文摘
COVID-19已经不可避免的影响了人们的日常生活在2020年。的行为改变,比如戴着面具产生相当大的影响在生物系统中,特别是面部识别系统。当人们意识到这一点的影响,缺乏这一现象的综合评价。本文的目的是定性评价COVID-19对各种生物识别系统的影响,定量评估人脸检测和识别。实验结果表明,一个真实的戴面具的脸数据集是至关重要的建立一个有效的脸同时考虑生物识别系统。
1。介绍
COVID-19全球大流行可能最持久的和致命的空中病毒存在于人类历史。人暴露在病毒有可能被感染,在世界上,每个人都能感觉到如何大流行的势头可以改变我们的生活方式。病毒携带者可能无症状但传染性的同时,默默地允许病毒传播给人类。据世界卫生组织统计,截至上午10点10月6日美国东部时间2020年,COVID-19全球已经有35274993例确诊病例,包括1038534例死亡。新冠状病毒已成为人类进化的头号障碍。
病毒可以通过接触传播对象,所以保持社会距离和呆在家里现在新的常识。目前禁止握手和其他社会活动。此外,大多数公共法规要求人们戴上口罩之前显示他们的脸。然而,戴着面具隐藏了人脸识别的关键信息,这使得它更难通常训练模型的过程。
人脸识别使用部分覆盖面临迄今为止尚未完全解决。提出了几种方法来解决这个问题。根据(1),来解决嵌入人脸识别的技术挑战,亚马逊已经开发了棕榈打印识别技术,可以阅读掌纹的血管和内部结构,组织,或骨骼。此外,在算法层面,其他硬编码方法,包括印刷面临面具,不是理想的解决方案。因此,迫切需要一个新的部分覆盖深度学习模型的人脸识别。
生物识别系统是必要的在COVID-19和变得更加重要,当我们想跟踪病毒的传播。COVID-19并不局限于人脸识别的影响。不同的生物识别系统不同程度的影响。如前所述(2等),非接触技术面和虹膜识别正在推到新的高度,扩大政府保护、监测和筛查。相反,应用程序依赖于指纹和静脉识别方法均蒙受了巨大损失。
在本文中,我们首先提供一个全面审查COVID-19的影响在不同的生物系统。现有解决方案的性能和新的然后讨论可能的解决方案,使用蒙面人脸识别任务为例。
我们的贡献可以概括如下:(1)我们现在最先进的审查COVID-19在不同的生物识别系统的影响(2)我们评估最近的深度学习的性能模型在蒙面的人脸检测和识别任务(3)我们总结新想法掩盖了人脸识别
本文组织如下。节2,我们回顾相关工作在不同的生物系统和COVID-19的影响。节3,我们进行探索性研究在COVID-19人脸识别的性能,提出可能的对策。节4,我们总结的主要结果和得出我们的结论。
2。相关工作
在本节中,我们简要回顾一下不同的生物识别系统。我们还总结不同的生物识别系统的优点和缺点COVID-19在桌子底下1。我们将讨论下一节的人脸识别。
2.1。巩膜血管和眼周的识别
巩膜的识别是一个新兴领域的认可,让机器来确定一个人的身份的趋势在巩膜静脉。根据(3),该研究小组收集的新数据集通过高分辨率相机SBVPI眼生物特征模型的训练。每个区域的分割后巩膜,UNet, RefineNet-50, refinenet - 101和SegNet模型被用于训练,精度为0.938,0.960,0.955,和0.949,分别。此外,该团队将SBVPI分成不同的组,年龄和性别调查这些因素是否影响巩膜的船舶识别。
同样,眼周的识别适用于眼睛周围的识别过程。根据(4),一个dual-stream卷积神经网络模型可以应用于眼周的地区获得更多的颜色信息,这意味着网络可以接受RGB图像。此外,一个新的描述符,正交combinatorial-local二进制编码模型,提出了。研究小组还提出了一个新的数据库,Ethnic-Eye数据库,为眼周的识别的未来发展。1级为84.79±1.9%的精度和等级5为94.23±1.3%。
根据的理论5),学习标签平滑正规化(L2SR)是另一个新的方法来提高卷积神经网络的性能。结合熵和KL发散损失函数,该模型可以减少组合方差更好。这个模型测试三个数据集、种族Pubfig IMDB Wiki,其中Pubfig数据库97.53±2.15%的精度最高。其他正则化方法,L2SR正则化有明显的优势。
2.2。手指静脉识别
