안면 인식의 기본

태곳적부터 사람의 얼굴은 식별을 위한 가장 직접적인 기준으로 사용되었습니다. 따라서 가장 편리한 생체 인식 기술로 판명된 것은 놀라운 일이 아닙니다. 음성, 지문, 손 기하학, 장문과 같은 다른 생체 인식 방법과 달리 얼굴을 분석하는 데는 해당 개체의 적극적인 협력이 필요하지 않습니다. 얼굴 인식은 사진, 동영상 또는 라이브 캡처에서 수행할 수 있습니다.

얼굴 인식은 사진과 비디오에서 사람을 식별하거나 확인하는 과정에 주어진 광범위한 용어입니다. 이 방법은 감지, 정렬, 특징 추출 및 인식으로 구성됩니다.

몇 가지 실용적인 문제가 있음에도 불구하고 안면 인식은 의료, 법 집행, 철도 예약, 보안, 홈 자동화 및 사무실과 같은 다양한 영역에서 널리 사용되고 있습니다.

이 게시물에서 다음 내용을 확인할 수 있습니다.

<울>

안면 인식이란 무엇입니까?

안면 인식 알고리즘의 광범위한 분류

안면 인식 시스템의 다양한 단계

안면 인식 구성 요소의 개요

안면 인식 SDK 살펴보기

안면 인식이란 무엇인가요?

얼굴 인식은 소프트웨어가 딥 러닝 알고리즘을 사용하여 개인의 얼굴 특징을 분석하고 데이터를 저장하는 생체 인식 기술입니다. 그런 다음 소프트웨어는 사진, 비디오 또는 라이브 캡처의 다양한 얼굴을 데이터베이스에 저장된 얼굴과 비교하고 신원을 확인합니다. 일반적으로 소프트웨어는 개인의 얼굴에서 약 80개의 뚜렷한 결절점을 식별합니다. 절점은 개인의 얼굴 변수를 정의하기 위한 끝점 역할을 합니다. 변수에는 입술 모양, 눈 모양, 코의 길이와 너비, 눈구멍 깊이가 포함됩니다.

다른 생체 인식 기술에 비해 안면 인식의 인기는 일반적으로 더 정확하고 방해가 적기 때문입니다.

안면 인식 알고리즘의 분류 얼굴 인식은 데이터베이스에 이미 등록된 얼굴을 인식하는 기술입니다. 얼굴 인식 시스템은 확인이라는 두 가지 작업에 광범위하게 관련됩니다. 및 신분증 .

확인은 "그가 주장하는 사람입니까?"라는 질문에 답하기 위한 것입니다. 개인이 특정인이라고 주장하면 검증 시스템이 데이터베이스에서 해당 프로필을 찾습니다. 사람의 얼굴을 데이터베이스에 있는 프로필의 얼굴과 비교하여 일치하는지 확인합니다. 시스템이 연결된 프로필에 이미 존재하는 특정 얼굴과 개인의 얼굴을 일치시켜야 하기 때문에 1:1 매칭 시스템입니다. 따라서 본인 확인보다 확인이 빠르고 정확합니다.

얼굴 식별에서 시스템은 데이터베이스에 있는 모든 얼굴에 대해 입력 얼굴을 확인하려고 시도합니다. 1:n 매칭 시스템입니다.

안면 인식 시스템의 다양한 단계

얼굴 인식 시스템의 두 단계인 등록에 대해 이야기해 보겠습니다. 및 인정 .

첫 번째 단계 또는 등록 단계에서 알려진 얼굴 세트가 등록됩니다. 그런 다음 특징 추출기는 등록된 각 얼굴에 대해 고유한 특징 벡터를 생성합니다. 특징 벡터는 각 얼굴의 고유한 얼굴 특성을 기반으로 생성됩니다. 모든 얼굴에 대해 고유한 추출된 특징 벡터는 등록된 데이터베이스의 일부가 되어 나중에 참조할 수 있습니다.

인식 단계에서는 입력 영상을 특징 추출기로 제공하여 얼굴 인식을 수행한다. 여기서도 특징 추출기는 입력된 얼굴 이미지에 고유한 특징 벡터를 생성합니다. 그런 다음 이 특징 벡터는 데이터베이스에서 이미 사용 가능한 특징 벡터와 비교됩니다. '특징 기반 분류' 블록은 입력된 얼굴의 얼굴 특징과 데이터베이스에 등록된 얼굴 간의 거리를 비교합니다. 등록된 얼굴이 일치 기준을 충족하면 특징 기반 분류가 데이터베이스에서 찾은 일치하는 얼굴 ID를 반환합니다.

