走近人脸识别:时代趋势下的弄潮儿

  1. 云栖社区>
  2. 博客>
  3. 正文

走近人脸识别:时代趋势下的弄潮儿

数据智能小二 2019-04-28 18:10:28 浏览1916
展开阅读全文

人脸识别

得益于移动设备的普及和摄像技术的发展,人脸识别技术突飞猛进,现已广泛运用于各个行业,如:商铺客流统计、道路安防监控、公司人脸考勤等,"刷脸"办事正愈发常见。

人脸识别是一种基于人的脸部特征信息进行身份识别的一种生物识别技术,具体指代用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术。

人脸识别作为一项互联网领域热门技术,目前在很多互联网产品领域都有着广泛应用。

技术特性

与其他生物识别方式相比,人脸识别具有自然性不被察觉性等特点。自然性指该识别方式同人类进行个体识别时所利用的生物特征相同,而指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触,而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像,在采集过程中体验感不佳。非接触性、非侵扰性、硬件基础完善、采集快捷便利等几大优势集合起来,就造就了人脸识别迅猛的发展和日趋成熟。

市场分析

近年来,在政策支持下,人工智能在国内狂飙突进,人脸识别技术逐渐在智慧城市、公共安全、轨道交通、政府治理等行业有所应用。2015年以来,国家持续出台利好政策,推动了人脸识别在金融、安防、医疗等领域的应用,为人脸识别行业奠定了坚实的基础。数据显示,2017年人脸识别市场规模达21.9亿元,与2016年相比同比增长27%,2018年人脸识别市场规模预计近为27.6亿元。
1

(资料来源:中商产业研究院整理)

工作原理

要理解人脸识别的工作原理,特征向量这个概念和它脱不开联系。众所周知,机器学习只能理解数字,所以要机器识别一张图片,根本是机器学习算法将数据集作为输入识别数据中的模式,并从中学习经验。例如,假定我们希望识别指定图片中人物的脸,很多物体是可以看作模式的,如脸部长宽的比例、脸部肤色、头发颜色、局部细节的宽度(如鼻子,嘴等)。此时就存在一个模式:不同的脸有不同的维度,相似的脸有相似的维度。表示一张脸的数字可以称为特征向量,一个特征向量包括特定顺序的各种数字。举个例子:

  • 脸的长度(cm)
  • 脸的宽度(cm)
  • 脸的平均肤色(R,G,B)
  • 头发的平均肤色(R,G,B)
  • 鼻子长度(cm)

当给定一个图片时,我们可以标注不同的特征并将其转化为特征向量,比如上述例子即可为(23;16;250,210,165;150,120,250;5)。
一旦我们将每个图片解码为特征向量,问题就变得更简单。明显地,当我们使用同一个人的两张面部图片时,提取的特征向量会非常相似。换言之,两个特征向量的“距离”就变得非常小。
此时机器学习可以帮我们完成两件事:

  1. 提取特征向量。由于特征过多,手动列出所有特征是非常困难的。一个机器学习算法可以自动标注很多特征。例如,一个复杂的特征可能是:鼻子长度和前额宽度的比例。手动列出所有的这些衍生特征是非常困难的。
  2. 匹配算法。一旦得到特征向量,机器学习算法需要将新图片和语料库中的特征向量进行匹配。

解决方案

阿里云.人脸识别可支持最多上千个人脸的同时检测,支持平面360度旋转人脸检测,支持左右最大90度侧面人脸检测。同时毫秒级提取图像中的人脸五官关键点,识别人脸105个关键点定位。在此基础上,可识别各个检测人脸的性别、年龄、表情、眼镜四种属性,返回人脸的1024维深度学习特征,实现高性能的人脸识别。

目前,阿里云.人脸识别已推出了一套完整的身份验证解决方案:

身份验证1 : 1刷脸识别

判断身份证持有者是否为本人。
适用于安检口、酒店、app等需要用户刷卡做身份验证的场景。

  • 提供sdk、api两种方式,支持多平台,灵活部署。
  • 支持无交互式及交互式活体检测
  • 高准确率:精度>99%(FAR=0.1%)
  • 高效-确保高通行率
    2

身份验证1 : N动态识人

基于图像或视频输入进行检测,与注册库比对,实现1:N的人脸识别。
适用于人脸登录、VIP人脸识别、人脸通关等无需刷卡验证的场景。

  • 提供sdk、api调用方式,支持多平台,CPU、GPU计算模式,灵活部署。
  • 支持无交互式或动作活体检测
  • 数千万人脸样本收集,CNN网络模型的不断训练和调优,兼顾效率和精度的身份对比网络。
  • 高准确率:千人注册级别,精度>98%
    3

活体检测 无交互式

通过视频或者图像,直接对客户人脸进行识别,确认用户是否为真人,无需动作配合。

  • 支持多平台,CPU、GPU计算模式,灵活部署。
  • 对静态人脸图像利用深度学习网络判断其真实性,无需动作配合
  • 基于人脸CNN网络模型+大量数据实现,精度>95%(FRA=0.1%)
    4

活体检测 交互式

通过人脸特征点定位跟踪识别 ,进行3D人脸重建估计、识别摇头、 眨眼、张嘴等动作,判断是否为真人。

  • 支持多平台,CPU、GPU计算模式,灵活部署。
  • 基于CNN深度学习网络,实现人脸检测和特征点定位拟合3D人脸模型,完成姿态和动作估计
  • 实时完成检测,精度>95%(FRA=0.1%)
    5



注:部分内容来自网络,感谢分享
更多产品详情介绍

有想法、想交流?欢迎加入阿里云数据智能产品钉钉交流群:

一:输入数字进入钉钉交流群:23116044
二:扫描二维码进钉钉交流群:
test

网友评论

登录后评论
0/500
评论
数据智能小二
+ 关注