人脸识别中面对的难题

1：光照问题：

在非理想环境光照条件下和用户不配合（视角变化、表情变化、饰物乃至化妆）时，大多数人脸识别系统必然遇到识别性能下降问题。在诸多影响人脸识别性能的因素中，环境光照的变化是人脸识别领域最具挑战性的难题。由于环境光照变化的影响，使得现有大部分人脸识别产品在实际应用中受到极大的局限。当识别时的环境光照和注册时的环境光照不同时，往往会引起人脸识别的性能大大下降。这也是制约现有人脸识别系统真正可以供用户实际使用的最重要的原因。为了克服环境光照的影响，学术界和相关企业都做了大量的研究和技术开发。但大部分工作在于对现有可见光人脸识别系统进行改进,以减轻环境光照的影响。虽然取得了一定的进步，但收效甚微。

目前，市场上也出现了一些基于三维数据的人脸识别方法和基于热红外图像的人脸识别方法。基于三维图像人脸识别方法中，通过激光扫描器获取三维人脸数据。基于三维技术的系统受环境光照影响较小。但是由于设备昂贵、存储和计算复杂度很高，不能满足实际系统的需要。基于热红外或远红外图像的方法，易受环境温度、人的情绪和健康状态的影响，使得获取到的人脸图像发生较大的变化，在实际的应用系统中性能并不好。目前能克服光照变化的不利影响的当属近红外人脸识别技术。

近红外人脸识别技术克服光照问题

基于近红外图像的人脸识别方法是近年来人脸识别技术的一个革命性的创新，目的在于消除环境光照对人脸识别的影响。这项新技术包括主动红外人脸图像采集硬件和人脸识别算法软件两部分。硬件由CCD或COMS摄像机、红外发光二极管和外壳等构成。人脸以50－100cm 距离正对摄像机，利用安装在摄像机周围的近红外主动光源提供正面方向照明；同时，通过在摄像机前端安装合适的滤镜，阻止可见光波段的光线通过，消除环境光的影响；过滤后的人脸图像被摄像机采集并输入到计算机中。近红外图像在任意环境光照下都是清晰、正面光照的，这为构建不受环境光影响且高度准确的人脸识别系统，提供了良好的图像数据技术。人脸识别算法则进一步对图像进行处理，以消除距离远近和头部姿态所带来的负面影响。通过照片，视频，3D模型等手段欺骗人脸识别引擎的企图，一直是人脸识别系统的弱点。基于近红外的技术可有效地检测人脸的活体性，以实现防伪的功能。该成果已经申请4项专利，其中一项为PCT国际专利。
在实际应用中，近红外人脸识别系统整体性能达到国际领先水平。该系统通过了中国信息安全产品测评认证中心身份认证产品与技术测评中心的权威测评，性能如下：
(a) 工作环境光照度范围0－50000 Lux。即，不但可以在任意室内光线下使用，还可以在全黑暗和室外阳光下正常使用；
(b) 识别正确率：99.2% (500人数据库)；

基于此技术可开发出一系列应用系统，如生物识别快速通关系统已于2005年6月起在深圳-香港、珠海-澳门边境检查实施应用；另外的应用包括工作人员出入口控制、人脸门禁考勤系统等。

大多数现有产品都是受控条件下的人脸识别系统：要求用户近距离面对摄像机以获得高质量的人脸图像；要求用户将以正面姿态对着摄像机；一次只能识别一个人。这些要求在合作用户的应用中可以得到满足，如电子护照、门禁、考勤等
然而，随着安全监控的需要，智能视频监控中迫切需要一种中远距离人脸跟踪与识别技术。比如，跟踪监控和识别进入大楼的人员。但是近距离人脸识别系统对用户的这些限制在视频监控中难以得到满足。其一，由于监控摄像机处于中远距离位置，从而难以获得质量较高的人脸图像。同时，由于运动模糊，图像的质量远低于静态近距离获得的人脸图像。其二，由于人远离摄像机，因此相对而言，活动更加自由。从而导致多个技术问题，比如，面部侧面正对着摄像头，转身使后老勺正对着摄像头。这些情形给人脸检测、人脸跟踪、人脸对比识别带来相当大的技术难题。其三，监控场景中通常会有多人同时出现。用户需要识别多人。当多人同时出现时，需要对每一个人保持跟踪。同时出现多人时容易产生身体之间的相到遮挡，这给身份关联带来一定的困难。
基于此，我们开发了中科奥森人脸跟踪与识别系统，用于中远距离安防监控识别作业。
该系统由服务器端与采集显示终端构成。主要功能包括：检测场景中出现的人脸；对检测到的人脸在场景范围内进行跟踪；识别已在系统数据库中注册的人员，辨别为注册人员。该系统可以接受普通监控摄像的视频输入，或者红外摄像头的视频输入。
该系统采用多信息融合实现流畅的多人脸跟踪，有效的集成基于可见光和近红外人脸识别技术，满足中远距离下人脸姿态相对自由条件下人脸跟踪与识别要求。经过大量的测试，表现出中远距离下准确、稳定、实时和流畅的人脸跟踪性能和识别性能，主要技术指标如下：
(a)可大于5米（从人脸到摄像头）
(b)中远距离人脸检测率：＞99% （距离6米）
(c)注册时间：自动模式：10 秒；人工模式：20 秒
(d)匹配模式：1:1 或 1:N
(e)中远距离人脸识别率：> 95% （距离6米、小样本、正面脸相、室内光照条件下）
(f)人脸跟踪：能够在仰头、俯头、侧身、背身、跳跃状态下保持跟踪