手指静脉识别具有安全性和隐私。没有必要让人们暴露过多的个人信息。收藏者通常便携、实用。根据(6),CPBFL在两个阶段工作。训练阶段和测试阶段使用像素差分向量(刚才)从图像中提取特征。在训练阶段,刚才是直接转换成二进制特征category-preserving二进制特征学习(CPBFL);在测试阶段,CPBFL用于生成映射,把刚才转换成二进制特征。在培训过程中,模型使用二进制码学习(BCL)集群二进制特征码书的手指静脉的直方图表示测试阶段。CPBFL-BCL的准确性为98.48%,98.95%,和99.30%的每个类别的样本数量1、2和3分别。
根据(7),博斯普鲁斯海峡是另一个手指静脉识别的数据集。在准备阶段,手指识别之前,整个二进制图像是手规范化生成左手手指轮廓和手指轮廓。提高准确性,每个手指的研究小组收集了30特性和应用一个贪婪算法。的功能被使用再和随机森林分类。右侧图像的准确性为96.56%,达到95.92%,左侧图片。
根据的理论8),FPAD物理指纹采集方法组成的近红外(NIR)、短波红外(短波红外成像)、激光散射成像相比,和NIR背光。用于识别的数据集是PADISI-Finger LivDet数据集,和一个完全卷积神经网络模型用于识别。在所有的物理组合指纹采集方法、可见光、近红外、短波红外成像精度最高,所有的这些都可以达到目前水平。
2.3。步态识别
为了识别步态,步态特征和时间特征需要提取。因此,根据(9),该研究小组使用加速度计和陀螺仪等传感器嵌入到手机来收集信息。卷积神经网络和递归神经网络是用来不断提取gait-related特性,同时保持了时间序列,然后,很长一段短期记忆网络(LSTM)是用于步态识别。研究小组对118名被试进行实验,收集信息在手机,在认识的人实现了93.5%的准确性。
2.4。手写签名生物识别技术
手写签名识别面临的短缺数据库(10),和DeepSignDB数据库为研究人员提供了更多的手写签名用于培训深入学习模型。研究小组使用的签名DeepSignDB并把它们提供给了DTW和RNN模型。训练后,模型将能够识别随机伪造。对熟练伪造、双向格勒乌检测使用。准确率高达8%的实现对熟练伪造和随机伪造的1 - 2%。
2.5。手掌识别
由机器生成更现实的手掌图像,研究小组使用一种定期生成对抗网络。这个工作是使用电视的创新正规化GAN作为损失函数模型来帮助了解更多的特性手掌线连接(11]。500多个迭代,鉴别器帮助生成器模拟手掌图像,改善其能力和发电机的损失函数从17.5开始约5.0。随着每次迭代的数量增加,手掌图像变得更清晰、更现实。
2.6。手腕静脉识别
与近红外光谱相机和近红外LED嵌在现代手机,可以观察到手腕槽线的结构。在[12),比100年的数据特征点提取手腕凹槽的手腕静脉图像,图像和2400。三个算法,筛选,冲浪,ORB,被用于数据特征点采集过程。数据提取后,两种算法被用来处理数据集。tgs-cvbr算法主要用于制备阶段,机器需要识别的手腕静脉的确切位置。pi-cvbr算法从图像中提取特征,并产生输出正确的决定。在三个数据提取算法,筛选曾经最高提取精度在6.82%∼18.72%之间。
3所示。戴面具的人脸识别
在本节中,我们使用蒙面人脸识别作为一个案例研究。我们首先概述工作处理的面具。然后,我们目前的实验进行了评估最先进的人脸检测和识别模型时蒙着脸。
3.1。戴面具的脸Recognition-Related工作的概述
部分人脸识别已成为生物识别技术的新热点,而其他生物识别技术需要身体接触,包括指纹识别和静脉识别,生物识别技术将面临普遍下降。作为部分人脸识别潜在的机会出现,有必要总结处理蒙面的努力(2]。
残余神经网络最适合检测和提取特征从一个给定的数据库,并在13),作者实现了ResNet50从戴面具的脸图像中提取特征的工具。深层迁移学习模型的参数由图像和训练相关的标签。提高精度,模型的其他组件包括支持向量机、决策树、和集成方法,在分类过程中使用。整个模型训练基于三个数据库的蒙面脸图像集RMFD SMFD, LFW。在完成整个模型的训练过程,决策树分类可以达到99.89%的测试精度最高,支持向量机可以达到100%的测试精度,达到超过99%的准确率和集成方法。
COVID-19城市封锁期间,许多政府决策者提出的政策,包括在限制区域和有限的购物时间。为了实现这个决定,需要技术方法来识别个人的帮助,改变地方政府。在[14),一个三层的转换系统的设计提出了物联网向政府提供必要的技术力量。整个物联网系统包括物理层、边缘层,人脸检测、边界框,边缘计算。物理层由硬件设备如相机和智能手机实现捕获的脸,每一个微芯片,覆盆子π,更新到数据库中记录的数据。边缘层然后到位,不断收集所有数据从不同的设备类型,包括相机和智能手机。应用服务器将决定谁是居民资格出去购物,同时保持其他限制区域。对于人脸识别,组织实施了多任务级联卷积网络使用OpenCV库成功识别关键边界框内的特征点。封闭框计算置信度较低的熵损失由nonmaximal回归和消除抑制过程。R-Net,模型训练在P-Net O-Net,数据库使用广泛的脸精度为0.607。
