摘要：劍橋大學(xué)印度國家技術(shù)學(xué)院近日聯(lián)合發(fā)布了一篇論文，名為利用空間融合卷積神經(jīng)網(wǎng)絡(luò)通過面部關(guān)鍵點進行偽裝人臉識別，該論文利用空間融合卷積神經(jīng)網(wǎng)絡(luò)為刑偵過程的人臉識別提供了有力的支持，我們來一窺究竟。

劍橋大學(xué)、印度國家技術(shù)學(xué)院近日聯(lián)合發(fā)布了一篇論文，名為《利用空間融合卷積神經(jīng)網(wǎng)絡(luò)通過面部關(guān)鍵點進行偽裝人臉識別Disguised Face Identification (DFI) with Facial KeyPoints using Spatial Fusion Convolutional Network》，該論文利用空間融合卷積神經(jīng)網(wǎng)絡(luò)為刑偵過程的人臉識別提供了有力的支持，我們來一窺究竟。

偽裝人臉識別（DFI）是一個極具挑戰(zhàn)性的問題，因為使用不同的偽裝便可以引入大量的不同變體。在本論文中將介紹一種深度學(xué)習(xí)框架，它首先檢測14個面部關(guān)鍵點，然后利用它們進行偽裝人臉識別。由于深度學(xué)習(xí)架構(gòu)的訓(xùn)練依賴于大型的帶注釋數(shù)據(jù)集，因此在這里我們引入了兩個帶注釋的面部關(guān)鍵點數(shù)據(jù)集。針對每個關(guān)鍵點，提出了面部關(guān)鍵點檢測框架的有效性。通過與其他深度網(wǎng)絡(luò)的比較，也間接地證明了關(guān)鍵點檢測框架的優(yōu)越性。同時，與較先進的面部偽裝分類方法相比，分類性能的有效性也得到了體現(xiàn)。

人臉識別是一個重要且非常具有挑戰(zhàn)性的問題。因為通過諸如戴假發(fā)，改變發(fā)型或發(fā)色，佩戴眼鏡，刮掉或長出胡子等，這些面部的變化可以顯著地掩飾身份。Righi等人得出結(jié)論是，人臉識別性能的下降是由于諸如衣服和發(fā)型等有意的面部改變而造成的，比如假發(fā)和眼鏡。為了識別面部，需要使用面部關(guān)鍵點來分析面部的形狀。在過去，針對這個問題只做了幾次簡單的嘗試。Tejas等人提出了局部特征描述符來識別偽裝的面部補丁，并使用該信息來改善人臉識別性能。辛格等人使用基于紋理的特征來對偽裝的臉部進行分類。最近，面部關(guān)鍵點在面部表情分類、人臉對比、視頻人臉追蹤等應(yīng)用程序中的應(yīng)用收到了廣泛歡迎。在過去，為了達到這一目標(biāo)，已經(jīng)有無數(shù)的嘗試，而現(xiàn)如今已經(jīng)縮小到兩種主要的較先進方法。第一類方法使用特征提取算法，如Gabor，具有基于紋理和基于形狀的特征，可以檢測不同的面部關(guān)鍵點。第二類方法利用概率圖形模型來捕獲像素和特征之間的關(guān)系，以檢測面部關(guān)鍵點。深度網(wǎng)絡(luò)在不同計算機視覺任務(wù)中的優(yōu)越性能促使了大家使用深度網(wǎng)絡(luò)進行面部關(guān)鍵點檢測。Sun等人定義了一個捕獲全局高級特征的三層架構(gòu)，然后細(xì)化初始化以定位關(guān)鍵點的位置。Haavisto等人使用了預(yù)訓(xùn)練的深度信念網(wǎng)絡(luò)，其在周圍前饋神經(jīng)網(wǎng)絡(luò)中具有高斯線性輸出層，以檢測面部關(guān)鍵點。對于這種應(yīng)用程序來說，深度神經(jīng)網(wǎng)絡(luò)的使用是非常具有挑戰(zhàn)性的，因為訓(xùn)練深度網(wǎng)絡(luò)所需的帶注釋訓(xùn)練數(shù)據(jù)的數(shù)量是不足以進行的（小的：AR和Yale面部數(shù)據(jù)庫），從而迫使設(shè)計者使用遷移學(xué)習(xí)。遷移學(xué)習(xí)通常來說表現(xiàn)是很好的，但由于訓(xùn)練數(shù)據(jù)的數(shù)量可能不足以微調(diào)預(yù)訓(xùn)練的深度網(wǎng)絡(luò)，因此性能可能會有所降低。

