人脸识别技术综述，出自OPPO研究院

关注公众号，发现CV技术之美

现如今人脸识别应用已经大规模走进我们的的生活，但人脸识别技术的研究仍然是计算机视觉的热点，还有哪些待解的问题？从应用的角度哪些新技术更值得关注？

向大家介绍一篇最近新出的人脸识别技术综述，作者来自工业界：OPPO研究院，其从工业应用的角度看待近年人脸识别技术的发展，值得关注。

作者信息：

论文地址：

https://arxiv.org/pdf/2212.13038.pdf

作者在文中介绍了人脸识别的历史、流程、基于传统人工设计特征或深度学习的算法、主流训练、评估数据集和相关应用。另外，作者们还尽力分析和比较了最先进的工作，通过实验研究主干大小和数据分布对系统性能的影响。

下图展示了人脸识别算法训练和推理的流程：

图一：人脸识别中的训练和推理流程

训练阶段，要经过人脸检测、人脸对齐，然后使用深度学习网络训练，提取特征。

特别值得一提的是，现如今针对人脸识别系统的攻击也越来越普遍，在人脸识别推理中，检测到人脸后，要进行系统反欺诈的真/假人脸的判断，这也成为人脸识别系统的重要标配。

人脸检测是人脸识别的第一步，现如今使用特征金字塔方法的人脸检测方法已经相对成熟，比如SRN、RetinaFace：

图二：SRN （AAAI 2019）

图三：RetinaFace （arXiv 2019）

论文中称，人脸检测的精度在实际使用中已经相对成熟，在自然视频等场景中已经可以较为准确的检测出人脸位置，而近几年的顶会也较少出现创新性的人脸检测方向论文。

人脸反欺诈已经成为人脸识别系统的必备步骤，这一步往往在人脸检测获取到人脸图像后。

图四：人脸反欺诈算法STDN (ECCV 2020)

人脸对齐（Face alignment）是为了消除人脸空间上的角度变化带来的类内扰动。但现在也有算法不再做对齐，由系统自动学习不随人脸角度变化的表示。

在训练和测试人脸识别模型部分，作者给出了一些实用技巧。比如，训练阶段，数据的增广是真实有效的，加噪声、模糊、颜色改变均可在训练阶段提高系统性能。而随机对人脸图像裁剪则应尽量避免，因为会破坏人脸对齐的结果。而水平人脸翻转在训练阶段可以认为是数据增广，在测试阶段则可讲翻转前后图像输入模型，得到的结果取平均，这可以进一步提高性能。

在算法部分，作者重点介绍了 designing loss function 设计Loss函数, refining embedding 嵌入提精, FR with massive IDs 大ID数据量的人脸识别, Cross domain in FR 跨域人脸识别, FR pipeline acceleration 人脸识别加速方法, close-set training 闭集人脸识别训练，Mask face recognition 带口罩人脸识别 ，Privacy-Preserving FR 隐私保护的人脸识别。

作者研究了主干网络对系统性能的影响，发现网络越“大”，当样本不断增多的时候，精度提升的潜力越大。

不同主干尺寸的模型在LFW、AgeDB、CFP-FP和IJB-C测试数据集上的结果

同时，作者研究了标注样本规模对系统识别性能的影响，发现随着样本规模越大，单个个体采样越多，系统性能不断提升，但到达一定程序，精度增长有限。

LFW、AgeDB、CFP-FP和IJB-C的结果。N S意味着相应的数据集有N个身份，每个身份有S个样本。

不同比例的长尾数据在LFW、AgeDB、CFP-FP和IJB-C上的结果

下表，总结了人脸识别相关的训练数据集信息：

表1 关于FR的训练数据集信息

人脸识别测试数据集信息：

表2 关于FR的测试数据集信息

表3 在简单基准上的验证精度(%)

表4 在IJB-B和IJB-C上的验证精度（%）

作者也介绍了人脸识别相关应用，比如人脸聚类、人脸属性识别、人脸生成等

最后作者总结了人脸识别相关竞赛，比如 FRVT、MegaFace challenge、MS-Celeb-1M challenge。

整体上感觉人脸识别已经到了技术相对成熟、应用落地的程度，这份综述可作为人脸识别近期进展的概览和相关技术研发的参考。

https://arxiv.org/pdf/2212.13038.pdf

END

欢迎加入「人脸识别」交流群👇备注：Face