基于深度学习的人脸识别技术综述 - 知乎

[madobet]

简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在 LFW 数据集上（Labeled Faces in the Wild）获得优秀结果的方法; 二，是采用深度学习的方法。

前言

LFW 数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。该数据库共 13，233 幅图像，其中 5749 个人，其中 1680 人有两幅及以上的图像，4069 人只有一幅图像。图像为 250*250 大小的 JPEG 格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有 6 中评价标准：

一，Unsupervised；
二，Image-restricted with no outside data；
三，Unrestricted with no outside data；
四，Image-restricted with label-free outside data；
五，Unrestricted with label-free outside data；
六，Unrestricted with labeled outside data。
目前，人工在该数据集上的准确率在 0.9427~0.9920。在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比如 face++,DeepID3，FaceNet 等。

表二：第六种标准下，部分模型的识别准确率（详情参见lfw 结果）

续上表

本文综述的人脸识别方法包括以下几个筛选标准：一，在上表中识别精度超过 0.95（超过人类的识别准确度）；二，公布了方法（部分结果为商业公司提交，方法并未公布，比如Tencent-BestImage）；三，使用深度学习方法（本人是深度学习的追随者）；三，近两年的结果。本文综述的方法包括：1，face++（0.9950 ）；2，DeepFace（0.9735 ）；3,FR+FCN（0.9645 ）；4，DeepID（0.9745 ）；5，FaceNet（0.9963 ）；6， baidu 的方法（0.9977 ）；7,pose+shape+expression augmentation（0.9807）；8，CNN-3DMM estimation(0.9235 ，准确率没那么高，但是值得参考)。

人脸识别方法

1，face++(0.9950)

参考文献：Naive-Deep face Recognition: Touching the Limit of LFW Benchmark or Not?

face++ 从网络上搜集了 5million 张人脸图片用于训练深度卷积神经网络模型，在 LFW 数据集上准确率非常高。该篇文章的网路模型很常规（常规深度卷积神经网络模型），但是提出的问题是值得参考的。
问题一：他们的 Megvii Face Recognition System 经过训练后，在 LFW 数据集上达到了 0.995 的准确率。在真实场景测试中（Chinese ID （CHID）），该系统的假阳性率（ ）非常低。但是，真阳性率仅为 0.66，没有达到真实场景应用要求。其中，年龄差异（包括 intra-variation：同一个人，不同年龄照片；以及 inter-variation：不同人，不同年龄照片）是影响模型准确率原因之一。而在该测试标准 (CHID) 下，人类表现的准确率大于 0.90.

图 1-1：在 CHID 中出错的样本

问题二：数据采集偏差。基于网络采集的人脸数据集存在偏差。这些偏差表现在：1，个体之间照片数量差异很大；2，大部分采集的照片都是：微笑，化妆，年轻，漂亮的图片。这些和真实场景中差异较大。因此，尽管系统在 LFW 数据集上有高准确率，在现实场景中准确率很低。
问题三：模型测试加阳性率非常低，但是现实应用中，人们更关注真阳性率。
问题四：人脸图片的角度，光线，闭合（开口、闭口）和年龄等差异相互的作用，导致人脸识别系统现实应用准确率很低。
因此，该文章提出未来进一步研究的方向。方向一：从视频中提取训练数据。视频中人脸画面接近于现实应用场景（变化的角度，光照，表情等）；方向二：通过人脸合成方法增加训练数据。因为单个个体不同的照片很困难（比如，难以搜集大量的单个个体不同年龄段的照片，可以采用人脸合成的方法（比如 3D 人脸重建）生成单个个体不同年龄段的照片）。该文章提出的方向在后续方法介绍中均有体现。

2，DeepFace（0.9735 ）
参考文献：Deepface: Closing the gap to humal-level performance in face verification
2.1 简介
常规人脸识别流程是：人脸检测 - 对齐 - 表达 - 分类。本文中，我们通过额外的 3d 模型改进了人脸对齐的方法。然后，通过基于 4million 人脸图像（4000 个个体）训练的一个 9 层的人工神经网络来进行人脸特征表达。我们的模型在 LFW 数据集上取得了 0.9735 的准确率。该文章的亮点有以下几点：一，基于 3d 模型的人脸对齐方法；二，大数据训练的人工神经网络。

2.2 人脸对齐方法
文中使用的人脸对齐方法包括以下几步：1，通过 6 个特征点检测人脸；2，剪切；3，建立 Delaunay triangulation；4，参考标准 3d 模型；5，将 3d 模型比对到图片上；6，进行仿射变形；7，最终生成正面图像。

