人脸追踪、双目活体对齐！系统梳理人脸识别开发的硬核技巧随着人脸识别终端设备的广泛应用

随着人脸识别终端设备的广泛应用，很多开发者在实践中会产生疑惑：为什么同一款主板，运行性能相仿的算法时，系统资源占用会相差悬殊？为什么同样配备了活体检测，防攻击能力却可以差好几个级别？
事实上，人脸识别算法在实际部署中存在一些编程开发策略，能对识别效果和识别速度产生显著影响。虹软视觉开放平台推出的"从零学习人脸识别"技术公开课第七期——《人脸识别应用方案（PC和设备端）》对此做了详细阐述（完整课程可搜索"从零学习人脸识别"），将主要从人脸追踪、双目活体对齐、图像质量检测和特征值提取技巧等进行系统性介绍。
【人脸追踪、双目活体对齐！系统梳理人脸识别开发的硬核技巧】一、有效降低系统资源占用的【人脸追踪】
人脸追踪是相当重要的优化策略之一，最大的用处是防止重复识别，降低资源占用，在需要同时检测多张人脸等算力消耗较高的场景下，可以显著提升识别速度。
从技术原理来说，算法在运行过程中，会检测视频系列帧前后的人脸移动情况和特征，从而进行追踪和检测。以虹软视觉开放平台的ArcFace免费人脸识别算法为例，当人脸入框时，算法会根据检测结果为该张人脸标记一个FaceID 。该人脸从进入画面到离开画面的整个过程中， FaceID不变，算法也不会重复提取特征值，避免重复识别导致资源无效占用。
文章插图
二、提升活体检测精确度的【双目活体对齐】
作为甄别纸张照片、屏幕成像、人脸面具等伪造人脸攻击的主要防守手段，活体检测几乎是人脸识别不可或缺的刚需功能。目前，虹软免费人脸识别SDK可以同时支持RGB和IR红外双目活体检测，既能通过分析采集摩尔纹、成像畸形、反射率等人像破绽来识别活体，也能基于红外图像天然滤除特定波段光线的特征，来抵御基于屏幕成像的假脸攻击，在成本与性能上达到了较好的平衡。
文章插图
但是，由于RGB摄像头和红外摄像头是不同的模组，不可避免会在成像参数和组装精度上有所不同。因此需要进行双目对齐，以确保两个镜头在活体检测、人脸比对时，使用的是同一张人脸图像。
一般来说，我们的策略是将RGB镜头所检测到人脸框坐标，嵌套至红外镜头采集的图像中。如发现该人脸框与红外图像中的对应人脸有所偏移，就需要对该人脸框坐标进行调整。
文章插图
人脸框嵌套只是最简单的双目对齐策略，在安卓系统上开发时，还需要用到镜像、缩放、旋转等对齐策略，这些都可以在虹软视觉开放平台所提供的官方Demo中得到参考。
三、提升识别效率的【图像质量检测算法】
无感通行是人脸识别闸机、门禁等设备非常重要的卖点。要实现这一效果，除了与芯片算力、算法性能有关，也需要用于识别的人脸图像质量合格。图像质量检测能对摄像头拍摄的人脸图像进行评估，刨除低质量图片，只留下质量较好的人脸图像进行检测。
在实际使用中，模糊、遮挡、大角度、逆光暗光等复杂环境问题，都会导致摄像头拍摄的人脸图像难以识别。未引入图像质量检测的情况下，图片质量再差也会被系统送入人脸识别环节，直到识别失败后再进行下一次抓拍。人脸图像检测提供的筛选机制能避免系统做无用功，从而提升后续流程的效率。对比实验中，增加图像质量检测的人脸识别系统，后续环节耗时平均减少约30% 。
文章插图