七台河信息：[计算机视觉]人脸应用：人脸检测、人脸对比、五官检测、眨眼检测、活体检测、疲劳检测

人脸应用在盘算机视觉系统中占很大一块，在深度学习火起来之前，基于传统机械学习的人脸应用就已经很成熟了，有许多商用应用场景。本文用一个可以现实运行的Demo来说明人脸应用中常见的手艺观点，包罗‘人脸检测’、‘人脸对比’、‘人脸表征检测（五官定位）’、‘眨眼检测’、‘活体检测’以及‘疲劳检测’。

 

人脸检测

严酷来讲，人脸检测只包罗对照片中的人脸举行定位，人脸检测只获取照片中人脸的矩形方框（Left、Top、Right、Bottom），再没有其他的内容。现如今网上大部分“人脸检测”观点模糊，包罗的器械许多，好比除了适才说的定位，还包罗后面要说的人脸对比，这个严酷上讲是错的。

 

人脸对比

当你使用人脸检测手艺发现图片（视频帧）中包罗一个人脸，那么若何判断该人脸是谁呢？这个就是我们常见的人脸授权应用，将一个人脸与数据库的其他人脸举行对比，看它与数据库中已有人脸哪个最相似。传统机械学习中，人脸对比历程需要先提取人脸特征编码，寻找一个特征向量来取代原有人脸RGB图片，再通过盘算两个人脸特征向量距离来判断人脸是否相似（传统机械学习中的特征工程可以参考上一篇文章）。若是距离小于某值，则以为是同一个人脸，反之亦然。

 

上图显示传统机械学习方法中人脸对比的历程，历程相对来说比较庞大，需要提取合适的特征向量，该特征对原RGB人脸图片有一定代表性。基于深度学习的方式去做人脸对比就相对来说简朴许多，可以直接是一个端到端的流程：

固然也有的做法是先通过神经网络提取人脸特征，然后再用传统机械学习的方式去训练类似SVM模子去做分类。

 

人脸表征检测（五官定位）

一样平常人脸应用使用前面说到的‘人脸检测’、‘人脸对比’两种手艺就足够了，好比人脸打卡、人脸自动马赛克、人脸开锁等应用。然则更庞大的一些人脸应用只有人脸检测和对比是不够的，好比后面要说的活体检测、疲劳检测等场景。这些时刻不仅要判断人脸的位置（矩形方框），还需要检测出人脸五官位置，好比眉毛形状、眼睛区域、鼻子位置、嘴巴位置等等，有了五官位置数据之后，我们就可以基于这些数据做一些更庞大的应用了，好比实时判断视频中的人是否眨眼、是否闭眼、是否语言、是否低头仰面等等。下图为人脸表征检测获得的效果：

上图显示通过机械学习提取到一张人脸表征的68个点，分别为：

（1）左眉毛5个点

（2）右眉毛5个点

（3）左眼睛6个点

（4）右眼睛6个点

（5）鼻梁4个点

（6）鼻尖5个点

（7）上嘴唇/下嘴唇20个点

（8）下巴17个点

我们可以通过下标（python中可以使用切片）快速获取对应的坐标点，该坐标点代表脸部表征在原输入图片中的现实位置（像素单元）。

 

眨眼检测

对视频每帧做人脸表征检测，获得视频每帧画面中人脸五官的位置数据后，我们可以通过剖析人眼区域（六个点组成一个闭合的椭圆形）的闭合水平来判断是否发生眨眼，那么若何权衡每个眼睛的闭合水平呢？凭据前人研究：http://vision.fe.uni-lj.si/cvww2016/proceedings/papers/05.pdf可知，通过每只眼的6个点即可判断眼睛的闭合水平：

眼睛在打开到闭适时，下面这个表达式的值快速趋近于零：

上面表达式EAR（Eye Aspect Ratio）的值即是垂直偏向两个线段长度之和除以水平偏向线段长度*2，这个值在闭眼的瞬间可以趋近于零，在睁眼的瞬间，恢复到原来值。EAR的转变历程如下图所示：

我们只需要监控EAR的值是否快速颠簸而且趋近于零来判断是否闭眼，是否快速恢复来判断是否睁眼。若是闭眼和睁眼时间距离很短（只占几个视频帧，每秒25帧算），那么就认定为眨眼。

 

活体检测

人脸应用中，为了防止人们使用照片等伪造人脸通过授权，一样平常都需要对画面中的人脸举行活体过滤，即判断当前视频画面中的人脸是否是真人，而不是照片等其他取代物。通过前面先容的眨眼检测手艺，我们可以实现一个异常简朴的‘活体检测’算法，算法每隔一个随机时间段（好比几秒，时间不牢固，防止人们录制视频来伪造）就要求视频画面中的人眨眼，若是画面中的人努力配合算法发出的指令，那么可以以为画面中是真人，否则可能就是伪造人脸。

需要说明的是，活体检测仅仅通过以上这种方式可能还不是足够平安，一样平常还可以连系其他活体检测手艺，好比相机深度检测、脸部光线检测、以及行使深度学习手艺直接对人脸举行二分类（活体/非活体）。

 

疲劳检测

疲劳检测这个应用场景太大了，好比可以用于长途汽车司机疲劳监控告警、值班人员疲劳监控告警等。主要原理照样通过前面先容的眨眼检测手艺，将其稍微改善一下，我们就可以对闭眼举行检测，若是闭眼跨越一段时间（好比1秒），那么就以为疲劳发生，发出告警。眨眼判断很简朴，闭眼判断更简朴，这些所有的判断逻辑所有基于人脸表征提取的数据：

 

Demo源码：在民众号上

需要明确的是，本文所有算法的准确性所有依赖于模子训练的利害，人脸检测是否准确、人脸特征提取是否合适、人脸表征检测效果是否准确。机械学习就是这样，效果的利害完全取决于模子训练的利害（特征提取的利害）。好比本文这个demo中可以容易看到，人脸表征检测对戴眼镜的人脸效果不是很好，需要更多这方面的训练数据。有问题的同伙请留言，感兴趣的同伙请关注民众号，分享原创CV/DL相关文章。

,

申慱手机版登陆

欢迎进入申慱手机版登陆!Sunbet 申博提供申博开户(sunbet开户)、SunbetAPP下载、Sunbet客户端下载、Sunbet代理合作等业务。