的原因是：

• YOLO 和 SSD 用來檢測大量的類別，而 BlazeFace 不同，是一個專門的人臉檢測器模型。因此 BlazeFace 的深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)比 YOLO 和 SSD 的架構(gòu)小。
• 它采用的是深度可分離卷積層（Depthwise Separable Convolution），而不是標(biāo)準(zhǔn)的卷積層，這樣就降低了計算量。

優(yōu)點： 非常好的推理速度，且人臉檢測的準(zhǔn)確率高。

缺點： 這個模型的優(yōu)化目標(biāo)是對手機攝像頭獲取的圖像進(jìn)行人臉檢測，因此它預(yù)期人臉會覆蓋圖像中的大部分區(qū)域，而當(dāng)人臉尺寸較小時，它的識別效果就是很好。所以，當(dāng)對閉路電視攝像機獲取的（CCTV ，Closed Circuit Tele Vision）圖像進(jìn)行人臉檢測時，它表現(xiàn)得并不理想。

Faceboxes

Faceboxes 是我們使用的最新的人臉檢測算法。與 BlazeFace 類似，它是一個小型的深度卷積神經(jīng)網(wǎng)絡(luò)，只為檢測一種類別——人臉而設(shè)計。它的推理時間可滿足 CPU 上的實時檢測需求。它的準(zhǔn)確度可以與 Yolo 人臉檢測算法相媲美，而且，不管圖像中的人臉較大還是較小，它都可以精確地檢測。

優(yōu)點： 推理速度快，準(zhǔn)確性好。

缺點： 評估仍在進(jìn)行中。

2. 特征提取

在檢測到圖像中的人臉后，我們對人臉進(jìn)行裁剪，并將其送入特征提取算法，該算法創(chuàng)建面部嵌入（face-embeddings）——一個代表人臉特征的多維（主要是 128 或 512 維）向量。我們使用 FaceNet 算法來創(chuàng)建面部嵌入。

嵌入向量代表一個人的面部特征。因此，同一個人的兩個不同圖像的嵌入向量之間的距離比較接近，而不同人的嵌入向量之間的距離比較遠(yuǎn)。其中，兩個向量之間的距離采用的是歐氏距離。

3. 面部分類

在得到面部嵌入向量后，我們訓(xùn)練了一種分類算法，即 K- 近鄰（K-nearest neighbor，KNN）算法，根據(jù)一個人的嵌入向量對其進(jìn)行分類。

假設(shè)在一個組織中，有 1000 名員工。我們創(chuàng)建了所有員工的面部嵌入，并使用嵌入向量訓(xùn)練分類算法。該算法以面部嵌入向量作為輸入，以人的名字作為輸出返回。

在把圖片放到網(wǎng)上前，用戶可以采用過濾器修改圖片中的特定像素。人眼無法察覺這些變化，但它會讓面部識別算法覺得很困惑?！?ThalesGroup

當(dāng)前，面部識別算法已經(jīng)取得了巨大的進(jìn)步。但這僅僅是技術(shù)革命的開始?？梢韵胂笠幌?，未來面部識別算法和聊天機器人技術(shù)的聯(lián)合起來是多么強大。