人脸识别

论文链接： Recover Canonical-View Faces in the wild with Deep Neural Networks FR:是指face recovery FCN是指face convolution network 正面人脸重构： 这是一篇14年的论文，比较有意思的是作者采用了一个简单卷积神经网络来完成正面人脸重构，以对齐人脸，然后基于对齐的人脸进行人脸验证。 要重构正面的人脸，进行人脸恢复，首先涉及到一个选择正面人脸作为GroudTruth的问题，也就是我们的重构目标，因此需要从训练集中挑选出我们觉得合适的正面人脸的选择。 正面人脸的选择： 左右对称性，2. 图像的秩Rank ，3，结合1和2（文章采用的方法）。 所以采用的度量公式如下： 其中Yi是人脸图像，P,Q 矩阵是参数， 第一项表示对称性， 第二项表示矩阵的核范数：矩阵的奇异值之和可以近似为图像的秩。 λ 则表示这两个准则的tradeoff。 在文章中，作者只是采用M值最小的。（可能会有问题，或者说有改进的空间，文章中作者也说了，可以采用线性组合等来计算正面人脸） 正面人脸选择之后，就可以进行训练是深度学习网络了，其训练的损失函数是： 其中W是深度神经网络的参数，Yi是选择的正面脸。 网络的结构如下所示： 其包含3个卷积层，其中头两个采用max pooling ，最后一个采用全连接，不

整理了一些Java方面的架构、面试资料（微服务、集群、分布式、中间件等），有需要的小伙伴可以关注公众号【程序员内点事】，无套路自行领取 更多优选 一口气说出 9种 分布式ID生成方式，面试官有点懵了 面试总被问分库分表怎么办？你可以这样怼他 3万字总结，Mysql优化之精髓 技术部突然宣布：JAVA开发人员全部要会接口自动化测试框架 9种分布式ID生成之美团（Leaf）实战 引言 远程在家办公的第N天，快要闲出屁了，今天突然有个小学弟加我VX说要咨询我点技术问题（终于可以装X了）。 看了他的需求描述，大概是要做一个Java web版本的人脸识别功能，然后存储人物的特征，再扫脸比对。可是我不会啊。。。 不过，作为一个宠粉的暖男，别说有困难就是没困难制造困难也要上，既然人家这么真诚的咨询，说明我还是有被需要的价值，不会那就帮着查查资料吧！没想到还有意外的收获~ 看完他的境遇，忽然想起自己当年做毕设时那无助的样子，是何等的相似。每每看到有这样的咨询，能帮的我都尽自己最大努力帮，毕竟都是这么走过来的。 人脸识别SDK 人脸识别 技术是很复杂的，自己用 Java 手撕一个识别算法有点不切实际，毕竟实力不允许我这么嚣张，还是借助三方的SDK吧！ 找了一圈发现一个免费的人脸识别SDK： ArcSoft :，地址： https://ai.arcsoft.com.cn 。 官网首页 ->

FER方法有两种，一是image-based方法；二是sequence-based方法，分别对应于静态图像数据集(eg：FER2013)和视频序列数据集(eg：CK+、Oulu-CASIA)。 论文概述 该论文来自2018年CVPR： 1.提出一种轻量型(compact)frame-based人脸表情识别模型，在性能不逊色state-of-the-art方法的同时参数量更少； 2.提出frame-to-sequence方法，通过门控循环单元(GRU)来使用时间信息； 3.收集三个不同场景的数据集，用来评估跨域性能； 4.提出光照增强方案以解决通过混合数据训练深度网络的过拟合问题，提高模型鲁棒性 模型介绍 frame-basedFER框架总体结构如下： 由此可见，整体框架分为两个部分：人脸预处理和CNN分类模型。其中，人脸预处理使用IntraFace检测出的人脸特征点裁剪人脸区域；CNN分类模型结构如下： 模型由两层卷积层(每层卷积层由两个卷积层构成)和两个全连接层构成，卷积核大小均为5X5，输入图片大小为96X96。 模型设计原因： 1.简单网络(plain model)能够在FRR任务中取得不错效果； 2.使用大卷积核(5X5)保证神经元拥有更大感受野；感受野相关内容参见： 我的博客 3.大幅减少全连接层神经元数量，使得网络参数量大幅减少( 实验结果证明只要合理设计感受野

