腾讯优图攻克口罩识别难题,口罩佩戴识别准确率超过99%

随着对抗新冠疫情的战役正式打响,口罩对控制疫情起到了相当关键的作用,但全民佩戴口罩也对诸如高铁闸机等需要人脸识别的场景提出了挑战: 戴口罩人群由于面部区域大范围被口罩遮挡,现有算法无法准确检测人脸位置、定位五官关键点,大大降低现有的人脸识别算法效果。此外,在公共场所摘下口罩靠人工排查,不仅耗费大量人力、排查效率低,也增加了一线工作人员的感染风险。为了解决这一难题,腾讯优图在春节期间,迅速成立攻坚小组,针对不同戴口罩场景进行算法研发与优化,最终攻克难题。

口罩佩戴识别准确率高于99%,优图攻克口罩下人脸相关技术

优图在人脸检测、人脸配准(关键点定位)、人脸属性、人脸识别等技术进行重点攻坚,目前可实时检测戴口罩人脸、精准识别五种不同的佩戴口罩情形,并对未佩戴口罩或错误佩戴口罩的人员及时发现预警。在此基础上,优图DDL人脸识别技术进一步增强对人脸可见区域的判别能力,实现更鲁棒的人脸识别

人脸检测方面,基于优图开源的DSFD人脸检测算法,针对戴口罩场景下的五官遮挡,腾讯优图在模型设计上进行局部特征增强,提升可见区域权重。同时针对口罩种类丰富、佩戴位置多样等问题,在数据增强方面设计相应策略,提升模型鲁棒性。目前,口罩场景下的人脸检测算法准确率超过99%,召回率超过98%。

在人脸配准(关键点定位)方面,为解决口罩带来的面部区域大范围遮挡问题,基于优图自研的多分支轻量神经网络,优图快速通过图像编辑技术合成海量人脸口罩数据用于算法优化提升,实现戴口罩人员的精准五官定位,有效辅助后续算法模块的效果提升。

在口罩属性识别方面,目前优图算法可精细识别以下五种情形:未佩戴口罩、错误佩戴口罩且遮挡嘴部、错误佩戴口罩且遮挡下巴、错误佩戴口罩未遮挡面部、正确佩戴口罩。该属性识别基于优图开源的FAN属性识别,并针对口罩可能分布的人脸位置,加入更多的attention机制,可精准识别人脸是否正确佩戴。目前,对有无口罩佩戴的识别准确率超过99%。社区管理人员等可根据不同场景下的需求,自由组合这些类别。同时,各企事业单位也可以利用该技术及时检测员工情况,保障安全复工。

在戴口罩人脸识别方面,优图提供了一套灵活兼具安全与便利的算法解决方案。利用优图人脸质量模型对被口罩遮挡的人脸进行口罩遮挡判断以及遮挡区域提取两类分析。其中,口罩遮挡判断目前已达99.5%以上准确率。而对于安全性要求极高的应用场景,如支付场景,可基于口罩遮挡判断结果筛选出戴口罩或者口罩严重遮挡的人员,并进一步引导其进行其他方式的身份验证。该算法基于自研的DDL技术框架,结合优图人脸质量模型的遮挡区域判断能力,使数据模型在应对戴口罩人脸时,自适应地关注非口罩区域的人脸判别信息,从而提取出更加鲁棒的人脸特征。常规的人脸识别算法,即便是应用于配合条件下戴口罩人脸识别时,性能也会极大程度地下降。而优图人脸识别算法,基于上述的优化手段,可将戴口罩人脸识别的召回率提升至接近正常人脸识别的召回率,基本满足戴口罩场景下的人脸识别应用。

结合口罩下的人体识别,辅助社区进行人员管理和排查

相较于人脸识别技术,基于图像“搜人”的人体识别技术(ReID)对人体图像的遮挡、朝向以及清晰度具有较高的鲁棒性,同时对摄像头的清晰度、假设位置以及角度等没有硬性要求。

疫情期间,绝大多数外出人员均会佩戴口罩,人脸识别技术对于佩戴口罩的人员成功率会有所下降。对于社区一线工作人员来说,人脸识别技术对佩戴口罩的人员身份确认失败,会大大增加他们的排查登记工作量,而摘除口罩进行识别又会增加潜在的传播风险。

基于腾讯优图目前业界领先的ReID技术,腾讯优图联合腾讯海纳利用人体特征和人脸识别相结合的方式,将传统人脸识别方式下无法溯源的戴口罩出入人员进行确认,从而提升社区工作人员摸排登记外来人员的效率。

目前,相关技术已在多个不同地区的应用场景中陆续落地,在这场全民抗疫的战争中,持续发挥AI的价值。

产业腾讯优图人脸识别准确率
1
相关数据
权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

腾讯机构

腾讯,1998年11月诞生于中国深圳,是一家以互联网为基础的科技与文化公司。我们的使命是“通过互联网服务提升人类生活品质”。腾讯秉承着 “一切以用户价值为依归”的经营理念,为亿万网民提供优质的互联网综合服务。 腾讯的战略目标是“连接一切”,我们长期致力于社交平台与数字内容两大核心业务:一方面通过微信与QQ等社交平台,实现人与人、服务及设备的智慧连接;另一方面为数以亿计的用户提供优质的新闻、视频、游戏、音乐、文学、动漫、影业等数字内容产品及相关服务。我们还积极推动金融科技的发展,通过普及移动支付等技术能力,为智慧交通、智慧零售、智慧城市等领域提供有力支持。 腾讯希望成为各行各业的数字化助手,助力数字中国建设。在工业、医疗、零售、教育等各个领域,腾讯为传统行业的数字化转型升级提供“数字接口”和“数字工具箱”。我们秉持数字工匠精神,希望用数字创新提升每个人的生活品质。随着“互联网+”战略实施和数字经济的发展,我们通过战略合作与开放平台,与合作伙伴共建数字生态共同体,推进云计算、大数据、人工智能等前沿科技与各行各业的融合发展及创新共赢。多年来,腾讯的开放生态带动社会创业就业人次达数千万,相关创业企业估值已达数千亿元。 腾讯的愿景是成为“最受尊敬的互联网企业”。我们始终坚守“科技向善”的初心,运用科技手段助力公益事业发展,并将社会责任融入每一个产品。2007年,腾讯倡导并发起了中国互联网第一家在民政部注册的全国性非公募基金会——腾讯公益慈善基金会。腾讯公益致力于成为“人人可公益的创连者”,以互联网核心能力推动公益行业的长远发展为己任。腾讯公益联合多方发起了中国首个互联网公益日——99公益日,帮助公益组织和广大爱心网友、企业之间形成良好的公益生态,让透明化的“指尖公益”融入亿万网民的生活。

http://www.tencent.com/
人脸检测技术

人脸检测(face detection)是一种在任意数字图像中找到人脸的位置和大小的计算机技术。它可以检测出面部特征,并忽略诸如建筑物、树木和身体等其他任何东西。有时候,人脸检测也负责找到面部的细微特征,如眼睛、鼻子、嘴巴等的精细位置。

推荐文章
暂无评论
暂无评论~