weixin_NineDays66

1.数据集的整理及清洗1. 线上数据40万人，2000万张图2. glint360，36万人，2000多万张图2.人脸预处理----采用自研的图像处理算法对人脸进行 "中心矫正" 较小冗余信息，增加人脸纹理识别信息。----采用自研的图像处理算法对图像 "归一化处理” ，使得算法模型可以在不同环境、不同光照、部分遮挡下正常运行。----采用传统算法 给人脸加口罩，眼镜等额外特征，提升算法对戴口罩人员的识别能力3.深度神经网络构建----采用前沿的"深度神经网络"及最新框架对人脸

活体检测技术一般分为配合式活体检测和非配合式活体检测。配合式活体检测是最常见的活体检测方式，通过眨眼、张嘴、摇头、点头、甚至读出随机数字等配合式组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。如，一些金融机构的交易支付，支付宝认证等都使用配合式活体检测技术。配合式活体检测出现较早，成本低，算法更简单，但用户体验差，使用复杂。非配合式活体检测/静默活体检测技术无需用户进行额外动作，可直接甄别纸张照片、屏幕成像、人脸面具等伪造人脸攻击。一般使用双摄像头做活体检测的，都是非配

人头检测算法,人流量统计，人头计数人头检测在安防监控中是比较常用的功能，而公交车、商场或者大型场馆的拥挤人群计数的精准性也非常重要。算法思想作者称拥挤人群计数目前主要有两种实现路径：1.使用回归的算法思路，直接根据图像回归出拥挤人群密度热图，它的缺点是只能得到场景整体的一个拥挤指数，不能获知人群个体的具体位置，而且这种方法对图像分辨率很敏感。（52CV君曾经分享过：尺度不变网络提升人群计数性能（附Github地址））2.使用目标检测的方法，比如直接使用Faster RCNN检测人，检测后

目前优化了一款高速人脸检测算法，在 ARM设备的A73单核CPU(图像大小:860*540最小人脸大小：60*60)速度可以高达10-15ms每帧，真正的实时人脸检测算法，算法准确率在 FDDB数据集与MTCNN算法的准确率相当，可以应用将该算法部署在边缘设备，进行人脸识别算法进行整体算法提速。上图展示了 算法 在 A73 CPU上面的运行时间， 人脸检测部分一般在 10ms-15ms 左右 ，人脸检测+人脸特征提取 一般在 130-135ms,整体识别速度非常快速。需要改进人脸识别算法的欢..

人脸图像亮度校正import osimport cv2import mathimport numpy as npclass FaceEnhance(): """MobileFace enhance for dark or bright face. """ def __init__(self, **kwargs): super(MobileF...

https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=2247492356&idx=2&sn=d05f6d583bcb31d3f1c4c5b594c7a3f4&chksm=ec1c0efddb6b87ebf3f4521eb0895847624a6cf46ca2306767c866ffcf34ed51c57bb2a...

这是深度挖坑系列的第三篇，可能也是有关人脸识别方向的最后一篇。第二篇，讲network的，由于某些原因，没有写完，之后会补上。写这篇文章的目的，大概有三个：第一，将第一篇中feature norm的东西补完；第二，最近sensetime用asoftmax在megaface上面刷到了99.8，说一下margin相关的东西；第三，说一说face comparing的局限性。最后，说一下，因...

人脸识别模型产出过程及部署1.数据集的整理及清洗----使用公司自研 "聚类算法" 整理和清洗目前最大的两个人脸数据集MegaFace 与 微软亚洲数据集 同时结合公司内部数据整理出图片共计2000万张左右。----与铁路部合作整理人证数据集 50万个身份 用以提升人证比对效果。2.人脸预处理----采用自研的图像处理算法对人脸进行 "中心矫正" 较小冗余信息，增加人脸纹理识别信息...