论文链接： A Discriminative Feature Learning Approach for Deep Face Recognition （需翻墙） 代码链接: https://github.com/ydwen/caffe-face 一个小实验 作者为了说明Softmax损失函数对特征分布的影响，在Minist上做了一个小的实验，使用了一个比LeNets更深的网络结构LeNets++（如下图）。 LeNets++把网络全连接层的数量调至2，这样就可以得到一个二维的特征输出，以此对全连接层的特征进行可视化 试验结果 ： 不同颜色代表不同类，从上图可以看出，Softmax函数学习到的特征仍然有很大的类内差距，为了解决这一问题，center loss应运而生。 center loss Cyi表示属于yi类的特征的的中心 这样做是存在问题的 ： 理想情况下，我们每次更新权值都要遍历全部的训练集去获得每个类的中心，这是低效甚至不实际的 为了解决这个问题，作者使用了minbatch中的每个类的中心来更新，（虽然这样可能有些类的中心在一次迭代中无法更新到）： 总损失函数使用的是Softmax+center Loss联合损失： 求导： 算法流程类似一般的卷积神经网络，就是多了一个更新中心点的流程 效果： 人脸识别实验 参数： 三组对比实验： model A ：softmax loss

以下内容转自 https://blog.csdn.net/qq_32447301/article/details/79487335 此处指将目录列出，需要访问具体网站直接访问上述链接即可。 图像数据 一、综合图像 Visual Genome 图像数据 Visual7w 图像数据 COCO 图像数据 SUFR 图像数据 ILSVRC 2014 训练数据（ImageNet的一部分） PASCAL Visual Object Classes 2012 图像数据 PASCAL Visual Object Classes 2011 图像数据 PASCAL Visual Object Classes 2010 图像数据 80 Million Tiny Image 图像数据【数据太大仅有介绍】 ImageNet【数据太大仅有介绍】 二、场景图像 Street Scences 图像数据 Places2 场景图像数据 UCF Google Street View 图像数据 SUN 场景图像数据 The Celebrity in Places 图像数据 Web标签图像 HARRISON 社交标签图像 NUS-WIDE 标签图像 Visual Synset 标签图像 Animals With Attributes 标签图像 三、人形轮廓图像 MPII Human Shape人体轮廓数据 Biwi

实现目标 ：在茫茫人海中一眼相中 她 （在数据库中找出目标人脸） 解决思路 ：Input > 人脸检测 > 人脸识别 > Output Input：可上接 视频流 实现实时检测 Output：可下接 人脸检测框 可视化 所需工具 ：Python + OpenCV + Keras Step1：人脸检测 现在有众多包含人脸的照片（数据来源于百度图片），我们要检测出图片中的人脸，并切出来保存。 包含目标人脸的照片 进行了两种人脸检测方案的测试，如下： 1·OpenCV_haarcascade特征分类器 优点：识别速度快、对于大图小脸的情况几乎都能够检测到 缺点：误识别情况较惨 Haar识别，输入_待检测图，返回_人脸图和人脸数量 import cv2 pho_add = 'F:/.jpg' haar_path = 'F:/haarcascade_frontalface_default.xml' def face_detector_haar ( img ) : # 将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像 gray = cv2 . cvtColor ( img , cv2 . COLOR_BGR2GRAY ) # 加载OpenCV人脸检测分类器Haar face_cascade = cv2 . CascadeClassifier ( haar_path ) #

