使用少量样本进行人脸识别

Question

有人可以建议我建立有效的面部分类器，可以分类许多不同的面孔（~1000）吗？

我每张脸只有1-5个例子

我知道opencv face分类器，但它对我的任务很糟糕（许多类，一些样本）。 对于具有少量样本的一个面部分类，它可以正常工作。但我认为1k单独的分类器不是好主意

我读了一些关于人脸识别的文章，但这些文章中的方法重新考虑了每个班级的大量样本

PS对不起我的写作错误。英语不是我的母语。

Answer 1

实际上，为了给您一个正确的答案，我很乐意了解您的任务和数据的一些细节。人脸识别是一个非常重要的问题，并且没有针对各种图像采集的通用解决方案。

首先，您应该定义样本和测试集中有多少变异来源（冒充，情绪，光照，遮挡或延时）。然后你应该选择一个合适的算法，更重要的是，根据类型预处理步骤。

如果您没有任何重大变化，那么最好考虑将Discrete Orthogonal Moments中的一个作为特征提取方法的小训练集。他们具有非常强大的能力来提取没有冗余的功能。其中一些（Hahn，Racah时刻）也可以在两种模式下工作 - 局部和全局特征提取。这个主题相对较新，关于它的文章仍然很少。虽然，它们被认为是图像识别中非常强大的工具。它们可以通过使用递归关系近乎实时地计算。有关详细信息，请查看here和here。

如果个人的姿势发生显着变化，您可以尝试按Active Appearance Model首先执行姿势修正。

如果有很多遮挡物（眼镜，帽子），那么使用其中一个local feature extractors可能有所帮助。

如果列车和探测图像之间存在显着的时间间隔，则面部的局部特征可能会随着年龄而变化，那么尝试使用graphs for face representation之一的算法是一个很好的选择。面部拓扑。

我认为上述内容不是在OpenCV中实现的，但对于其中一些内容，您可以找到MATLAB implementation。

我也不是母语人士，对语法很抱歉

Answer 2

遇到您的问题，它的方式非常独特。正如您说的，每个班级只有很少的图像，我们训练的模型应该具有令人敬畏的体系结构，可以在图像本身内创建更好的功能，或者应该有其他方法可以实现此任务。  到目前为止，我有四件事可以分享：

• 进行数据预处理，然后创建更大的数据集并理想地在神经网络上进行训练。在这里，我们可以像这样进行预处理：                              -图像旋转                              -图像剪切                              -图像缩放                              -图像模糊                              -图像拉伸                              -图片翻译 并每个课程创建至少200张图像。请查阅opencv文档，该文档提供了更多有关如何增加数据集大小的方法。完成此操作后，我们可以应用转移学习，这比从头开始训练神经网络是一种更好的方法。

转移学习是一种在我们自己的自定义类上训练网络的方法，并且该网络已经在1000多个类上进行了预训练。由于此处的数据非常少，我只希望转移学习。我写了一个博客，内容涉及所需的数据量后，如何使用转移学习来实现这一目标。它已链接here。人脸识别本身也是一个分类任务，每个人都是一个单独的类。因此，请按照博客中给出的说明进行操作，可能会帮助您创建自己的强大分类器。

• 另一个建议是，在创建数据集之后，对其进行正确编码。此编码将帮助您保留图像中的功能，并可以帮助您训练更好的网络。 VLAD，Fisher，Bag of Words是很少的编码技术。您可以在线搜索一些已经在ORL数据库中实现了这些存储库的存储库。编码后，对网络进行编码训练，显然可以看到更好的性能。
• 即使确实结帐了 Siamese 网络here，我也感觉要这样做。在这里，他们比较了两个在不同网络上具有相似特征的图像，从而获得了更好的分类精度。 Git存储库为here。
• 另一种标准方法是使用SVM（随机森林），因为数据较少。如果您仍然喜欢神经网络，上述方法将为您服务。如果您打算使用编码，那么我建议您使用随机森林，因为它在学习和灵活性方面都非常可取。

希望这个答案将帮助您朝着实现目标的正确方向前进。

Answer 3

您可能想看看 OpenFace ，它是使用深度神经网络的人脸识别的Python和Torch实现：https://cmusatyalab.github.io/openface/