导航菜单

AI,人脸识别背后的推进者?

日博备用网站 ?

谷歌最近发布了一款专为移动GPU推理量身定制的轻量级人脸检测器。亚毫秒人脸检测算法Blaze Face。它在旗舰设备上的运行速度为200-1000 + fps,可用于需要快速准确识别面部区域的许多任务,例如2D/3D面部关键点识别和几何评估,面部特征和表情分类以及面部分割。

谈到“人脸识别技术”,我认为每个人都不会陌生。 “人脸识别技术”自20世纪60年代末开始发展,并在20世纪90年代逐渐进入市场。技术精度逐渐达到99%的高精度。一些人脸识别软件属于国际标准LFW。该数据库甚至达到了99.15%的准确率,这已经超过了人眼识别的能力。因此,各行各业都将人脸识别纳入未来的规划前景,尤其是人工智能领域,如Vision Technology,Etu Technology和Extreme Chain Technology等,他们都渴望尝试。

%5C

在人脸识别技术的早期阶段,典型的基于视频图像的人脸识别系统通常自动检测人脸区域,从视频中提取特征,并在脸部存在时最终识别人脸的身份。在视频监控,信息安全和访问控制应用中,基于视频的人脸识别是一个非常重要的问题,也是人脸识别的热点和难点。基于视频优于基于静态的图像,因为Bruce和Knight等人。已经表明,当面部反转或反转时,运动信息有助于识别面部。尽管视频面部识别是基于静止图像的面部识别的直接扩展,但是通常认为视频面部识别算法需要使用空间和时间信息。这些方法近年来才开始受到关注并需要进一步研究。和发展。

件相对较差)获得,并且通常没有用户合作,因此视频脸部图像通常在照明和姿势方面有很大变化,并且也可能被遮挡和伪装。

件,视频面部图像通常小于基于静止图像的面部识别系统的预设尺寸。小尺寸图像不仅影响识别算法的性能,而且影响人脸检测,分割和关键点定位的准确性,这不可避免地导致整个人脸识别系统的性能下降。

在这种情况下,提高系统识别的准确性和准确性已成为人脸识别领域的重中之重。如何利用人工智能有效促进人脸识别的发展已成为人工智能视觉和图像领域的关键应用。

%5C

例如,视频AI领域的独角兽链技术建议用四个模块识别场景中的人脸:

第1单元:视频结构化,用镜头分割视频

在此步骤中,通常采用全局特征和局部特征的组合。全局特征检测全局颜色的变化,然后使用由局部特征获得的面部识别的跟踪结果和跟踪轨迹的不连续性来确定视频是否具有镜头切换。跟踪确定镜头切换有很大的优势,因为后续步骤将使用类似的算法,因此该步骤所需的算法可以重复使用。

第2单元:面部轨迹提取

在完成镜头分割之后,可以在分割的单个片段中执行面部轨迹提取。在轨迹提取算法中,还应考虑准确度和速度的指标。为了实现速度和精度之间的平衡,有两种方式:一种是间隔采样或逐帧处理,另一种是检测和检测。跟踪。

第3单元:面部识别

通过面部轨迹,您可以开始识别面部。但是,在将面部数据输入深层网络之前,需要根据需要对其进行转换和处理。面对面部,特别是在消费者视频中,部分转型非常重要,即脸部的对齐。面部对齐是检测和定位面部的面部图像并将各种姿势的面部图像校正为正面的处理。在算法框架中,需要添加一种面部质量评估算法来过滤低质量的人脸图像,以保证人脸数据的准确性。

在充分样本的前提下,通过训练获得的模型可用于从面部样本中提取特征。在测试时,在检测到视频中的面部之后,将其输入到生成的特征向量中,并且匹配与面部交互的特征向量以在特征空间中找到最接近的样本。

第4单元:识别结果融合

上面提到的面部识别是针对单个帧识别的图像。上面提到的系统识别结果都是针对整个人脸轨迹的。因此,需要将面部识别的结果与整个面部轨迹合并以获得整个轨迹的识别结果。

还有许多用于识别结果的集成策略。有一种简单的投票策略,即尾部框架的识别结果是一票,识别结果的最高票数是轨道的最终识别结果。神经网络也用于实现这种融合。可以在时间维度上训练神经网络,并且由每个帧识别的特征向量用作网络的输入。最终的特征向量是通过时间维度中的一系列参数变换获得的。

如果人工智能是时代潮流,那么人脸识别就是乘坐风浪的船。如今,随着人工智能的发展,人脸识别可以具有更高的精度,更强的识别能力和更广阔的未来。