深度学习的人脸识别技术发展综述

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。

图一/表一：人类在LFW数据集上的识别精度

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（ $FP=10^{-5}$ ）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

2.3 深度神经网络

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 $Y_{i} \in R^{64\times 64}$ 为第i个个体的人脸图像矩阵， $D_{i}$ 为第i个个体所有人脸图像集合， $Y_{i} \in D_{i}$ 。正面人脸检测公式为： $M(Y_{i} )=||Y_{i}P-Y_{i}Q||_{F}^{2}-\lambda ||Y_{i}||_{*}$ 。

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： $E(\left\{ X_{ik}^{0} \right\} ;W)=\sum_{i}^{}{} \sum_{k}^{}{} \left| \left| Y_{i}-f(X_{ik}^{0};W ) \right|\right| _{F}^{2}$

i为第i个个体，k为第i个个体的第k张样本。 $X^{0}$ 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：

$X_{q,uv}^{l+1} =\sigma (\sum_{p=1}^{I}{x_{pq,uv}^{l} }\circ (X_{p}^{l} ) _{uv} +x_{q}^{l} )$

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 $f(x)\in R^{d}$ 。我们希望保证某个个体的图像 $x_{i}^{a} (anchor)$ 和该个体的其它图像 $x_{i}^{p} (positive)$ 距离近，与其它个体的图像 $x_{i}^{n} (negtive)$ 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 $x_{i}^{a}$ ，我们我们需要选择不同个体的图片 $x_{i}^{p}$ ，使 $argmax_{x_{i}^{p} } \left| \left| f(x_{i}^{a} )-f(x_{i}^{p} )\right| \right| _{2}^{2}$ ；同时，还需要选择同一个体不同图片 $x_{i}^{n}$ ，使得 $argmin_{x_{i}^{n} } \left| \left| f(x_{i}^{a} )-f(x_{i}^{n} )\right| \right| _{2}^{2}$ 。

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 $\alpha$ 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 $\alpha ^{*}$ 和 $\beta ^{*}$ 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 $P_{k} \in R^{2} ,k\in 1..K$ 和置信值 $w$ 。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 $r=\left[ r _{\alpha } ,r_{\beta a},r_{\gamma a} \right]$ 和平移 $t=\left[t_{X} ,t_{Y} ,t_{Z} \right]$ 。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。
$\bar{\gamma } =\sum_{i=1}^{N}{w_{i} \cdot \gamma _{i} }$ 其中 $\sum_{i=1}^{N}{w_{i}=1 }$ ， $w_{i}$ 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 $\gamma$ 。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， $\gamma$ 为目标pooled 3DMM值， $\gamma _{p}$ 为输入， $\lambda _{1,2}$ 为平衡over和under estimation errors的值。在实际操作中，我们设定 $\lambda _{1} =1,\lambda _{2} =3$ ，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。

[深度学习概念]·深度学习的人脸识别技术发展综述

深度学习的人脸识别技术发展综述

前言

人脸识别方法

总结

猜你喜欢