【人脸识别系统中的人脸匹配算法设计案例3000字】

人脸识别系统中的人脸匹配算法设计案例目录TOC\o"1-3"\h\u8923人脸识别系统中的人脸匹配算法设计案例 [31]，这里相对于ResNet系列有几点好处，其一就是模型体积小，速度快，方便工业界方向的一个落地，可以较轻易的满足移动端、嵌入式的硬件要求，轻松的部署到这些环境当中去。那么在介绍选用网络之前，先简单的了解下MobileNet系列的一个发展史及优缺点对比。首先是MobileNetV1，它的亮点主要在于参数量和计算量的一个设计方面，通过设计深度的可以分离的卷积和逐点的计算卷积，来达到一个降低参数量和计算量的一个目的。如图4-1，是常用的标准卷积的示意图，中间是MobileNetV1所采用的深度卷积，最下面一个是逐点卷积的示意图。其实，通过上面示意图可以直观感受到这几个卷积网络的一个不同，下面便通过更加精细的计算来说明其之间的不同。如下图4-1所示，输入的features为ZF×ZF×C，实验所使用的标准的卷积层的尺寸为图4-1标准卷积、深度卷积、逐点卷积示意图由标准的卷积层的计算流程，可以退出其计算的详细公式，如下：G因此，通过上述的公式，推演得出标准的卷积层的计算消耗CostCost然后继续利用式子4-1进行推演计算，可得逐点计算卷积和深度可分离卷积的消耗量CostdwCost通过简单的约分计算，可以得出，深度的可分离计算的卷积层相对于标准的卷积层大致减少了1BCost通过上述的详细的公式的计算可以看出，计算量一定程度上大大减少了。如下图4-2，是一个更加具体设计的结构图的展示。图4-2左边：标准卷积结构右边：深度可分离卷积然后是MobileNetV2，其改进了V1所存在的一些现有的问题，如直筒型的网络结构可能影响网络的性能，后续的网络如ResNet等，在网络中重复使用图像特征能够提高网络的性能；另一个就是深度可分离卷积导致的特征逐渐退化的问题，由于其所使用很小的卷积核，经过BatchNorm层归一化操作，以及Relu激活函数的激活之后很容易变为0，即变成死节点,导致特征退化。其通过引入（invertedresidual）反向残差块，将图像中的特征反复使用，提高网络的性能。对于特征退化的问题，通过linearbottleneck，合理的对Relu激活函数进行去除操作，来尽可能缓解特征的退化这一问题。这里需要详细说的是所设计的倒置残差块，如图4-3所示，这里是经典的残差块设计和其所是设计的倒置残差块，与其相反，呈一个纺锥型，中间大两头小，因此称为倒置的一个残差块。通过在高维空间能够有效的增加非线性，而在低维空间时则会破坏特征，设计出先升维度然后再降维度的倒置残差块，保证了更多更丰富的原始的有效的信息。具体的对比可见图4-4。图4-3经典残差块和MobileNetV2残差块图4-4残差块本设计采用的MobileFaceNet,其结合人脸检测当中所用的MobileNet系列存在的问题，针对性的结合人脸提出了一个适合人脸识别的网络结构，不仅可以满足轻量级速度方面要求，同样在精度方面也是兼顾，也很方便的可以移植到日常所用到的手机移动设备和嵌入式设备中，是一个比较高效的模型。首先是去除人脸检测和识别任务常用的全局的平均池化层，通过在人脸特征提取骨干网络的最后一个卷积层（non-global）之后，使用了一个全局的深度可分离的卷积层，而不是一个全局平均池化层或一个全连接层去输出一个可区分的特征向量。假设最后骨干网提取到的特征是Feature-Map，理论上来说，Feature-Map的中心部分和角落部分应该有着不同的信息特征分布和不同的重要性，其也对应着图像的不同的区域，对应Feature-Map的角落的，对应着原图像的角落，对应Feature-Map的中心的，对应着原图像的中心区域，所以，当得到的是对齐的人脸的时候，Feature-Map的中心区域是携带着比角落区域更多的信息的。但是全局平均池化层却把不同位置给予了相同的权重，这是不太合理的，所以在这里，采用了一个全局的深度的可分离的卷积块来进行一个替代。这部分的阐述可结合图4-7进行一个理解。图4-7MobileFaceNet损失函数经过上述内容已经了解到了MobileFaceNet网络的基本结构和运行方式，在Arcface的损失函数中放入通过图片传输到该网络中得到的特征向量后产生误差，进行反馈的反向传播更新网络参数，Arcface的损失函数公式如下：LArcface损失函数实际上是由Softmaxloss演变而来，通过对特征向量和权重归一化，对θ加上角度间隔m，以加法的方式惩罚深度特征与其相应权重之间的角度，从而同时增强了类内紧度和类间差异。ArcFace比Softmax的特征分布更紧凑，决策边界更明显。在SphereFace、ArcFace和CosFace中，提出了三种不同的margin惩罚，分别是乘法角度间隔m1、加法角度间隔m2、加法余弦间隔m3，从数值分析的角度来看，不同的margen惩罚，无论是加上角度空间还是加在余弦空间，都通过惩罚目标逻辑，来加强类内紧度和类间多样性。如表4-1所示，展示了几种损失函数分类边界公式，图4-9是其相应损失函数的图像表达形式。通过他们边界的图像表达形式，由图像对比可知，ArcFace与其他损失函数相比有着明显的几何差异，其在整个区间内具有恒定的线性角度margen，保持不变，尽管ArcFace与以往的工作相似，但由于角度与测地距离具有精确的对应关系，提出的加性角度间隔具有较好的几何属性。比较之下，Arcface的效果稍好些，所以本设计选择的是Arcface损失函数。表4-1损失函数分类边界公式表达形式LossFunctionsDecisionBoundariesSoftmaxwW-NormSoftmaxxSphereFacexF-NormSphereFacesCosineFacesArcFaces图4-9损失函数分类边界表示图在对人脸识别技术的MobileFaceNet网络结构和ArcFace损失函数进行充分的了解后便是理论与实际充分结合的过程，通过运行程序进行人脸识别部分的模型训练，将需要进行识别的图片放入训练好的模型获得该人脸的特征向量并命名，通过如图4-10所示的.npy文件进行存放，如图4-11便是存放的进行人对齐后的维度为128的二进制格式图片。图4-10人脸特征向量npy格式图4-11对齐的特征人脸人脸匹配在人脸特征提取工作完成后开始人脸匹配工作，这里的话，常用的人脸匹配方法有两种，一种是通过计算两者之间的距离差异，采用一个归一化的特征距离差值，即欧式距离；另外一种就是通过计算余弦相似性，类似于cos求夹角，即余弦距离。首先是归一化的特征距离差值计算，即欧式距离计算法。这里采用的公式和代码如下：d这里的x和y就是两个batchsize的特征向量，这里举个例子，假如说x是一个（N，512）的特征向量组，y是一个（N，512）的特征向量组，然后相减并对batchsize维度进行一个平方和