訂閱
糾錯(cuò)
加入自媒體

人臉識(shí)別技術(shù)哪家強(qiáng)?OPPO專利解讀:多幀超分與深度學(xué)習(xí)結(jié)合提升精度

知情郎·眼|

侃透天下專利事兒

聊過指紋識(shí)別、虹膜識(shí)別。

今天說人臉識(shí)別技術(shù)哪家強(qiáng)!

國內(nèi)做人臉識(shí)別的科技公司不少。

在市場上名氣比較大的如炒作了N年的AI四小龍商湯科技、曠視科技、依圖科技、云從科技。

當(dāng)年都打出過人臉識(shí)別國內(nèi)第一的技術(shù)營銷牌!

百度智能云、阿里云、騰訊云這些大平臺(tái)就更不用說了,你點(diǎn)開阿里云,搜索人臉識(shí)別,就會(huì)跳出相關(guān)人臉識(shí)別服務(wù),支持SDK調(diào)用,用起來很方便!

不過,從德高行全球?qū)@麛?shù)據(jù)庫檢索的結(jié)果看,國內(nèi)跟人臉識(shí)別有關(guān)聯(lián)度的專利量,OPPO排第一!

之后淺析下OPPO的人臉識(shí)別專利布局。

從指紋識(shí)別、虹膜識(shí)別到人臉識(shí)別,OPPO做的工作真不少,至少,從專利量角度而言,人家還真跟生物識(shí)別技術(shù)杠上了。

01科普人臉識(shí)別

人臉上的眼睛、鼻子、嘴巴、眉毛等,既是人們的共性,同時(shí)也是區(qū)分個(gè)體的關(guān)鍵(因?yàn)槠浯笮 ⑿螤畹炔槐M相同)。

我們經(jīng)常用面部的特征來描述個(gè)體,機(jī)器同樣也可以做這件事。

機(jī)器通過對圖像處理,得到對這些圖像的集合特征描述(比如根據(jù)你的鼻子的顯著特點(diǎn)導(dǎo)出一組用于識(shí)別的特征度量如距離、角度等)

比較普遍的就是特征臉法,搜集大量的圖像進(jìn)行分析,尋找人臉圖像分布的基本元素,即人臉圖像樣本集協(xié)方差矩陣的特征向量,以此近似地表征人臉圖像。

簡單解釋下,通過機(jī)器人臉檢測,可以從一幅幅圖像中提取出人臉區(qū)域。

但是想進(jìn)一步了解人臉的信息,就需要人臉特征點(diǎn)定位,每個(gè)人的臉型輪廓、五官特征點(diǎn)是不同的,所以大家的特征點(diǎn)連接起來后也是不同的。

哪怕是整容了,也很難改變連接起來的整體特征點(diǎn)。

人臉識(shí)別,就是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。

02整容臉會(huì)否影響人臉識(shí)別?

很多網(wǎng)友會(huì)問?一個(gè)人臉部多處整容,在機(jī)場人臉識(shí)別安檢中會(huì)否過不去?

知情郎也很好奇答案。

自從韓國女子整容潮風(fēng)靡國內(nèi)后,電視機(jī)里都是蛇精臉~

從大V們在行業(yè)技術(shù)論壇的交流結(jié)果來看,確實(shí)會(huì)有影響。

如果只是臉部發(fā)福變胖,臉部特征對稱點(diǎn)不變,沒什么影響。

但如果對輪廓線做了改變,如削下巴、動(dòng)眼睛、整鼻子就要小心。

尤其鼻子整容將鼻梁徹底變了,開眼角拉眼皮,尤其還只對一只眼睛做整形,這會(huì)讓五官特征點(diǎn)大變樣,兩只眼還不對稱,這些都會(huì)影響AI的人臉識(shí)別判斷。

這些交流內(nèi)容,也把知情郎看笑了。

人臉識(shí)別,最有意思的也是特征點(diǎn)定位。

人臉特征點(diǎn)定位是一種利用計(jì)算機(jī)分析人臉圖像,從而獲得諸如眼睛、鼻尖、嘴角點(diǎn)、眉毛以及人臉各部件輪廓點(diǎn)等等一些重要的特征點(diǎn)位置的技術(shù),如下圖所示。


