疫情之下,“口罩人脸识别”是怎样炼成的?| 架构师

疫情之下,“口罩人脸识别”是怎样炼成的?| 架构师

发布于:2020-07-08 08:00
本期推荐内容:再见 Python,你好 Julia!大数据的下一站是什么?服务 / 分析一体化
下载此书

卷首语:疫情之下,“口罩人脸识别”是怎样炼成的?

作者:沙宇洋,中科院计算所工程师


2020 年新春伊始,突如其来的新冠肺炎疫情严重扰乱了我们的生活节奏。口罩对疫情防控起到了重要的作用,因此成为了人们生活中的必需品。佩戴口罩会遮挡大量的面部区域,导致原有的“人脸识别系统”突然间失效了。在公共区域摘下口罩完成人脸识别,不但会耗费大量不必要的时间,还会增加被感染的风险。


疫情为当下的人脸识别系统提出了全新的要求和挑战:在佩戴口罩场景下如何高效的完成人脸识别。为了解决上述的挑战,现有的人脸识别系统需要从人脸检测、人脸对齐以及人脸识别模块优化等几个主要的方面进行针对性的优化和提升。


1. 人脸检测模块优化


人脸检测是人脸识别系统最重要的组成部分之一,一旦人脸检测失败或检测结果出现较大偏差,都会严重影响后续人脸识别的效果。人脸检测算法在佩戴口罩场景下检测结果误差较大,主要是因为缺少相关的训练数据。因此可以通过丰富训练数据、有针对性地设计数据增强策略方法等来提升人脸检测算法的鲁棒性和准确性。


2. 人脸对齐模块优化


人脸对齐又被称为人脸关键点定位,该算法通过在人脸图片上标定出一些具有特殊语意信息的点,然后通过这些点对人脸进行仿射变换。当面部大部分区域被口罩覆盖时,人脸关键点定位算法的精度会急剧降低,进而影响人脸识别系统的精度。针对目前这一状况,可以使用 GAN、3D 图像融合等技术来快速合成海量训练数据,实现对佩戴口罩的人脸精准的关键点定位,完成人脸对齐任务。


3. 人脸识别模块优化


被口罩覆盖的面部区域包含大量用于人脸识别的特征信息,这些信息的缺失将会导致人脸识别系统出现严重的错误。目前解决这一问题的主要方法是通过修改深度神经网络结构同时加入更多注意力机制,使模型可以更多地关注到未被口罩遮挡的眼部区域,同时结合脸型等面部结构特征来提升人脸识别系统在“口罩人脸识别”这一特殊场景下的精度。


人脸识别系统作为一个典型的例子,在这次疫情期间所暴露出的问题,让我们清楚地认识到人工智能技术在实际落地时还有很多具体的细节需要优化和改进。无接触式测温、无人车送货、AI 辅助诊疗等技术在抗击疫情斗争中的大量使用,也让我们看到了人工智能技术所蕴含的巨大潜力。我相信人工智能技术一定会在科学抗疫助力复工复产的道路上发挥出更大的作用和价值。

目录

热点 | Hot


定了!苹果确认放弃英特尔,全面采用自研芯片,库克:这是 Mac 最具历史意义的一天!


理论派 | Theory


再见 Python,你好 Julia!


推荐文章 | Article


美团点评万亿级 KV 存储架构演进


观点 | Opinion


大数据的下一站是什么?服务/分析一体化(HSAP)


专题|Topic


美团凶猛:市值破千亿,顶 3 个百度、1.6 个京东,万亿小目标还会远吗?


评论

发布
暂无评论