资讯

人脸识别的关键技术

应用系统
来源: 中国安防协会 |Maggie |2019-04-15 15:14:51

在出入口控制、视频监控等安防领域中,人脸识别的环境是复杂多样的。

  492332862952231979.jpg

      1人脸图像采集技术

  在出入口控制、视频监控等安防领域中,人脸识别的环境是复杂多样的,各种光照条件会直接影响人脸图像的采集效果。因此有效的ISP图像采集技术是保证后续人脸识别效果的必要前提。以海思为代表的安防芯片厂家,在视频监控领域积累了多年的ISP图像处理经验,在各种逆光、低照、动态范围较大的场景下,都能较好地获取清晰的人脸画面。以索尼为代表的图像传感器厂家,以宇瞳为代表的镜头厂家,也提供了高质量的图像传感器和镜头方案,配合芯片ISP算法,保证了人脸图像的有效采集。此外,针对人脸等特殊目标,设计专门的人脸曝光算法,也是一个重要的技术发展趋势,一些有相关技术积累的安防厂家都采用了这种技术来增强人脸采集的图像处理效果。

  2基于深度学习的人脸识别算法

  传统的人脸识别技术,由于场景适应性较差,无法满足实际应用的要求,因此当时的人脸识别大都是在特定场合下使用,无法普及开来。随着深度学习的成熟和普及,将深度学习应用到人脸识别成为一个主流的技术趋势。基于深度学习强大的泛化能力和鲁棒性,人脸识别终于可以在更加广泛的应用领域中施展身手。基于深度学习的人脸检测算法,当前使用较多的有基于候选框的Faster RCNN、RFCN等算法,也有基于回归的YOLO、SSD等算法。经过近几年算法的优化迭代,这些算法在检测速度和检测精度上已经能够满足实时业务的需求。

  3基于深度学习的人脸识别算法

  深度学习相比传统算法优势明显,但是计算量也是非常大的。早期,深度学习只能在工作站或服务器平台上依赖强大的CPU来运行。随着英伟达强势介入深度学习领域,在GPU上运行深度学习成为一个主流趋势。而以英伟达TK1、TX1为代表的GPU模块的推出,在嵌入式设备上运行深度学习成为了可能。随后各种专用的深度学习加速模块开始普及,从而推进了深度学习在各种嵌入式终端设备的普及。

  当前,主流的嵌入式设备上的深度学习方案有以下几种:

  (1)以TK1、TX1为代表的专用芯片GPU方案,是基于GPU芯片强大的并行计算性能,能够实现高效的深度学习计算,但是芯片功耗较大,对终端设备的散热要求较高。

  (2)以瑞芯微、联发科芯片为代表的通用芯片CPU方案,主要是基于通用ARM芯片实现深度学习计算,运算能力相对有限,无法实时运行较复杂的网络,或者采用更高规格的ARM芯片才能满足模型实时运行的需求,芯片的性价比不高。

  (3)以Movidus芯片、海思智能芯片为代表的专用芯片方案,自带深度学习专用的加速模块,芯片计算能力强大,功耗和体积都非常小,比较适合在嵌入式终端上部署深度学习方案,是未来深度学习在嵌入式终端部署实施的主要方案。

  4活体检测技术  

       提到人脸识别就避不开活体检测这个话题,为了保证人脸识别的有效性,防止各种恶意攻击,在人脸识别产品中实现有效的活体检测技术是一个重要的前提条件。当前业界的活体检测技术方案很多,主流技术方案有配合式的活体检测、非配合式的红外活体检测、基于深度信息的活体检测等,每种方法都有其优劣势。在实际应用中一般是根据活体检测严格程度,选择一种或多种技术方案组合起来,实现有效的活体检测功能。

  配合式的活体检测由于简单易用的原因,在早期使用的较多,但是由于配合式的方式易用性较差,除了一些特殊场景外,后续应该会被非配合式的方案所替代。

  红外光人脸识别在活体检测方面具有一定的技术优势,因此这也是当前主流的活体检测方案之一。


*本文已标注来源和出处,文章版权归原作者及原出处所有。文章系作者个人观点,不代表筑慧宝立场。有任何疑问都请联系(筑慧小妹)。免责声明:本网站所有文章仅作为资讯传播使用,既不代表任何观点导向,也不构成任何商机建议。