04人臉特征點(diǎn)定位的應(yīng)用領(lǐng)域

人臉特征點(diǎn)定位應(yīng)用在很多環(huán)節(jié)。

1、人臉檢測:人臉特征點(diǎn)的位置信息可以在人臉檢測中定位人臉、驗(yàn)證人臉檢測的結(jié)果以及精確指明人臉位置。


2、人臉識(shí)別:即人臉特征點(diǎn)的結(jié)果。


3、姿態(tài)估計(jì)和凝視方向分析:在頭部姿態(tài)及定位提供的幾何特征等是人臉識(shí)別的重要信息,在人臉識(shí)別過程中一項(xiàng)重要工作就是人臉對齊,這主要依賴于人臉特征點(diǎn)定位人臉表情分析中,可以通過對五官的相對位置及形狀進(jìn)行分析確定,人臉特征定位是姿態(tài)估計(jì)和表情分析的前提。


4、疲勞度檢測:人體的疲勞度會(huì)體現(xiàn)在人臉上,例如眨眼、打哈欠,通過人臉特征點(diǎn)定位可以進(jìn)行分析。

5、三維人臉動(dòng)畫合成:比如微軟開發(fā)的可供用戶體驗(yàn)的基于正面人臉特征點(diǎn)定位的卡通畫生成系統(tǒng)CartoonMaker。


上述都是技術(shù)論壇行業(yè)工程師日常討論的東西,且現(xiàn)在美顏相機(jī)那么厲害,P圖狂人能活活把任何一女子照片美化成絕世美人,所以不是攝像頭實(shí)時(shí)視頻拍攝的圖片,經(jīng)常出現(xiàn)識(shí)別錯(cuò)誤的情況。

05技術(shù)發(fā)展歷史

傳統(tǒng)的人臉識(shí)別技術(shù)主要是基于可見光圖像的人臉識(shí)別,這也是人們熟悉的識(shí)別方式,已有30多年的研發(fā)歷史。

但這種方式有著難以克服的缺陷,尤其在環(huán)境光照發(fā)生變化時(shí),識(shí)別效果會(huì)急劇下降,無法滿足實(shí)際系統(tǒng)的需要。

解決光照問題的方案有三維圖像人臉識(shí)別,和熱成像人臉識(shí)別。但這兩種技術(shù)還遠(yuǎn)不成熟,識(shí)別效果不盡人意。

迅速發(fā)展起來的一種解決方案是基于主動(dòng)近紅外圖像的多光源人臉識(shí)別技術(shù)。

它可以克服光線變化的影響,已經(jīng)取得了卓越的識(shí)別性能,在精度、穩(wěn)定性和速度方面的整體系統(tǒng)性能超過三維圖像人臉識(shí)別。

這項(xiàng)技術(shù)使人臉識(shí)別技術(shù)逐漸走向?qū)嵱没?/p>

06人臉識(shí)別算法分類

人臉識(shí)別技術(shù)的核心是算法,比較知名的基礎(chǔ)性算法有三種。

1 特征臉法(Eigenface)

特征臉技術(shù)是近期發(fā)展起來的用于人臉或者一般性剛體識(shí)別以及其它涉及到人臉處理的一種方法。

該方法首先由Sirovich和Kirby(1987)提出(《Low dimensional procedure for the characterization of human faces》),并由MatthewTurk和AlexPentland用于人臉分類(《Eigen faces for recognition》)。

首先把一批人臉圖像轉(zhuǎn)換成一個(gè)特征向量集,稱為“Eigenfaces”,即“特征臉”,它們是最初訓(xùn)練圖像集的基本組件。識(shí)別的過程是把一副新的圖像投影到特征臉子空間,并通過它的投影點(diǎn)在子空間的位置以及投影線的長度來進(jìn)行判定和識(shí)別。

將圖像變換到另一個(gè)空間后,同一個(gè)類別的圖像會(huì)聚到一起,不同類別的圖像會(huì)聚力比較遠(yuǎn),在原像素空間中不同類別的圖像在分布上很難用簡單的線或者面切分,變換到另一個(gè)空間,就可以很好的把他們分開了。

Eigenfaces選擇的空間變換方法是PCA(主成分分析),利用PCA得到人臉分布的主要成分,具體實(shí)現(xiàn)是對訓(xùn)練集中所有人臉圖像的協(xié)方差矩陣進(jìn)行本征值分解,得到對應(yīng)的本征向量,這些本征向量就是“特征臉”。

每個(gè)特征向量或者特征臉相當(dāng)于捕捉或者描述人臉之間的一種變化或者特性。這就意味著每個(gè)人臉都可以表示為這些特征臉的線性組合。

2 局部二值模式(Local Binary Patterns,LBP)

局部二值模式是計(jì)算機(jī)視覺領(lǐng)域里用于分類的視覺算子。

LBP一種用來描述圖像紋理特征的算子,該算子由芬蘭奧盧大學(xué)的T.Ojala等人在1996年提出(《A comparative study of texture measures with classification based on featured distributions》)。

