人臉識(shí)別算法SDK
電話（微信）：13632514967
一、產(chǎn)品概述
隨著人們對(duì)安全問(wèn)題的不斷重視,生物特征識(shí)別技術(shù)以其可靠性,有效性和安全性得到了越來(lái)越多的關(guān)注。人臉識(shí)別技術(shù)作為生物特征識(shí)別技術(shù)的一種,以其獨(dú)特的友好性,近年來(lái)已成為了國(guó)際上的一個(gè)重點(diǎn)課題,視覺(jué)科技是以視覺(jué)算法為核心，專注于高精度，小型化的人臉識(shí)別技術(shù)，公司所研發(fā)的人臉識(shí)別模型在刷臉支付，智慧園區(qū)、智慧校園等多領(lǐng)域應(yīng)用廣泛。
人臉識(shí)別 SDK V1.0 標(biāo)準(zhǔn)版是視覺(jué)針對(duì)各種線下識(shí)別場(chǎng)景封裝的“業(yè)務(wù)型”人臉識(shí)別算法SDK，主要封裝了人臉識(shí)別通用功能，如人臉檢測(cè)、活體檢測(cè)、人臉?biāo)阉鞯?，方便客戶二次開(kāi) 發(fā)。客戶既可以自由組合原子化接口，也可基于封裝的應(yīng)用模式做集成開(kāi)發(fā)。
二、功能模塊
標(biāo)準(zhǔn)版SDK客戶端支持安卓系統(tǒng)，主要用于人臉識(shí)別終端設(shè)備，例如；人臉門(mén)禁機(jī)、電子班牌、刷臉支付終端、人臉考勤機(jī)等。方便，快捷，快速精準(zhǔn)的處理和反饋給戶所識(shí)別的結(jié)果。
客戶端SDK功能
|
功能名稱 |
功能描述 |
輸入 |
輸出 |
|
人臉檢測(cè) |
檢測(cè)人臉（跟蹤模式下實(shí)時(shí)跟蹤人臉 ），是所有人臉?biāo)惴ú僮鞯那爸貌襟E |
BGR格式的人臉照片 |
人臉數(shù)據(jù)列 表，單個(gè)人臉數(shù)據(jù)包括；人臉框的位置及大小、5個(gè)關(guān)鍵點(diǎn)等 |
|
質(zhì)量檢測(cè) |
檢測(cè)人臉照片質(zhì)量，保證照片質(zhì)量，提升識(shí)別率 |
BGR格式的人臉照片、人臉關(guān)鍵點(diǎn) |
人臉的質(zhì)量維度，包含；模糊度、姿態(tài)等 |
|
活體檢測(cè) |
檢測(cè)照片中的人臉是否為活體，用于判斷是否存在攻擊行為，支持單目活體檢測(cè)、雙目活體檢測(cè) |
BGR格式的可見(jiàn)光人臉照片、BGR格式的紅外人臉, 照片、人臉關(guān)鍵點(diǎn) |
活體分?jǐn)?shù) |
|
人臉?biāo)阉?/span> |
根據(jù)識(shí)別的人臉，從人臉庫(kù)中搜索出最與之相似的N個(gè)人臉 |
人臉特征值、TopN |
N個(gè)人臉數(shù)據(jù)、人臉數(shù)據(jù)包括；人臉ID，相似度等 |
|
特征提取 |
提取人臉照片中的人臉特征存入底庫(kù)中，用于人臉?biāo)阉骷叭四槺葘?duì) |
BGR格式的人臉照片，人臉關(guān)鍵點(diǎn) |
人臉特征值 |
|
人臉對(duì)比 |
比對(duì)兩張人臉照片的相似度 |
BGR 格式的兩張人臉照片 |
相似度 |
|
底庫(kù)管理 |
底庫(kù)管理，包括；添加、刪除、修改、查詢?nèi)四樚卣?，用于人臉?biāo)阉?/span> |
/ |
/ |
三、核心模塊
人臉識(shí)別技術(shù)是以身份檢索或校驗(yàn)為目標(biāo)，通過(guò)從給定的靜態(tài)或動(dòng)態(tài)圖像中提取人臉信息等手段，與數(shù)據(jù)庫(kù)中已知身份人臉進(jìn)行匹配的過(guò)程。影響人臉識(shí)別的關(guān)鍵因素有兩個(gè)；人臉底庫(kù)、識(shí)別算法。
底庫(kù)是一個(gè)用于識(shí)別的人員數(shù)據(jù)集合，集合是由多個(gè)人員數(shù)據(jù)組成，每個(gè)人員的數(shù)據(jù)由人員編碼、 人員分組、人員信息及多張人臉特征組成，將這些人臉特征與人臉 ID 關(guān)聯(lián)在一起，搜索時(shí)，匹配到某個(gè)人臉特征，即搜到了相關(guān)聯(lián)的人員編碼及其對(duì)應(yīng)的人員信息。幾個(gè)字段解釋如下；
|
關(guān)鍵字段 |
解釋 |
|
人臉特征 |
