近期，国内疫情出现反复，作为抗击疫情的战争中强有力的护盾，口罩再次成为了公民的标配，但在抗疫常态化的进程中，口罩却对诸如“刷脸”支付、身份认证等需要人脸识别的场景提出了挑战。
人脸识别原理
人脸识别技术
在了解人脸识别面临的问题之前，我们首先要了解人脸识别系统，人脸识别系统主要是由硬件和软件两部分构成，硬件主要就是摄像头和计算机，人脸识别系统的软件则比较复杂——人脸识别系统的软件需要控制摄像头采集图片，然后对采集到的图片进行预处理，之后完成人脸检测定位、人脸特征提取和人脸特征匹配这几项工作。
人脸检测定位是用预训练好的人脸检测模型去辨别图片里是否有人脸，如果检测到人脸，就进行定位；人脸特征提取是把定位到的人脸所在区域的特征提取出来；人脸特征匹配是把提取的人脸特征和预先保存在系统中的人脸特征进行比对，判断它们是否一致，如果一致就确认身份，否则身份认证失败。
人脸识别面临的挑战
当口罩遮挡住人脸大部分区域时，可供识别的人脸特征大幅减少，人脸识别系统无法提取到人脸完整的面部特征，只能捕捉到人脸部分信息，机器之前学习的特征判别能力随之降低。如果系统中保存的人脸图片是不戴口罩的完整人脸，那么两张图片之间的差异会很大，这时人脸识别就会失败。
带口罩人脸识别的数据解决方案
为了保证人脸戴上口罩后还能够被正确识别，人脸识别系统首先要能够检测到并定位戴口罩的人脸。一般说来，可以通过预先训练一个戴口罩人脸检测模型来解决这个问题。比如某品牌的人脸识别系统在训练人脸检测神经网络模型时采用高斯掩模的方法改变网络特征训练的权重分配模式，将人脸未被遮挡部分以及人头部分的比重增加，这样模型就可以检测并定位戴口罩的人脸。
检测定位到人脸后，根据人脸是否佩戴口罩，确定用来做人脸特征比对的不同模板。如果人脸未佩戴口罩，则按常规流程利用标准模板库进行比对得到识别结果；如果人脸佩戴口罩，则在特征提取过程中使用特征注意力掩模处理，得到口罩遮挡部分之外的人脸信息特征，之后与戴口罩模板库进行比对，根据比对结果输出身份验证结果。
针对口罩人脸识别这一应用场景，数据堂采集了戴口罩人脸识别数据、面部遮挡多姿态人脸识别等数据集，为相关企业算法和技术的升级提供助力。数据堂严格遵守相关规定，所采集的数据均已获得被采集人授权，数据堂致力于用高质量的数据推动情感识别技术的发展、有效保障用户数据性的安全性。
戴口罩人脸识别数据集
近5千人参与戴口罩人脸识别数据集数据采集，每位被采集者，分别采集7张图片。数据多样性包括不同类型的口罩、不同年龄段、不同光照、不同采集环境。该套数据可应用于遮挡人脸检测及识别等计算机视觉任务，口罩类型、性别、人种和年龄标签标注准确率超过97%。
面部遮挡多姿态人脸识别数据集
数千人参与面部遮挡多姿态人脸识别数据采集，每个人36张图片：一张身份证的证件照（已脱敏）、7张无口罩多姿态人脸照片、7张戴口罩多姿态人脸照片、7张戴眼镜多姿态人脸照片、7张戴帽子多姿态人脸照片、7张戴墨镜多姿态人脸照片。人脸姿态包括远、近、上、下、左、右、中共7种。该套数据可应用于遮挡人脸检测及识别等计算机视觉任务，遮挡类型、性别、人种和年龄标签标注准确率超过97%。
科技向善，越来越多的科技中坚力量加入到抗疫中来。我们坚信人工智能一定能在其中发挥出更大的作用和价值。
标签：口罩,人脸识别,检测,人脸,遮挡,数据,技术升级 来源： https://blog.csdn.net/weixin_44532659/article/details/123254146
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。