2002年,T.Ojala等人在PAMI上又發(fā)表了一篇關(guān)于LBP的文章(《Multi resolution gray-scale and rotation in variant texture classification with local binary patterns》)。

這一文章非常清楚的闡述了多分辨率、灰度尺度不變和旋轉(zhuǎn)不變、等價(jià)模式的改進(jìn)的LBP特征。

LBP的核心思想就是:以中心像素的灰度值作為閾值,與他的領(lǐng)域相比較得到相對應(yīng)的二進(jìn)制碼來表示局部紋理特征。

LBP是提取局部特征作為判別依據(jù)的。LBP方法顯著的優(yōu)點(diǎn)是對光照不敏感,但是依然沒有解決姿態(tài)和表情的問題。不過相比于特征臉方法,LBP的識(shí)別率已經(jīng)有了很大的提升。

3 Fisherface

線性鑒別分析在降維的同時(shí)考慮類別信息,由統(tǒng)計(jì)學(xué)家SirR.A.Fisher1936年發(fā)明

(《THE USE OF MULTIPLE MEASUREMENTS IN TAXONOMIC PROBLEMS》)。

為了找到一種特征組合方式,達(dá)到最大的類間離散度和最小的類內(nèi)離散度。

這個(gè)想法很簡單:在低維表示下,相同的類應(yīng)該緊緊的聚在一起,而不同的類別盡量距離越遠(yuǎn)。

1997年,Belhumer成功將Fisher判別準(zhǔn)則應(yīng)用于人臉分類,提出了基于線性判別分析的Fisherface方法(《Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection 》)。

知情郎就不展開具體的算法描述,網(wǎng)上技術(shù)論壇有大牛們的交流解讀,一堆密密麻麻的數(shù)據(jù)公式,看的腦殼疼,也不看懂。

整體來說,目前人臉識(shí)別的算法分為以下幾種:

1、基于人臉特征點(diǎn)的識(shí)別算法(Feature-based recognition algorithms)。

2、基于整幅人臉圖像的識(shí)別算法(Appearance-based recognition algorithms)。

3、基于模板的識(shí)別算法(Template-based recognition algorithms)。

4、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的算法(Recognition algorithms using neural network)。

5、基于光照估計(jì)模型理論

提出了基于Gamma灰度矯正的光照預(yù)處理方法,并且在光照估計(jì)模型的基礎(chǔ)上,進(jìn)行相應(yīng)的光照補(bǔ)償和光照平衡策略。

6、優(yōu)化的形變統(tǒng)計(jì)校正理論

基于統(tǒng)計(jì)形變的校正理論,優(yōu)化人臉姿態(tài);

7、強(qiáng)化迭代理論

強(qiáng)化迭代理論是對DLFA人臉檢測算法的有效擴(kuò)展;

8、實(shí)時(shí)特征識(shí)別理論

該理論側(cè)重于人臉實(shí)時(shí)數(shù)據(jù)的中間值處理,從而可以在識(shí)別速率和識(shí)別效能之間,達(dá)到最佳的匹配效果。


07國內(nèi)哪些玩家技術(shù)儲(chǔ)備深?

以臉部識(shí)別為關(guān)鍵詞,在德高行全球?qū)@麛?shù)據(jù)庫檢索得出,國內(nèi)相關(guān)專利申請人排名如下

圖片標(biāo)題

整體看,國內(nèi)臉部識(shí)別專利主要分布在硬件、應(yīng)用領(lǐng)域,至于臉部識(shí)別算法的反而不是最多的。

這也符合實(shí)際情況,行業(yè)經(jīng)典算法都來自于國外大牛的研究。

OPPO在指紋識(shí)別、虹膜識(shí)別領(lǐng)域?qū)@诺谝,在臉部識(shí)別領(lǐng)域,專利量依然排第一。

這結(jié)果出乎知情郎意料之外,AI四小龍的曠視科技排第9,商湯科技不同企業(yè)主體分列22位、26位。

快速掃了上百個(gè)OPPO的臉部識(shí)別關(guān)聯(lián)專利。

大量專利都圍繞如何局性提高人臉識(shí)別效率展開,從環(huán)境采光、圖片壓縮方式、面部三維特征提取、特征匹配算法、硬件攝像頭自拍、面部識(shí)別啟動(dòng)條件設(shè)置等多維度布局。

有意思的是,OPPO大量的人臉識(shí)別關(guān)聯(lián)專利用在了濾鏡美顏功能上,尤其在圖像處理上,第一用處不是特征提取識(shí)別,而是為了美顏,祛除圖像里的瑕疵斑點(diǎn),讓照片人的皮膚變美!