안면 인식 시스템의 구성 요소

얼굴 인식 시스템의 주요 구성 요소는 얼굴 감지, 랜드마크 감지, 생동감 감지, 얼굴 인식 모듈(얼굴 인식, 얼굴 식별/얼굴 인증)입니다.

시작 시 비디오 스트림의 이미지 또는 프레임이 입력 이미지에서 얼굴이 감지되는 얼굴 감지 모듈로 전송됩니다. 출력으로 감지된 얼굴에 대한 경계 상자 좌표를 보냅니다. 여기서 문제는 얼굴 감지기가 이미지의 얼굴을 지역화하고 각 얼굴에 대한 경계 상자를 생성하더라도 얼굴의 적절한 정렬을 보장하지 않으며 얼굴 경계 상자가 지터에 영향을 받을 수 있다는 것입니다. 따라서 효과적인 얼굴 벡터를 얻기 위해서는 얼굴 전처리 단계가 필요하다. 이 단계는 시스템의 얼굴 감지 기능을 향상시키는 데 도움이 됩니다.

얼굴 전처리는 눈, 코, 입술, 턱, 턱과 같은 얼굴에서 기준점의 위치(기준 랜드마크 포인트라고도 함)를 식별하는 랜드마크 감지 블록에서 수행됩니다. 이렇게 감지된 얼굴 랜드마크는 얼굴의 공간적 변화에 대해 보상됩니다. 이것은 얼굴의 기하학적 구조를 식별하고 변환 스케일링 회전과 같은 다양한 변환을 기반으로 표준 정렬을 획득하여 수행됩니다. 이것은 정규화된 표준 좌표로 얼굴의 단단한 경계 상자를 출력합니다.

정렬된 얼굴을 얼굴 인식 모듈로 보내기 전에 얼굴이 이미지나 비디오의 라이브 피드에서 가져오고 무단 액세스를 얻기 위한 스푸핑이 아닌지 확인하기 위해 얼굴 스푸핑을 확인하는 것이 필수적입니다. 생동감 감지기가 이 검사를 수행합니다.

그런 다음 이미지는 얼굴 인식 블록인 다음 블록으로 전송됩니다. 이 블록은 얼굴 인식이 성공적으로 완료되기 전에 일련의 처리 작업을 수행합니다. 첫 번째 단계는 입력 얼굴의 클래스 내 변동을 처리하는 데 필요한 얼굴 처리입니다. 이것은 얼굴 인식기 모듈이 입력 얼굴 이미지에 존재하는 다양한 포즈, 표정, 조명 변화 및 폐색과 같은 변화로 인해 산만해지는 것을 원하지 않기 때문에 필수적인 단계입니다. 입력 면의 클래스 내 변형이 해결된 후 다음으로 중요한 처리 단계는 특징 추출입니다. 특징 추출기의 기능은 이미 위에서 논의되었습니다.

얼굴 인식 모듈의 마지막 단계는 얼굴 매칭 단계로, 마지막 단계에서 얻은 특징 벡터와 데이터베이스에 등록된 얼굴 벡터를 비교합니다. 이 단계에서 유사도가 계산되고 요구 사항에 따라 얼굴 식별 또는 얼굴 인증에 추가로 사용되는 유사도 점수가 생성됩니다.

안면 인식 SDK의 예

우리는 PathPartner의 라이선스 가능한 얼굴 인식 SDK 소프트웨어 솔루션을 사용하여 정확한 얼굴 감지 및 얼굴 인식 시스템을 구현하는 방법을 보여줍니다. 머신 러닝과 컴퓨터 비전 알고리즘으로 구성된 SDK를 사용하면 얼굴 인식의 6가지 중요한 작업을 수행할 수 있습니다.

SDK는 두 가지 변형으로 제공됩니다.

1. 모델 크기가 10MB로 낮은 복잡성이 낮은 변형으로 메모리와 처리 능력이 낮은 최종 기기에 적합합니다.
2. 풀 서비스 에지 기기에 적합한 모델 크기가 90MB인 복잡한 변형입니다.

이 알고리즘은 Texas Instruments, Qualcomm, Intel, Arm, NXP의 다양한 임베디드 플랫폼에 최적화되어 있으며 클라우드 서버 플랫폼에서 추가로 작동할 수 있습니다.

CNN 기반 얼굴 인식 시스템 개발

CNN 기반 접근 방식은 폐색 및 다양한 조명 조건과 같은 문제를 해결하기 위한 노력을 줄이기 위해 비CNN 기반 접근 방식보다 선호됩니다. 인식 프로세스에는 다음 단계가 포함됩니다.

