近期，國內疫情出現反復，作為抗擊疫情的戰爭中強有力的護盾，口罩再次成為了公民的標配，但在抗疫常態化的行程中，口罩卻對諸如“刷臉”支付、身份認證等需要人臉識別的場景提出了挑戰，
人臉識別原理
人臉識別技術
在了解人臉識別面臨的問題之前，我們首先要了解人臉識別系統，人臉識別系統主要是由硬體和軟體兩部分構成，硬體主要就是攝像頭和計算機，人臉識別系統的軟體則比較復雜——人臉識別系統的軟體需要控制攝像頭采集圖片，然后對采集到的圖片進行預處理，之后完成人臉檢測定位、人臉特征提取和人臉特征匹配這幾項作業，
人臉檢測定位是用預訓練好的人臉檢測模型去辨別圖片里是否有人臉，如果檢測到人臉，就進行定位；人臉特征提取是把定位到的人臉所在區域的特征提取出來；人臉特征匹配是把提取的人臉特征和預先保存在系統中的人臉特征進行比對，判斷它們是否一致，如果一致就確認身份，否則身份認證失敗，
人臉識別面臨的挑戰
當口罩遮擋住人臉大部磁區域時，可供識別的人臉特征大幅減少，人臉識別系統無法提取到人臉完整的面部特征，只能捕捉到人臉部分資訊，機器之前學習的特征判別能力隨之降低，如果系統中保存的人臉圖片是不戴口罩的完整人臉，那么兩張圖片之間的差異會很大，這時人臉識別就會失敗，
帶口罩人臉識別的資料解決方案
為了保證人臉戴上口罩后還能夠被正確識別，人臉識別系統首先要能夠檢測到并定位戴口罩的人臉，一般說來，可以通過預先訓練一個戴口罩人臉檢測模型來解決這個問題，比如某品牌的人臉識別系統在訓練人臉檢測神經網路模型時采用高斯掩模的方法改變網路特征訓練的權重分配模式，將人臉未被遮擋部分以及人頭部分的比重增加，這樣模型就可以檢測并定位戴口罩的人臉，
檢測定位到人臉后，根據人臉是否佩戴口罩，確定用來做人臉特征比對的不同模板，如果人臉未佩戴口罩，則按常規流程利用標準模板庫進行比對得到識別結果；如果人臉佩戴口罩，則在特征提取程序中使用特征注意力掩模處理，得到口罩遮擋部分之外的人臉資訊特征，之后與戴口罩模板庫進行比對，根據比對結果輸出身份驗證結果，
針對口罩人臉識別這一應用場景，資料堂采集了戴口罩人臉識別資料、面部遮擋多姿態人臉識別等資料集，為相關企業演算法和技術的升級提供助力，資料堂嚴格遵守相關規定，所采集的資料均已獲得被采集人授權，資料堂致力于用高質量的資料推動情感識別技術的發展、有效保障用戶資料性的安全性，
戴口罩人臉識別資料集
近5千人參與戴口罩人臉識別資料集資料采集，每位被采集者，分別采集7張圖片，資料多樣性包括不同型別的口罩、不同年齡段、不同光照、不同采集環境，該套資料可應用于遮擋人臉檢測及識別等計算機視覺任務，口罩型別、性別、人種和年齡標簽標注準確率超過97%，
面部遮擋多姿態人臉識別資料集
數千人參與面部遮擋多姿態人臉識別資料采集，每個人36張圖片：一張身份證的證件照（已脫敏）、7張無口罩多姿態人臉照片、7張戴口罩多姿態人臉照片、7張戴眼鏡多姿態人臉照片、7張戴帽子多姿態人臉照片、7張戴墨鏡多姿態人臉照片，人臉姿態包括遠、近、上、下、左、右、中共7種，該套資料可應用于遮擋人臉檢測及識別等計算機視覺任務，遮擋型別、性別、人種和年齡標簽標注準確率超過97%，
科技向善，越來越多的科技中堅力量加入到抗疫中來，我們堅信人工智能一定能在其中發揮出更大的作用和價值，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/437968.html
標籤：AI
上一篇：影像修復、專欄目錄：推薦查閱順序