在基礎(chǔ)性、根本性的算法上,沒看到OPPO的貢獻(xiàn),至少,專利層面沒看到類似講述。

咋說呢?

OPPO的這些專利相對簡單......

08OPPO人臉識(shí)別專利解讀

圖片標(biāo)題

技術(shù)背景介紹

人臉識(shí)別是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù),用攝像裝置采集含有人臉的圖像,并在圖像中檢測,進(jìn)而對檢測到的人臉進(jìn)行臉部識(shí)別,也可以稱之為人像識(shí)別、面部識(shí)別。

然而,在圖像中人臉較小或成像質(zhì)量較差時(shí),會(huì)降低人臉識(shí)別精度。

OPPO工程師提供了一種人臉識(shí)別方法,以提高人臉識(shí)別精度。

09步驟一 雙線性插值處理數(shù)字圖像

不廢話,看工程師的流程設(shè)計(jì)思路!

1、獲取針對目標(biāo)人臉的連續(xù)N幀初始圖像。

N的取值范圍為[3,16],在N的取值范圍為[3,16]時(shí),移動(dòng)終端在人臉識(shí)別過程中的運(yùn)算量增長程度與人臉識(shí)別精度提升程度較為經(jīng)濟(jì)。

即,連續(xù)N幀初始圖N至少要連續(xù)3幀以上。

所以,要拿攝像頭排自己,時(shí)間要稍長點(diǎn)。

2、獲取所述N幀初始圖像中每幀初始圖像中所述目標(biāo)人臉的人臉圖像。

專利語言過于拗口,通俗點(diǎn)解釋,獲取每幀初始圖像中目標(biāo)人臉的人臉圖像可以是指從每幀初始圖像中裁切出目標(biāo)人臉的人臉圖像。

簡單點(diǎn)說,獲取每幀初始圖像中目標(biāo)人臉的中心點(diǎn),將該中心點(diǎn)作為人臉圖像的中心點(diǎn),裁切出預(yù)設(shè)尺寸的人臉圖像,該人臉圖像包含整個(gè)目標(biāo)人臉。

所述N幀初始圖像對應(yīng)N幀人臉圖像,所述N幀人臉圖像的尺寸相同,例如N幀人臉圖像的尺寸均為W×H,W為人臉圖像的寬度,H為人臉圖像的高度。

3、對N幀人臉圖像進(jìn)行亞像素插值,獲得第一人臉圖像

對N幀人臉圖像進(jìn)行亞像素插值,用于實(shí)現(xiàn)多幀超分,可以增加人臉圖像的真實(shí)細(xì)節(jié)數(shù)量,提升人臉圖像的細(xì)節(jié)清晰度,降低噪聲,獲得分辨率較高的第一人臉圖像。

在知情郎看來,OPPO的工程師實(shí)際在一幀幀修圖,來提高第一人臉圖像清晰度,只不過不是人工精修,而是通過算法潤色圖片細(xì)節(jié)清晰度。

解釋下,流程非常復(fù)雜。

1)從所述N幀人臉圖像中選取一幀人臉圖像作為參考人臉圖像;

2)對所述參考人臉圖像進(jìn)行雙線性插值,獲得第三人臉圖像;

3)對剩余N-1幀人臉圖像中第i幀人臉圖像進(jìn)行雙線性插值,獲得第四人臉圖像,i為大于零且小于或等于N-1的整數(shù);

4)將所述第三人臉圖像與所述第四人臉圖像進(jìn)行圖像匹配,獲取所述第三人臉圖像中第一像素以及所述第四人臉圖像中與所述第一像素匹配的亞像素;

5)獲取所述第四人臉圖像中與所述亞像素相鄰的四個(gè)像素的像素值;

6)根據(jù)所述第四人臉圖像中與所述亞像素相鄰的四個(gè)像素的像素值,獲取所述第四人臉圖像中所述亞像素的像素值;

7)將所述第三人臉圖像中所述第一像素的像素值與所述第四人臉圖像中所述亞像素的像素值相加求平均,并將平均值作為所述第三人臉圖像中所述第一像素的像素值;