데이터 수집

공개적으로 사용 가능한 데이터 세트는 얼굴 인식에 중요한 모든 평가 매개변수를 다루지 않습니다. 따라서 이를 위해서는 얼굴 분석에 사용할 수 있는 다양한 변형을 포괄하는 다수의 표준 및 사내 데이터 세트에 대한 자세한 벤치마킹이 필요합니다. 이 SDK에서는 포즈, 조명, 표현, 오클루전, 성별, 배경, 민족, 나이, 눈, 외모와 같은 변형이 지원됩니다.

딥 러닝 모델 디자인

모델 복잡성은 최종 사용자 애플리케이션에 따라 다릅니다. 이 SDK는 운전자 모니터링 시스템(DMS) 및 스마트 출석 시스템에서 구현됩니다.

운전자 모니터링 시스템:운전자의 주의력과 집중도를 실시간으로 평가하려면 에지 컴퓨팅이 필요합니다. 따라서 강력하고 복잡성이 낮은 시스템이 필요합니다. 여기서 머신 러닝 모델은 얼굴 감지 및 랜드마크 회귀에 사용되며 얕고 깊은 CNN 모델은 추정 및 분류에 사용됩니다.

교육 및 최적화

모듈은 처음에 준비된 데이터 세트에 대해 사전 학습됩니다. 솔루션은 FDDB, LFW와 같은 다양한 오픈 소스 데이터 세트와 자체 개발한 맞춤형 데이터 세트에서 테스트되었습니다.

다양한 과제 극복

1. 조도 변화 – 조명 조건의 변화로 인해 발생하는 문제를 극복하기 위해 두 가지 접근 방식이 채택되었습니다. 하나는 Gantt 기반 접근 방식을 사용하여 RGB를 NIR과 유사한 이미지로 변환하는 것입니다. 다른 하나는 RGB 데이터로 모델을 훈련하고 입력에서 NIR 이미지로 미세 조정하는 것입니다.
2. 포즈 및 표정 변형 – 얼굴 이미지가 비정면 보기에서 사용 가능한 경우 얼굴 이미지의 표준 보기는 사용 가능한 이미지 중 하나 이상에서 파생되어야 합니다. 이것은 랜드마크 포인트를 기반으로 머리 각도에 대한 포즈의 변화를 추정한 다음 틸팅, 스트레칭, 미러링 및 기타 작업을 사용하여 정면 코스를 얻음으로써 달성됩니다. 이를 통해 얼굴 인식 시스템은 포즈 불변 표현을 출력하고 얼굴 인식 정확도를 크게 향상시킬 수 있습니다. 표정의 차이로 인한 영향을 방지하기 위해 전처리 단계에서 얼굴 정렬을 수행합니다.
3. 폐쇄 – 현재 SDK는 마스크된 얼굴을 감지하도록 학습되고 있습니다. 이 경우 모델은 눈과 이마 주변의 데이터로만 작업하도록 훈련됩니다. 그러나 이 접근 방식은 제한된 수의 사람들이 시스템에 등록되어 있는 사무실 설정과 같이 통제되지 않는 환경에서 최상의 결과를 제공합니다.
4. 모양 변화 - 헤어스타일, 노화, 화장품 사용의 차이는 개인의 외모에 큰 차이를 유발할 수 있습니다. 따라서 얼굴 인식 정확도가 크게 저하됩니다. 이 문제를 해결하기 위해 SDK는 모양의 변화에 ​​강한 표현 및 매칭 방식을 사용합니다.

결론

오늘날 얼굴 인식은 모든 생체 측정 중 가장 자연스러운 것으로 간주됩니다. 딥 러닝은 개발 중인 대부분의 얼굴 인식 알고리즘의 중심 구성 요소가 되었습니다. 얼굴 인식 알고리즘은 기하급수적으로 발전하고 있습니다. 최근 NIST 보고서에 따르면 지난 5년(2013-2018) 동안 인식 정확도가 크게 향상되었으며 2010-2013년 기간에 달성한 개선을 능가합니다.

몇 가지 실질적인 문제에도 불구하고 안면 인식 기술은 소매, 자동차, 은행, 의료, 마케팅 등과 같은 다양한 산업에서 널리 사용되고 있습니다. 얼굴 인식 알고리즘은 사람을 인식하는 정확도를 높이는 것 외에도 얼굴의 감정과 행동을 감지하는 범위를 확장합니다.