Идентификация человека по изображению лица

В данной работе приведено решение задачи идентификации личности по фотографии. Приведена общая схема работы системы, решающей задачу иден­тификации. Рассмотрена работа системы на всех этапах - от поиска лица на фотографии до получения уникального идентификатора личности. Для каж­дой подзадачи были рассмотрены и сравнены современные алгоритмы. Про­демонстрированы примеры, показывающие работоспособность системы, а так же контрпримеры, на которых система не может вычислить ответ.
Вместо стандартного подхода для классификации векторов с использова­нием метода опорных векторов, была использована библиотека Faiss, которая показала хорошие результаты в построенной системе.
Получившаяся реализация представлена в двух программах:
1. Сервер. Исполняет добавление фотографий людей в базу данных и по­иск людей по фотографии.
2. Клиент. Android приложение, создающее миниатюру, отправляющее её на сервер для распознавания и выдающее ответ системы.
Для дальнейшего развития и улучшения качества работы системы можно рассмотреть следующие идеи.
При малом количестве фотографий у добавляемого в базу данных челове­ка можно добавлять искусственно созданные выравненные изображения пу­тём зеркального отражения исходной выравненной фотографии. Кроме того, можно генерировать изображения, использовав вырез случайной области на выравненном изображении, но вырез должен содержать лицо. Небольшими изменениями контрастности и яркости так же можно увеличить набор изоб­ражений для одной личности.
Для выравнивания лица производить вычисление не всех ключевых то­чек лица, а только необходимых: края глаз, губ и центр носа. Это увеличит скорость работы всего алгоритма.
Для идентификации личности при условиях, как на Рис. 27, использовать вторую нейронную сеть, принимающую на вход изоюражение в градациях серого. В итоге система будет использовать две нейронные сети.
Узким местом в скорости работы приложения является передача изобра­жения на сервер. Этот этап занимает наибольшее количество времени. Реше­нием может стать перенос детектора лэндмарков и выравнивания фотогра­фии в приложение. Тогда по сети будут отправляться изображения размером 160*160 пикселей, что снизит время на передачу данных. Можно пойти да­лее и перенести вычисление вектора лица на смартфон и использовать сервер только в качестве классификатора. Тогда по сети будет передаваться только 128 вещественных чисел. Но в этом случае основные вычисления будут про­исходить на устройстве, что вызовет увеличение времени от получения кадра с лицом до отправки данных на сервер. Здесь нужны эксперименты.
Ещё одной проблемой для смартфона является большой размер нейронной сети - 89.01 Мб. Однако Google анонсировала инструмент Learn2Compress [26] для уменьшения размера моделей с небольшими потерями точности. В приме­рах демонстрируется сжатие модели в примерно 20 раз с потерями точности около 7%. Сжатие достигается за счёт:
1. Удаления наименее полезных весов и операций
2. Вспользования квантования чисел с плавающей точкой, позволяющего одно число хранить в ячейке памяти размером 1 байт
3. Подхода совместного обучения
Получившаяся сжатая сеть работает быстрее, занимает меньше места на дис­ке и в оперативной памяти. Это то, что нужно для использования в прило­жении. На момент написания работы инструмент был на стадии закрытого тестирования и возможности опробовать его не было.

Купить