重復(fù)執(zhí)行步驟3、4、5、6、7步驟,直到遍歷完所述剩余N-1幀人臉圖像,并確定處理后的所述第三人臉圖像為所述第一人臉圖像。

用圖片理解下算法的意義

非圖片處理領(lǐng)域人士大概率是看不懂上面流程的,尤其第三人臉圖像、第四人臉圖像的意義,知情郎也是看的一頭霧水的。

不用糾結(jié)這些,第三人臉圖像、第四人臉圖像都是第一人臉圖像服務(wù)的,他們都是在增強(qiáng)人臉圖像的細(xì)節(jié),提高分辨率。

一組連續(xù)N幀人臉圖像,每一幀的圖像總是有細(xì)微不同的。一幀幀的再提煉共同點(diǎn),補(bǔ)足細(xì)節(jié)真實(shí)感。

亞像素的像素值如何計(jì)算的公式,OPPO工程師是這樣的定義:


圖中OP1,1、OP1,2、OP2,1、OP2,2為第三人臉圖像中的像素;

OP1,1為第三人臉圖像中的第一像素,也為第四人臉圖像中的亞像素,IP1,1、IP1,2、IP2,1、IP2,2為第四人臉圖像中與像素相鄰的四個(gè)像素。

可利用下面這個(gè)公式計(jì)算第四人臉圖像中亞像素的像素值:


公式中IP1,1、IP1,2、IP2,1、IP2,2分別為像素IP1,1的像素值、像素IP1,2的像素值、像素IP2,1的像素值、像素IP2,2的像素值,公式中使用的權(quán)重即為偏移量。

簡單解釋下,上面就是雙線性插值算法在圖像處理過程中的簡單應(yīng)用。

比如在圖像的縮放中,在所有的扭曲算法中,都可以利用該算法改進(jìn)處理的視覺效果。

看不懂不用糾結(jié),簡單科普,雙線性插值充分利用了鄰域像素的不同占比程度而計(jì)算得出最合適的插值像素,從而完成插值。

數(shù)學(xué)就是算法之源,數(shù)學(xué)不好,真的難混好!

10在提煉清晰度獲得第二人臉圖像

前面的動(dòng)作都只是為了補(bǔ)足第一人臉圖像的清晰圖,當(dāng)細(xì)節(jié)增強(qiáng)后的第一人臉圖像確定時(shí),將所述第一人臉圖像輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò),獲得第二人臉圖像。

所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)可以是指預(yù)先設(shè)置的用于提高第一人臉圖像分辨率的神經(jīng)網(wǎng)絡(luò),包括但不限于圖像從深度重新排列為空間數(shù)據(jù)塊depth-to-space層。在多幀超分之后加入深度學(xué)習(xí)超分網(wǎng)絡(luò)(即預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)),該深度學(xué)習(xí)超分模型可以去噪音、去模糊,在保證人臉特征不變的基礎(chǔ)上,提高分辨率。

知情郎解釋下,第二人臉的分辨率必然要比第一人臉高,因?yàn)檫@一步也是對第一人臉的進(jìn)一步細(xì)節(jié)優(yōu)化,形成第二人臉圖像。

最后,系統(tǒng)識(shí)別第二人臉圖像中的人臉。

整體來說,整個(gè)專利核心流程就是通過先獲取針對目標(biāo)人臉的連續(xù)N幀初始圖像,再獲取每幀初始圖像中目標(biāo)人臉的人臉圖像,并對N幀人臉圖像進(jìn)行亞像素插值,獲得尺寸和分辨率均放大的第一人臉圖像,再將第一人臉圖像輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò),對第一人臉圖像進(jìn)行圖像增強(qiáng),進(jìn)一步放大第一人臉圖像的尺寸和分辨率。

整個(gè)專利亮點(diǎn)就在于亞像素插值處理人物圖像,通過將多幀超分與深度學(xué)習(xí)相結(jié)合,提升人臉圖像中真實(shí)細(xì)節(jié)的數(shù)量,進(jìn)而提高人臉識(shí)別精度。

對數(shù)字圖像處理算法感興趣的朋友可下載PDF,技術(shù)論壇里也有大量圖像處理之雙線性插值法心得體會(huì)。

學(xué)好數(shù)理化,走遍天下都不怕!不要搞嘴皮子弄話術(shù),沒價(jià)值~

       原文標(biāo)題 : 人臉識(shí)別技術(shù)哪家強(qiáng)?OPPO專利解讀:多幀超分與深度學(xué)習(xí)結(jié)合提升精度

聲明: 本文由入駐維科號(hào)的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報(bào)。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個(gè)字

您提交的評論過于頻繁,請輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號(hào)
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯(cuò)
x
*文字標(biāo)題:
*糾錯(cuò)內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號(hào)