图 2-1 人脸对齐的流程

图 2-2：深度神经网络

2.4 结果
该模型在 LFW 数据集上取得了 0.9735 准确率，在其它数据集比如 Social Face Classification (SFC) dataset 和 YouTube Faces (YTF) dataset 也取得了好结果，详情请参见原文。

3，FR+FCN（0.9645 ）

参考文献：Recover Canonical-View Faces in the Wild with Deep Neural Networks

3.1 简介

自然条件下，因为角度，光线，occlusions（咬合 / 张口闭口），低分辨率等原因，使人脸图像在个体之间有很大的差异，影响到人脸识别的广泛应用。本文提出了一种新的深度学习模型，可以学习人脸图像看不见的一面。因此，模型可以在保持个体之间的差异的同时，极大的减少单个个体人脸图像（同一人，不同图片）之间的差异。与当前使用 2d 环境或者 3d 信息来进行人脸重建的方法不同，该方法直接从人脸图像之中学习到图像中的规则观察体（canonical view，标准正面人脸图像）。作者开发了一种从个体照片中自动选择 / 合成 canonical-view 的方法。在应用方面，该人脸恢复方法已经应用于人脸核实。同时，该方法在 LFW 数据集上获得了当前最好成绩。该文章的亮点在于：一，新的检测 / 选择 canonical-view 的方法；二，训练深度神经网络来重建人脸正面标准图片（canonical-view）。

3.2 canonical view 选择方法

我们设计了基于矩阵排序和对称性的人脸正面图像检测方法。如图 3-1 所示，我们按照以下三个标准来采集个体人脸图片：一，人脸对称性（左右脸的差异）进行升序排列；二，图像锐度进行降序排列；三，一和二的组合。

图 3-1 正面人脸图像检测方法

矩阵 为第 i 个个体的人脸图像矩阵， 为第 i 个个体所有人脸图像集合， 。正面人脸检测公式为： 。

3.3 人脸重建

我们通过训练深度神经网络来进行人脸重建。loss 函数为：

i 为第 i 个个体，k 为第 i 个个体的第 k 张样本。 和 Y 为训练图像和目标图像。

如图 3-2 所示，深度神经网络包含三层。前两层后接上了 max pooling；最后一层接上了全连接层。于传统卷积神经网络不同，我们的 filters 不共享权重（我们认为人脸的不同区域存在不同类型的特征）。第 l 层卷积层可以表示为：

图 3-2 深度神经网络

最终，经过训练的深度神经网络生成的 canonical view 人脸图像如图 3-3 所示。

图 3-3 canonical view 人脸图像

4，DeepID（0.9745 ）

参考文献：DeepID3: Face Recognition with Very Deep Neural Networks

4.1 简介

深度学习在人脸识别领域的应用提高了人脸识别准确率。本文中，我们使用了两种深度神经网络框架（VGG net 和 GoogleLeNet）来进行人脸识别。两种框架 ensemble 结果在 LFW 数据集上可以达到 0.9745 的准确率。文章获得高准确率主要归功于大量的训练数据，文章的亮点仅在于测试了两种深度卷积神经网络框架。

4.2 深度神经网络框架

图 4-1 两种深度卷积神经网络框架

5，FaceNet(0.9963)
参考文献：FaceNet: A Unified Embedding for Face Recognition and Clustering

5.1 简介

作者开发了一个新的人脸识别系统：FaceNet，可以直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。只要该映射空间生成，人脸识别，验证和聚类等任务就可以轻松完成。该方法是基于深度卷积神经网络，在 LFW 数据集上，准确率为 0.9963，在 YouTube Faces DB 数据集上，准确率为 0.9512。FaceNet 的核心是百万级的训练数据以及 triplet loss。

5.2 triplet loss
triplet loss 是文章的核心，模型将图像 x embedding 入 d - 维的欧几里得空间 。我们希望保证某个个体的图像 和该个体的其它图像 距离近，与其它个体的图像 距离远。如图 5-1 所示：

图 5-1 triplet loss 示意图

triplets 的选择对模型的收敛非常重要。如公式 1 所示，对于 ，我们我们需要选择不同个体的图片 ，使 ；同时，还需要选择同一个体不同图片 ，使得 。

5.3 深度卷积神经网络
采用 adagrad 优化器，使用随机梯度下降法训练 CNN 模型。在 cpu 集群上训练了 1000-2000 小时。边界值 设定为 0.2。总共实验了两类模型，参数如表 5-1 和表 5-2 所示。
表 5-1 CNN 模型 1