除了提取面部特征点作为人脸识别的预处理方法,结合h-channel HSV颜色空间,面对画像,和灰度图像,即。HGL方法,更好预处理结果。根据(15),研究小组使用了HGL方法预处理MAFA数据库,然后应用卷积神经网络。颜色部分覆盖的脸后导入到模型中,他们被转换成灰度线肖像和颜色空间图像,然后使用卷积神经网络进行特征提取。总的来说,正面人脸识别的准确率达到93.64%,和侧面人脸识别的准确率达到87.17%。
分析面临的更小的部分也可以用来识别而不是使用整个未曝光的脸作为输入。在[16),区域的脸,包括左眼,右眼,从伦敦时装周的脸和嘴,收集数据库。这些特定的面部特征,提取各种pretrained模型被使用,包括AlexNet ResNet50, ResNet101, DenseNet201 VGG-Face, MobileNetv2。后将卷积神经网络应用到软生物特征分类,CNN的最佳层特性是使用支持向量机分类的,如性别、年龄、种族。只用眼睛特征作为输入,准确率为92.6%,60.2%,和82.9%实现了性别,年龄,种族,分别,这是一个可接受的精度下降相比,整个人脸识别。
综合比较部分蒙着脸对人脸识别的影响,在17),研究小组分析了当前最先进的人脸识别方法,ArcFace, SphereFace, COTS,使用正常,蒙面的脸作为输入。BLR-M1P BLR-BLP, BLR-M2P和BLR-M12P数据分割、基线,基线骗子,掩盖了真实的,,蒙面骗子进行比较,结果表明,基线的真实分数真的,基线骗子,掩盖了真实,蒙面骗子倾向于更接近骗子的分布。
3.2。评估现有的人脸检测模型
在本节中,我们的目标是评估的性能最先进的深度学习模型进行人脸检测。我们评估的模型包括CenterFace、LFFD libfacedet, yoloface, SSD, RetinaFace,这些模型详细描述如下。
与面部识别的需求增加设备以更少的存储空间,CenterFace [18)为研究人员提供了一个有效的和正确的方法寻找个人面部特征。CenterFace的主要思想是将人脸识别转换成关键预测和建立模型通过分类、回归,回归和里程碑。更快地识别人脸,CenterFace金字塔网络还包括一个移动特性,由现有的模型如MobileNetv2和特征金字塔网络(红外系统)。CenterFace FDDB和更广泛的脸上然后训练数据集。CenterFace可以实现更快的处理速度和DSFD相比,PyramidBox, S3FD, LFFD,等等。在精度方面,CenterFace模型在简单测试了更广泛的脸上,介质,和硬类,分别和所有结果精度可以达到约90%。
适应新兴需要处理人脸识别在各种便携设备有限的存储空间,越来越多的模型设计过程面临更快的运行时间和更高的准确性,即光和快速的脸fetector (LFFD) [19]。LFFD的主要思想是实现射频和小块土地的高斯特性,在图像的中心比边缘清晰锐利的边缘,而不是大小不同的草图设计各种输入锚。随着上下文信息的增加,图像的图像从中间生长包含越来越多的环境。大尺寸的面孔,模型只需要保留信息,而对于小尺寸的脸,周围的模型需要包含更多的信息。LFFD的主要模式是一种卷积神经网络,它由25层划分为小,小,中,大的部分。大小不同的面孔,不同的损失函数使用分支,有8个分支。softmax的损失函数模型。数据集用来评估模型是广泛的脸。测试集,精度容易,媒体,和硬分类达到0.896,0.865,和0.770,分别。
LibFace检测(20.)是一个开源的脸使用卷积神经网络识别模型,基于FaceBoxes和SSD模型代码。网站连接到参考部分供参考。
YOLO有更快的处理速度的优势意思相对于其他二级探测器。然而,它也有一个缺点,YOLO难以准确识别意思面临的规模相对较小。为了解决这个缺点,YOLO-face [21)是旨在帮助YOLO识别人脸大小不同的意思通过精炼损失函数和选择更合适的锚盒子。YOLO是一个单级意思探测器使用卷积神经网络识别的边界框的脸。提高识别人脸的不同尺寸的准确性,YOLO-face使用darknet-53为骨干。使用两种类型的锚箱,一个持续的一般形状YOLO锚箱意思但改变锚箱更高的形状,和其他锚箱是由执行k-clustering在更广泛的脸上。的损失函数,YOLO使用意思信心丧失,回归损失,分类损失,和物体的损失。通过测试在一个更广泛的脸和FDDB数据集,探测器可以达到更高的精度,同时保持它的处理速度。