疯狂的小萝卜头 行人重识别(ReID) ——概述 行人重识别（Person re-identification，简称Re-ID）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。 如下图所示：一个区域有多个摄像头拍摄视频序列，ReID的要求对一个摄像头下感兴趣的行人，检索到该行人在其他摄像头下出现的所有图片。 为什么要Re-ID？ 在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技术。 研究形式 数据集通常是通过人工标注或者检测算法得到的行人图片，目前与检测独立，注重识别 数据集分为训练集、验证集、Query、Gallery 在训练集上进行模型的训练，得到模型后对Query与Gallery中的图片提取特征计算相似度，对于每个Query在Gallery中找出前N个与其相似的图片 训练、测试中人物身份不重复 两大方向 特征提取：学习能够应对在不同摄像头下行人变化的特征 度量学习 ：将学习到的特征映射到新的空间使相同的人更近不同的人更远 存在挑战

人脸检测与识别第一次课总结 开课吧CV专业选修课《人脸识别》，第一次课大纲： 人脸识别综述 人脸检测 实战-pytorch环境搭建与数据预处理 人脸检测过程 人脸检测（Face Detection），找出图像里面的人脸，通常用一个矩形框框起来。即输入是一幅图像img，输出是若干个包含人脸的矩形框位置(x,y,w,h)，(x, y)表示左上角的坐标，w是宽，h是高。 一个简单的自动人脸识别系统，包括以下4个方而的内容: 人脸检测: 即从各种不同的场景中检测出人脸的存在并确定其位置。 人脸对齐: 校正人脸在尺度、光照和旋转等方面的变化。 人脸表征: 采取某种方式表示检测出人脸和数据库中的已知人脸。 人脸匹配: 将待识别的人脸与数据库中的已知人脸比较，得出相关信息。 相关数据库-人脸检测 FDDB：2845幅图像,共5171个人脸 http://vis-www.cs.umass.edu/fddb/index.html MALF： 5250幅图像,共11931个人脸 http://www.cbsr.ia.ac.cn/faceevaluation/ IJB-A：24327幅图像,共49759个人脸 www.nist.gov/itl/iad/ig/ijba_request.cfm WIDER：32203幅图像,共393703个人脸 http://shuoyang1213.me

艾力奋人脸识别闸机官网 艾力奋人脸识别闸机淘宝 人脸识别多个场景都适用，能够结合客户需求自主研发动态人脸识别身份证核查系统。集现场人脸采集、身份验证、黑名单预警、等功能为一体，从读取身份证信息到现场采集人脸照片、进行比对、并获取结果，全程自动化，需增加外围硬件配置。操作过程无需人工干预，采集到的信息和比对结果可实时上传至大数据采集平台， 来源： oschina 链接： https://my.oschina.net/u/4435610/blog/3158148

业务系统现状 业务系统蓬勃发展几十年，多种管理系统，ERP、CRM、OA、进销存系统、财务系统、物流系统等等已经比较成熟，并且在各个行业得到了大量应用。 怎样保护利用好已有投资，避免重复投资建设系统， 同时又能快速拥抱AI、IOT等新的能力，扩展业务系统，是一个需要解决的实际问题。 AI能力建设本身存在资金、时间、人力投入成本巨大等问题，这些问题是挡在很多公司面前的拦路虎。怎么在省心、省钱、省力的情况下快速集成AI能力，就成为了摆在我们面前的一个非常实际的问题。 人脸识别私有化部署怎么快速扩展人脸识别能力 通过集成人脸识别私有化部署能力，无需花费大量人力、时间成本，在一周内快速集成人脸识别能力。快速对业务系统进行AI能力扩展，二次激活了业务系统。 业务系统集成人脸识别私有化部署方式 人脸识别私有化部署封装了推理算法，将算法的复杂性隐藏在底部。同时提供开放的http接口输出人脸识别能力，具有语言无关性、平台无关性。业务系统可以通过http接口快速、方便的集成。 业务系统集成人脸识别私有化部署流程示例 更多 查阅： https://ai.minivision.cn/#/solution/MS500 来源： 51CTO 作者： wx5e3a26df5d532 链接： https://blog.51cto.com/14681569/2470140