表 5-2 CNN 模型 2

6，baidu 的方法
参考文献：Targeting Ultimate Accuracy : Face Recognition via Deep Embedding

6.1 简介
本文中，作者提出了一种两步学习方法，结合 mutil-patch deep CNN 和 deep metric learning，实现脸部特征提取和识别。通过 1.2million（18000 个个体）的训练集训练，该方法在 LFW 数据集上取得了 0.9977 的成绩。

6.2 multi-patch deep CNN
人脸不同区域通过深度卷积神经网络分别进行特征提取。如图 6-1 所示。

图 6-1 multi-patch 示意图
6.3 deep metric learning
深度卷积神经网络提取的特征再经过 metric learning 将维度降低到 128 维度，如图 7-2 所示。

图 6-2 metric learning 示意图

7,pose+shape+expression augmentation（0.9807）
参考文章：Do We Really Need to Collect Millions of Faces for Effective Face Recognition

7.1 简介
该文章的主要思路是对数据集进行扩增（data augmentation）。CNN 深度学习模型，比如 face++，DeepID，FaceNet 等需要基于百万级人脸图像的训练才能达到高精度。而搜集百万级人脸数据所耗费的人力，物力，财力是很大的，所以商业公司使用的图像数据库是不公开的。
本文中，采用了新的人脸数据扩增方法。对现有公共数据库人脸图像，从 pose，shape 和 expression 三个方面合成新的人脸图像，极大的扩增数据量。在 LFW 和 IJB-A 数据集上取得了和百万级人脸数据训练一样好的结果。该文章的思路很好，很适合普通研究者。

7.2 pose+shape+expression 扩增方法
一，pose（姿态，文章中为人脸角度，即通过 3d 人脸模型数据库合成图像看不见的角度，生成新的角度的人脸）。首先，通过人脸特征点检测（facial landmark detector），获取人脸特征点。根据人脸特征点和开放的 Basel 3D face set 数据库的人脸模板合成 3d 人脸。如图 7-1 所示。

图 7-1 pose（角度）生成示意图

二，shape（脸型）。首先，通过 Basel 3D face 获取 10 种高质量 3d 面部扫描数据。再将图像数据与不同 3d 脸型数据结合，生成同一个人不同脸型的图像。如图 7-2 所示：

图 7-2 不同脸型生成示意图

三，expression（表情，本文中，将图像的张嘴表情替换为闭口表情）。采用中性嘴型将图像中的开口表情换位闭口表情。如图 7--3 所示。

图 7-3 不同表情（开口 / 闭口）生成示意图

7.3 模型及训练方法
文章模型采用的 ILSVRC 数据集上预训练的 VGG-19 模型。训练方法是常规梯度下降训练方法。值得提出的地方是，该文章对测试集也进行了 augmentation。

8, CNN-3DMM estimation(0.9235)
参考文献：

1,Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network(很优秀的工作，强烈推荐阅读原文)

2, 中文解析：使用深度卷积神经网络方法进行 3D 人脸重建

8.1 简介
当在真实场景中应用 3d 模拟来增加人脸识别精度，存在两类问题：要么 3d 模拟不稳定，导致同一个个体的 3d 模拟差异较大；要么过于泛化，导致大部分合成的图片都类似。因此，作者研究了一种鲁棒的三维可变人脸模型（3D morphable face models (3DMM)）生成方法。他们采用了卷积神经网络（CNN）来根据输入照片来调节三维人脸模型的脸型和纹理参数。该方法可以用来生成大量的标记样本。该方法在 MICC 数据集上进行了测试，精确度为 state of the art 。与 3d-3d 人脸比对流程相结合，作者在 LFW，YTF 和 IJB-A 数据集上与当前最好成绩持平。文章的关键点有两个：一，3D 重建模型训练数据获取；二，3D 重建模型训练 。

8.2 训练数据
作者采用了近期发表的多图像 3DMM 生成方法（M.Piotraschke 2016）。他们在 CASIA WebFace 数据集上采用该方法生成 3DMM。这些 3d 人脸模型用于训练 CNN 的 gound truth。多图像 3DMM 重建包括两步：一，从 CASIA 数据集选取 500K 当个图像来估计 3DMM 参数。二，同一个体不同照片生成的 3DMM 聚合一起，获取单个个体的 3DMM（约 10K 个体）。