一般目标探测,单发探测器显示的可能性比例根据不同大小的目标概括框。单发射击multibox检测器(SSD) [22)有三个重要特征,即地图多尺度特征检测,检测的卷积预测,和一个默认的盒和长宽比。通过这些可用的特性,SSD可以自动缩放对象的边界框的大小和匹配多个特征图。
RetinaFace [23)是一个多层次,单发人脸检测模型。RetinaFace的主要结构包括两个部分,一个级联的多尺度特征金字塔网络,上下文头模块。金字塔网络的功能,地图多尺度特性是实现内部网络;级联的多尺度上下文头模块,多任务损失是嵌入到模型,包括脸分类损失,面对five-marker回归损失,和脸框回归损失。试验模型在一个更广泛的数据集,训练和测试可以实现先进的性能。
在本文中,我们使用两个数据集评估上面的模型。(1)非洲开发银行和afdb_masks:一个真实的戴面具的脸图像的人脸识别数据集从互联网上抓取和重组进一步处理,清洁,和添加符号。整个数据集包括5000个蒙面的脸和90000揭露了正常的脸。(2)lfw_mask:数据集蒙着脸从正常的面孔,模拟带着面具的脸的底部添加一个覆盖场景的脸。
我们评估这些模型是基于每个图像的检测率和检测时间。结果如图1和2。在这些数据中,我们使用非洲开发银行和afdb_mask区分情况下没有戴面具的脸图像。
我们有两个主要的观察结果。(1)图1显示不同的数据集的检测率与不同的模型。然而,人脸识别的准确性和面具的存在会降低,特别是与面具脸照片拍摄于真实的场景。然而,伦敦时装周的数据的准确性与所有蒙面面临由手动覆盖一些面临大幅减少。这表明有一个巨大的困难的区别真正的蒙面面临数据集和模拟掩盖在人脸识别面临的数据集。因此,有足够的预算和资源,真正的蒙面的脸更适合训练模拟的脸。(2)我们可以看到在图2,检查所需的时间延长的戴面具的脸,但增加是一个微不足道的范围内。
3.3。评估现有的人脸识别模型
在本部分中,我们的目标是评估性能最先进的深度学习模型的人脸识别。我们制定这个问题作为一个分类问题与AFDB_masked数据集和评估以下模型:(1)MobileNet [24)提出了2017年4月17日,并使用切除可分离旋转进行目标识别(2)Xception [25)提出了2016年10月7日,并使用一个结构之间的中间点卷积神经网络和切除可分离旋转(3)ResNet152 [26)于2015年12月10日提出,使用剩余的学习框架简化深层神经网络的训练(4)InceptionV3 [27)2015年12月2日提出了提高计算效率,使模型更适合更大的数据集(5)EfficientNet [28)提出了2019年5月28日,它是用来扩展处处模型来实现更高的性能
我们进行了四个系列的比较:(1)没有面具(我们蒙面):我们的火车模型没有戴面具的脸图像。正常的脸上我们评估模型图像。(2)蒙面(我们蒙面):我们训练模型没有戴面具的脸图像。我们评估模型掩盖面部图像。(3)(我们蒙面):我们的火车模型没有戴面具的脸图像。我们评估模型在正常和蒙面脸图像。(4)(w蒙面):我们训练模型和正常的戴面具的脸图像。我们评估模型在正常和蒙面脸图像。
我们评估这些比较的准确性。结果如表所示2。
从表2观察,我们有以下两个:(1)通过观察第二列,进行人脸识别的准确性了人脸模型训练人脸面具。结果显示极低的准确性。(2)第三列显示了结果的准确性训练人脸模型完全没有面具,和第四列显示了合成精度蒙面人脸上。相比之下第三列和第四列之间,我们建议,更多的帮助下蒙面人脸照片真实场景下,模型会产生更好的结果。
4所示。结论
在本文中,我们首先定性评价COVID-19在各种生物识别系统的影响,总结其优势和弱点。这可能是困难的一些系统,但它也是一个机会。然后,我们目前的人脸检测和识别的定量评价,与先进的深度学习模式。我们发现真正的蒙着脸更适合训练模拟的面孔。我们也建议深度学习模型的帮助下将产生更好的结果更蒙着脸在真实场景的照片(29日]。
数据可用性
数据共享不适用于本文没有生成数据集或在当前的研究分析。
的利益冲突
作者宣称没有利益冲突。