(g)实时跟踪与识别多人

基于嵌入式人脸识别系统

在下列嵌入式硬件平台上实现的人脸识别系统（基于近红外图像，基于可见光图像）：
(a)　intel Xscale 系列
(b)　TI DSP DM64x 系列
识别速度大于5帧　/　秒。

光照问题也可以利用直方图平衡化处理，人脸区域左、右人脸进行直方图平衡化，再合并为整个人脸克服光照问题。

2：姿态问题：哭笑、低头、佐侧脸、右侧脸如何识别？

针对一定偏转角度的人脸，首先将其进行摆正，将人脸摆正为正脸，然后进行识别；表情变化比较大的人脸，还没有较好的方法；

3:遮挡问题：眼镜、帽子、刘海、伤疤等问题如何解决？

可以在人脸识别前，首先对人脸部分进行特征点标记，标记特征点可以有效避免遮挡问题的影响，问题是在提取特征的时候，遮挡有一点影响但不大。

4：年龄变化问题：不同时期人脸如何识别？少年、中年、老年。

5：图像质量问题：低分辨率、噪声大、质量差的人脸图像。

6：活体技术问题：如何区分是一张人脸照片还是动态的人脸。

7：种族问题：

8：样本问题：

从以上8个方向进行创新，解决人脸识别中现在面对的一些问题。

人脸识别中面对的难题相关推荐

人脸识别中的八大难题(zz)
http://blog.sciencenet.cn/blog-730995-578502.html 最近在看人脸识别相关文献,根据文献总结归纳以下八大难点,我从难到易进行罗列. 其实,人脸识别算法研究 ...
深度学习在人脸识别中的应用 —— 优图祖母模型的「进化」
原作者: 腾讯优图 | 来自: 机器之心序言--「弱弱」的人工智能说到人工智能(Artificial Intelligence, AI)人们总是很容易和全知.全能这样的词联系起来.大量关于人工智能 ...
深度学习在人脸识别中的应用 ——优图祖母模型的“进化”
序言--"弱弱"的人工智能说到人工智能(Artificial Intelligence, AI)人们总是很容易和全知.全能这样的词联系起来.大量关于AI的科幻电影更给人工智能蒙上 ...
深度学习在人脸识别中的应用——优图祖母模型的“进化”
雷锋网按:本文转自腾讯优图,着重介绍了深度学习在人脸识别中的应用,首先回顾了人脸识别的历史,接着介绍优图在人脸识别中的优势,及其"进化过程". 说到人工智能(Artificial ...
人脸识别特征介绍以及难题概括
科技的发展,人脸识别技术正广泛应用在我们的生活,也在逐渐改变我们的生活,给我们带来更多的方便.今天给大家介绍一下人脸识别特征有哪些?人脸识别技术的应用有哪些难题存在呢? 人脸识别特征介绍 1.几何特征 ...
yii2 模型中set_Day184:人脸识别中open-set与close-set
人脸识别可以简单的分为如下两类: face verification:人脸验证时将人脸分类到某个ID,比如给定两张人脸,判断是否是同一个人(ID) face identification:给定一张人 ...
【CVPR 2018】腾讯AI lab提出深度人脸识别中的大间隔余弦损失
论文导读] 深度卷积神经网络(DCNN)在人脸识别中已经取得了巨大的进展,通常的人脸识别的核心任务都包括人脸验证与人脸识别,涉及到特征判别.很多模型都是使用Softmax损失函数去监督模型的训练,但是 ...
人脸识别中的rank-n
人脸识别中的rank-n 代表的意思原创这个昵称唯一最后发布于2017-09-02 11:05:13 阅读数 2247 收藏展开 Rank-1 看一些论文总是在结果中看到rank-1,等等,但 ...
CV之FRec之ME/LF：人脸识别中常用的模型评估指标/损失函数(Triplet Loss、Center Loss)简介、使用方法之详细攻略
CV之FRec之ME/LF:人脸识别中常用的模型评估指标/损失函数(Triplet Loss.Center Loss)简介.使用方法之详细攻略目录 T1.Triplet Loss 1.英文原文解释 ...

人脸识别中面对的难题

人脸识别中面对的难题相关推荐

最新文章

热门文章