是通過(guò)人臉特征提取算法將一張人臉照片提取為一個(gè)可用于識(shí)別算法的特征值。通常情況下一張照片即可準(zhǔn)確完成人臉識(shí)別，為了支持特殊場(chǎng)景，允許一個(gè)人 員添加多張人臉照片提取的特征保存到底庫(kù)中，比如；添加戴眼鏡照和不戴眼鏡照，化妝照和不化妝照。 |
|
人員編碼 |
由客戶應(yīng)用指定的唯一用戶 ID，客戶應(yīng)用可以通過(guò)此 ID 找到對(duì)應(yīng)人臉的相關(guān)信息。 |
|
人員分組 |
用于客戶應(yīng)用根據(jù)人臉?lè)纸M做特定業(yè)務(wù)邏輯處理。 |
|
人臉信息 |
由客戶應(yīng)用定義內(nèi)容，比如，人員名稱或其他數(shù)據(jù)。 |
底庫(kù)是通過(guò)人臉注冊(cè)建立的，人臉注冊(cè)流程如下
1）獲取人臉照片，可從服務(wù)端下載或本地拍照獲取。
2）檢測(cè)人臉質(zhì)量，底庫(kù)的人臉質(zhì)量是影響識(shí)別準(zhǔn)確率的關(guān)鍵因素之一?？梢愿鶕?jù)場(chǎng)景選擇不同的質(zhì)量分?jǐn)?shù)作為入庫(kù)標(biāo)準(zhǔn)，低于標(biāo)準(zhǔn)的照片將不能入庫(kù)。
3）提取人臉特征，用特征提取模型提取照片中的人臉特征。
4）人臉特征入庫(kù)，將從人臉照片中提取到的人臉特征及人臉 ID、人臉?lè)纸M、人臉信息添加到底庫(kù)中。人臉 ID要確保和人臉照片關(guān)聯(lián)一致，以免出現(xiàn)人臉照片與人臉信息不匹配。
人臉識(shí)別
典型的人臉識(shí)別流程如下圖：
基于攝像頭的人臉識(shí)別是按幀處理的，每幀處理的第一步是將攝像頭的視頻流格式轉(zhuǎn)換成算法支持的格式，再送到算法中檢測(cè)并識(shí)別人臉。
人臉檢測(cè)時(shí)，檢測(cè)到的每個(gè)人臉會(huì)有一個(gè)跟蹤的ID，該ID用于在視頻流的連續(xù)幀中關(guān)聯(lián)同一個(gè)人臉，后續(xù)的識(shí)別過(guò)程都是基于該ID進(jìn)行的。
識(shí)別過(guò)程包括人臉質(zhì)量檢測(cè)、特征提取、人臉?biāo)阉?、活體檢測(cè)等，前一個(gè)步驟通過(guò)，才能執(zhí)行后一個(gè)步驟。所有步驟都執(zhí)行通過(guò)，人臉識(shí)別才完成。
人臉識(shí)別過(guò)程中每幀人臉跟蹤信息都會(huì)以事件的形式通知到應(yīng)用層，人臉跟蹤信息包括：人臉框大小、位置、識(shí)別到的人員信息等，應(yīng)用層可以根據(jù)這些信息畫(huà)人臉框或做其他處理。
四、算法性能
|
檢測(cè)最小人臉尺寸 |
30*30 像素 |
|
識(shí)別最小人臉尺寸 |
60*60 像素（識(shí)別不帶活體）/80*80 像素（識(shí)別帶活體） |
|
人臉姿態(tài) |
正常姿態(tài) 小角度姿態(tài) 大角度姿態(tài) |
|
召回率 |
標(biāo)準(zhǔn)環(huán)境下， 10000 人底庫(kù) |
|
誤識(shí)率 |
0.5% |
|
活體檢出率 |
99 %@0.5 拒真率 |
|
注：識(shí)別模型會(huì)持續(xù)更新，每次更新識(shí)別模型需要重新抽取特征 |
|
相關(guān)精度指標(biāo)
|
場(chǎng)景 |
指標(biāo) |
名稱介紹 |
|
識(shí)別
|
召回率 |
視頻中目標(biāo)人出現(xiàn) 100 人次，正確識(shí)別 99 人次，召回率是 99% |
|
準(zhǔn)確率 |
識(shí)別次數(shù)是 100 次，其中 99 次為正確識(shí)別，準(zhǔn)確率是 99% |
|
|
誤識(shí)率 |
1@10 萬(wàn)底庫(kù)，即 10 萬(wàn)底庫(kù)情況下，100 張圖像產(chǎn)生了 1 次誤識(shí)別，誤識(shí)率 1% |
|
|
漏識(shí)率 |
1-召回率 |
活體檢測(cè)及人臉識(shí)別測(cè)試
活體檢測(cè)
正樣本：真人的人臉
負(fù)樣本：非真人的照片（照片、手機(jī)、面具等）
通過(guò)率：設(shè)定一個(gè)閾值，給定 M 個(gè)正樣本，其中模型輸出的分?jǐn)?shù)高于閾值的樣本
（即檢測(cè)為真人的正樣本）數(shù)量為m個(gè)，通過(guò)率=m/M
拒絕率：設(shè)定一個(gè)閾值，給定N個(gè)負(fù)樣本，其中模型輸出的分?jǐn)?shù)低于閾值的樣本（檢測(cè)為攻擊的負(fù)樣本）數(shù)量為n個(gè)，通過(guò)率=n/N