圖1：左圖:說明了用于引入數(shù)據(jù)集的帶有注釋的14個面部關(guān)鍵點。臉部關(guān)鍵點描述如下：眼睛區(qū)域（青色）：P1-左眉外角，P2-左眉內(nèi)角，P3-右眉內(nèi)角，P4-右眉外角，P5-左眼外角，P6-左眼中心，P7-左眼內(nèi)角，P8-右眼內(nèi)角，P9-右眼中心，P10-右眼外角; 鼻子區(qū)域（黃色）：P11鼻子; 唇部區(qū)域（綠色）P12-唇部左角，P13-唇部中心，P14-唇部右角。右圖沒有顯示關(guān)鍵點。

圖2：該圖顯示了與簡單和復(fù)雜面部偽裝（FG）數(shù)據(jù)集不同偽裝的樣本圖像。從圖像中可以看出，復(fù)雜背景數(shù)據(jù)集中的樣本與簡單數(shù)據(jù)集相反，具有相對復(fù)雜的背景。

?

本文介紹了面部關(guān)鍵點檢測框架，用于偽裝人臉識別?？蚣苁紫仁褂蒙疃染矸e網(wǎng)絡(luò)來檢測14個面部關(guān)鍵點，如圖1所示，被認(rèn)為是人臉識別的必要條件。然后將檢測到的點連接以形成星形網(wǎng)狀結(jié)構(gòu)（圖3）。然后利用所提出的分類框架對星網(wǎng)結(jié)構(gòu)中連接點之間的方向進行人臉識別。本文還介紹了兩個注釋的面部偽裝數(shù)據(jù)集，以改進深度卷積網(wǎng)絡(luò)的訓(xùn)練，因為它們依賴于大型訓(xùn)練數(shù)據(jù)集。

??

圖3：關(guān)鍵點檢測流水線：圖解顯示所有p1-p14關(guān)鍵點生成的空間融合卷積網(wǎng)絡(luò)熱圖的位置。圖中還顯示了通過組合關(guān)鍵點形成的網(wǎng)狀結(jié)構(gòu)。上面的圖中也顯示了選定的卷積層激活所有8個轉(zhuǎn)換層網(wǎng)絡(luò)的輸入圖像。

?

本文的主要貢獻如下：

偽裝人臉識別（DFI）框架：提出的框架使用空間融合深度卷積網(wǎng)絡(luò)從面部提取14個關(guān)鍵點，被認(rèn)為是描述面部結(jié)構(gòu)的關(guān)鍵。提取的點被連接以形成星形網(wǎng)絡(luò)結(jié)構(gòu)（圖3）。所提出的分類框架使用連接點的方向進行人臉識別。

?

簡單和復(fù)雜的人臉偽裝數(shù)據(jù)集：用于面部關(guān)鍵點檢測的深度卷積網(wǎng)絡(luò)的訓(xùn)練需要大量的數(shù)據(jù)。然而，這些數(shù)據(jù)集不可用（?。?AR人臉數(shù)據(jù)庫和耶魯人臉數(shù)據(jù)庫），因為研究人員以來遷移學(xué)習(xí)來檢測面部關(guān)鍵點。遷移學(xué)習(xí)往往表現(xiàn)良好，但如果數(shù)據(jù)不足以微調(diào)預(yù)先訓(xùn)練的網(wǎng)絡(luò)，則可能表現(xiàn)不佳。為了避免上述問題，我們提出了兩個簡單而復(fù)雜的人臉偽裝（FG）數(shù)據(jù)集，將來可能被研究人員用于訓(xùn)練人臉關(guān)鍵點檢測的深度網(wǎng)絡(luò)。

?

所提出的框架用于對引入的數(shù)據(jù)集執(zhí)行偽裝人臉識別。為兩個數(shù)據(jù)集的每個關(guān)鍵點提供平均鍵點檢測精度。此外，還對所提出的管道與其他關(guān)鍵點檢測方法進行了廣泛的比較。最后，與較先進的人臉偽裝分類方法相比，分析流程的有效性也得到了體現(xiàn)。

?

本文提出了偽裝人臉識別（DFI）框架，首先檢測面部關(guān)鍵點，然后使用它們進行人臉識別。 該框架在簡單而復(fù)雜的兩個人臉偽裝（FG）數(shù)據(jù)集上進行了評估。該框架表現(xiàn)優(yōu)于關(guān)鍵點檢測和人臉偽裝分類的較先進的方法。在引入的數(shù)據(jù)集中偽裝的大量圖像將改善深入學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，避免了執(zhí)行遷移學(xué)習(xí)的需要。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754