8.2.1 Single image 3DMM fitting
采用两种不同的方法来对每一个训练图片配对上 3DMM。对于图像 I，我们估计 和 来表示与输入图像 I 类似的图像。采用了目前最好的人脸特征点检测器（CLNF）来检测 K=68 个人脸特征点 和置信值 。其中，脸部特征点用于在 3DMM 坐标系中初始化输入人脸的角度。角度表达为 6 个自由度：角度 和平移 。然后再对脸型，纹理，角度，光照和色彩进行处理。

8.2.2 Multi image 3DMM fitting
多图像 3DMM 生成通过 pool 单个个体不同图片生成的 3DMM 的脸型和纹理参数来实现。
其中 ， 为 CLNF 脸部特征检测生成的置信值。

8.3 3D 重建模型训练
对于数据集中每一个个体，有多张图片以及单个 pool 的 3DMM。我们将该数据用于训练模型，使模型可以根据同一个体不同的图片来生成类似的 3DMM 特征向量。
如图 8-1 所示，我们采用了 101 层的 deep ResNet 网络来进行人脸识别。神经网络的输出层为 198 维度的 3DMM 特征向量 。然后，使用 CASIA 图像生成的 pooled 3DMM 作为目标值对神经网络进行 fine-tuned。我们也尝试了使用 VGG-16 结构，结果比 ResNet 结构稍微差一点。

图 8-1 3D 重建训练示意图

8.3.1 The asymmetric Euclidean loss
我们在实验中发现，使用 Euclidean loss 会导致输出 3d 人脸缺少细节，如图 8-2 所示。因此，我们引入了 asymmetric Euclidean loss。

其中， 为目标 pooled 3DMM 值， 为输入， 为平衡 over 和 under estimation errors 的值。在实际操作中，我们设定 ，来鼓励模型学习更多的细节。

图 8-2 不同 loss 函数对结果的影响

8.4 实验结果
8.4.1 3D 重建结果
MICC 数据集包含 53 个个体的人脸视频和个体的 3D 模型作为 gound truth。这些视频可以用于单张图片和多张图片的 3D 重建。实验结果如表 8-1 所示，该重建方法比当前的方法都要好。
表 8-1 3D 重建实验结果

8.4.2 人脸识别
我们研究了同一人不同的照片重建的 3DMM 是否比不同人的照片重建的 3DMM 差异更小。我们在 LFW，YTF 和 IJB-A 数据集上测试了我们的方法。结果如表 8-2 和图 8-3 所示。
表 8-2 LFW 和 YTF 测试结果

图 8-3 LFW，YTF 和 IJB-A 测试结果

8.4.3 定性结果
图 8-4 展示了训练模型生成的 3DMM 结果。

图 8-4 3DMM 生成模型结果

总结
本文综述了 8 种基于深度学习的人脸识别方法，包括：1，face++（0.9950 ）；2，DeepFace（0.9735 ）；3,FR+FCN（0.9645 ）；4，DeepID（0.9745 ）；5，FaceNet（0.9963 ）；6， baidu 的方法（0.9977 ）；7,pose+shape+expression augmentation（0.9807）；8，CNN-3DMM estimation(0.9235)。上述方法可以分为两大类：
第一类：face++，DeepFace，DeepID，FaceNet 和 baidu。他们方法的核心是搜集大数据，通过更多更全的数据集让模型学会去识别人脸的多样性。这类方法适合百度 / 腾讯 / 谷歌等大企业，未来可以搜集更多更全的训练数据集。数据集包扩同一个体不同年龄段的照片，不同人种的照片，不同类型（美丑等）。通过更全面的数据，提高模型对现场应用中人脸差异的适应能力。
第二类：FR+FCN，pose+shape+expression augmentation 和 CNN-3DMM estimation。这类方法采用的是合成的思路，通过 3D 模型等合成不同类型的人脸，增加数据集。这类方法操作成本更低，更适合推广。其中，特别是 CNN-3DMM estimation，作者做了非常出色的工作，同时提供了源码，可以进一步参考和深度研究。

上述方法在理想条件下的人脸识别精确度已经达到或者超越人类的表现。但是，由于光线，角度，表情，年龄等多种因素，导致人脸识别技术无法在现实生活中广泛应用。未来研究中，不管哪种思路，均是提高模型对现场复杂环境的适应能力，在复杂环境中，也能达到人类识别的精确度。

人脸识别技术是计算机视觉和深度学习领域中相对成熟的技术，很期待该技术的广泛应用。

https://zhuanlan.zhihu.com/p/24816781