Vizuální průvodce AI

Algoritmy detekce obličeje

Detekce obličeje lokalizuje pravděpodobné obličeje v obraze a obvykle vrátí ohraničující rámečky nebo orientační body; sama o sobě nejmenuje lidi v těchto regionech.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce3 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost algoritmů detekce obličeje
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Klasické kaskády a moderní naučené detektory využívají různé funkce a kompromisy mezi rychlostí a přesností. Testování v reálném světě musí počítat s malými obličeji, okluzí, pózou a náklady na zmeškané nebo falešné detekce.

Hluboký ponor

Detekce obličeje odpovídá tam, kde jsou pravděpodobné obličeje, obvykle pomocí obdélníků a někdy orientačních bodů, jako jsou body očí a úst. Neurčuje identitu, náladu ani to, zda je tvář živá. Detekce se může stát vstupem pro oříznutí, rozmazání, odhad orientačních bodů nebo samostatný rozpoznávací systém; chyby v této první fázi mohou ovlivnit vše navazující. Chybějící obličej může uniknout rozmazání soukromí, zatímco rámeček falešného obličeje může zakrýt nesouvisející část obrázku. Kaskáda Viola–Jones je vlivný klasický přístup. Skenuje oblasti obrazu v různých velikostech a používá sekvenci jednoduchých klasifikátorů prvků. Většina oken bez tváře je brzy zamítnuta, takže kandidátům, kteří projdou počátečními fázemi, zůstává více výpočtů. OpenCV dokumentuje tento přístup ve svém tutoriálu kaskádového klasifikátoru. Kaskády mohou být účinné v omezených podmínkách, ale mohou se potýkat s obtížnou pózou, malými obličeji a okluzí v závislosti na trénovacích datech a implementaci. Moderní konvoluční detektory se učí bohatším obrazovým vlastnostem a často předpovídají rámečky ve více měřítcích obrazu. Například RetinaFace ve svém návrhu výzkumu společně využívá face-box a dohled nad památkami. Jeho publikované výsledky benchmarků popisují konkrétní model a hodnocení, nejsou zárukou pro každý fotoaparát. Výstup detektoru závisí na prahové hodnotě: nižší prahové hodnoty mohou zachytit obtížnější obličeje, ale mohou přidat falešné poplachy. Překrývající se předpovědi pro stejnou plochu jsou obvykle konsolidovány. Vyhodnoťte přesnost a vyvolání na užitečných prahových hodnotách a zkontrolujte chyby podle velikosti obličeje, pozice hlavy, osvětlení, okluze a typu scény. Při rozdělování datových sad mějte fotografie ze stejné relace pohromadě, aby poblíž duplikátů nevypadal detektor lépe, než je. Použití ochrany soukromí vyvolává další otázku: je pokrytí detekcí dostatečně vysoké, aby nezůstalo po rozmazání někoho viditelné? To může vyžadovat kontrolu člověkem nebo širší maskování. Detekce by se neměla tiše stát uznáním nebo vyvozováním emocí. Řekněte lidem, k jakému vizuálnímu zpracování dochází, ponechte si pouze to, co úkol vyžaduje, a navrhněte důsledky jak zmeškaných, tak nadbytečných polí.

Real-World Implementace

Aplikace pro focení najde před oříznutím portrétů rámečky obličejů, ale ponechá si rozpoznání, pokud existuje, jako samostatný krok přihlášení.

Nástroj pro videohovory testuje detekci tváří v blízkosti okraje obrazu spíše než pouze tváře směřující dopředu ve středu.

Kamera porovnává falešné detekce na plakátech s nezdařenými detekcemi částečně zakrytých osob.

Vlastník benchmarku před vyhodnocením nového detektoru oddělí fotografie podle osob a zdroje zachycení.

Budoucnost algoritmů detekce obličeje

Efektivní detektory se budou i nadále přesouvat do telefonů, kamer a zařízení pro usnadnění přístupu, s důrazem na malé obličeje a obtížné osvětlení. Lepší průměrné benchmarky neodstraní zmeškané detekce neobvyklých pozic nebo zakrytých tváří. Hodnocení by měla zahrnovat podmínky a skupiny, kde produkt skutečně poběží, a aplikace pro ochranu soukromí by měly plánovat lidskou kontrolu, když něco postrádá. Orientační body a detekční systémy se mohou integrovat těsněji, ale týmy by měly stále rozlišovat místo od identity a vyvozování z výrazu. Spolehlivý produkt odhalí nejistotu a poskytne cestu k obnově, když je krabice chybná nebo chybí.

Uvedení do praxe

Proč na tom záleží

  • Rychlost a měřítko. Vizuální AI může automatizovat úkoly inspekce, detekce a označování ve velkém měřítku.
  • Volby sestavy. Kreativní týmy mohou prototypovat koncepty rychleji s menším počtem ručních revizí.
  • Tým a pracovní postup. Operace mohou využívat obrazové a video signály, které bylo dříve obtížné zpracovat.

Pozor na

  • Obrazová práva a souhlas se mohou stát právním rizikem, pokud je původ nejasný.
  • Výkon modelu se může lišit podle osvětlení, demografických údajů a prostředí.
  • Falešně pozitivní mohou zůstat bez povšimnutí, pokud nejsou monitorovány prahové hodnoty spolehlivosti.

Další kroky

  1. Definujte kritéria přijatelnosti pro přesnost, stažení a náklady na chyby.
  2. Testujte s daty, která odpovídají reálným výrobním podmínkám.
  3. Přidejte lidskou kontrolu pro předpovědi s nízkou spolehlivostí nebo velkým dopadem.
  4. Sledujte posun modelu a znovu ověřte po změnách kamery nebo datové sady.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Udělejte si kvíz Algoritmy detekce obličeje

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je to algoritmus detekce obličeje?

Detekce obličeje lokalizuje pravděpodobné obličeje v obraze a obvykle vrátí ohraničující rámečky nebo orientační body; sama o sobě nejmenuje lidi v těchto regionech. Klasické kaskády a moderní naučené detektory využívají různé funkce a kompromisy mezi rychlostí a přesností. Testování v reálném světě musí počítat s malými obličeji, okluzí, pózou a náklady na zmeškané nebo falešné detekce.

Detektor vrátí obdélník kolem obličeje. Kterou skutečnost tento výstup určuje sám o sobě?

Lokalizace a odvození identity nebo emocí jsou samostatné úkoly.

Proč kaskádové klasifikátory odmítají mnoho oken v raných fázích?

Klasická kaskáda investuje práci v pozdější fázi pouze do kandidátů, kteří projdou dřívějšími filtry.

Která konstrukční funkce je zdokumentována pro RetinaFace?

Výzkum RetinaFace kombinuje detekci a dohled související s orientačním bodem.

Pokud tým sníží svůj práh skóre obličeje, jaký kompromis by měl očekávat?

Threshold choice obchoduje citlivost vůči falešným pozitivům.

Dvě krabice se na jedné ploše téměř úplně překrývají. Jaký postprocessing to často řeší?

Nemaximální potlačení nebo podobné následné zpracování může konsolidovat duplicitní detekce.