活體的效果依賴因素也非常多，包括圖片質(zhì)量、現(xiàn)場(chǎng)環(huán)境、活體閾值等。尤其需要指出的是，活體識(shí)別對(duì)于不同材質(zhì)的攻擊手段的防范能力是有差別的，下表給出了常見(jiàn)情況的檢測(cè)標(biāo)。
人臉識(shí)別
正樣本集:本人比對(duì)本人負(fù)樣本集:本人比對(duì)他人
通過(guò)率=比對(duì)通過(guò)的正樣本數(shù)(比對(duì)相似度高于閾值的數(shù)量)/正樣本集總數(shù)誤識(shí)率=比對(duì)通過(guò)的負(fù)樣本數(shù)(比對(duì)相似度高于閾值的數(shù)量)/負(fù)樣本集總數(shù)
|
測(cè)試平臺(tái) |
3516dV300 |
|
|
測(cè)試圖像分辨率 |
480*640 （注：測(cè)試分辨率和實(shí)際面板機(jī)原始輸入不一樣，實(shí)際面板機(jī)原始輸入最大沒(méi)有限制） |
|
|
人臉尺寸 |
60*60（識(shí)別不帶活體） 80*80（識(shí)別帶活體） |
|
|
多人支持 |
可支持多人，算法不做人臉個(gè)數(shù)限制 |
|
|
耗時(shí)定義 |
從數(shù)據(jù)輸入模型到輸出結(jié)果花費(fèi)的時(shí)間 |
|
|
SDK 產(chǎn)品規(guī)格 |
||
|
最大底庫(kù) |
10 萬(wàn) |
|
|
推薦底庫(kù) |
1萬(wàn) |
|
|
人臉檢測(cè) |
人臉檢測(cè)耗時(shí) |
<35ms |
|
人臉檢測(cè)跟蹤耗時(shí) |
<18ms |
|
|
活體 |
雙目CPU 模型耗時(shí) |
<65ms |
|
1:N人臉識(shí)別 |
特征提取耗時(shí) |
<45ms |
|
人臉 search 耗時(shí) |
<5ms（3K 底庫(kù)） <25ms（1W 底庫(kù)） |
|
|
文件大小 |
算法庫(kù)+模型 |
<45M |
|
內(nèi)存使用情況 |
識(shí)別加活體 |
<250M |
|
識(shí)別 |
<240M |
|
測(cè)試結(jié)果
1）活體檢測(cè)
雙目活體
|
拒絕率 |
通過(guò)率 |
在3516dV300上的平均耗時(shí) |
|
99.6 |
95.83 |
65ms |
2)人臉識(shí)別
1:n 人臉?biāo)阉?/b>
|
誤識(shí)率 |
通過(guò)率 |
閾值 |
|
0.1 |
99.7 |
0.82 |
五、硬件平臺(tái)
人臉識(shí)別SDKV1.0標(biāo)準(zhǔn)版作為線下場(chǎng)景的通用 SDK，將逐步增加對(duì)各類平臺(tái)的兼 容 適 配 ， 包含但不限于 ： Arm Android 、 Arm Linuxx86 Linux 、 x86Windows 、Hisi3516DV300。硬件的配置、操作系統(tǒng)等都會(huì)影響到算法的實(shí)際使用效果：
客戶端
客戶端的性能影響整體的識(shí)別速度，一般來(lái)說(shuō)算法的性能和主頻成正比，為保證良好的用戶體驗(yàn)，視覺(jué)根據(jù)不同配置的硬件平臺(tái)，推出了高、低版本的 SDK，以滿足不同終端設(shè)備的適配需求。如下給出了建議搭配硬件配置的列表
|
SDK 版本 |
硬件 |
操作系統(tǒng) |
配置型號(hào) |
識(shí)別耗時(shí) |
|
高配版 |
3516dV300 |
linux |
CPU:雙核 900M + 1T NPU 內(nèi)存：1G RAM+4G ROM |
250ms |
|
低配版 |
全志A64 |
Android 6.0 及以上版本 |
CPU：4核 1.2GHZ 內(nèi)存：2G RAM+4G ROM |
550ms |
六、授權(quán)模式
人臉識(shí)別 SDKV1.0 支持USB模組與MIPI模組（帶芯?）授權(quán)
USB攝像頭模組/MIPI模組（帶加密IC）
客戶從視覺(jué)指定的攝像頭模組供應(yīng)商獲取USB攝像頭模組，對(duì)接到自己的主板，導(dǎo)入人臉識(shí)別SDK，即可實(shí)現(xiàn)人臉識(shí)別授權(quán)。
其他授權(quán)方式，根據(jù)客戶產(chǎn)品狀況洽談。
