IR人脸识别模型FRIR
IR人脸识别模型FRIR
  • 模型资讯
  • 模型资料

FRIR 模型介绍

稳定调用及效果更好的API,详见视觉开放智能平台:人脸比对1:1口罩人脸比对1:1人脸搜索1:N公众人物识别明星识别

IR人脸识别模型FRIR

模型描述

FRIR是基于残差网络结构的对红外(IR)人脸提取人脸特征的模型。输入为对齐之后的112x112的人脸IR图片,输出为512维的IR人脸特征。通过比较两张人脸的cosine相似度可以判断两张图片是否为同一个人。

模型结构

FRIR采用残差网络结构,loss采用arcface loss。

FRIR模型结构

模型使用方式和使用范围

可用于红外成像的人脸比对,例如低成本红外摄像头的门禁或门锁场景。

使用方式

  • 推理:输入一张带人脸的图片,经过检测器和对齐模块得到,对齐的人脸图片(112x112),经过本模型后返回人脸特征向量(512维),为便于体验,集成了人脸检测和关键点模型RetinaFace,输入两张图片,各自进行人脸检测选择最大脸并对齐后提取特征,然后返回相似度比分以及每个人脸的质量分。

目标场景

活体模型使用场景为认证设备端和裸拍活体:
1.)认证设备端是指借助近距离裸拍活体正面人脸用于认证、通行等服务场景的含RGB摄像头的硬件设备,常见的认证设备端有手机、门禁机、考勤机、PC等智能终端认证设备。
2.)裸拍活体正面人脸是指真人未经重度PS、风格化、人工合成等后处理的含正面人脸(非模糊、遮挡、大角度的正面人脸)的裸照片。常见的非真人有纸张人脸、电子屏人脸等;常见经过重度PS后处理的照片有摆拍街景照、摆拍人物风景照、摆拍证件照等;常见的其他后处理及生成照片有动漫人脸、绘画人脸等。

模型局限性及可能偏差

  • 强光照射下的红外图片提取特征的效果一般。
  • 当前版本在python 3.7, pytorch 1.8.0环境测试通过,其他环境下可用性待测试.

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.outputs import OutputKeys
import numpy as np

face_recognition_frir_func = pipeline(Tasks.face_recognition, 'damo/cv_manual_face-recognition_frir')
img1 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/ir_face_recognition_1.png'
img2 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/ir_face_recognition_2.png'
emb1 = face_recognition_frir_func(img1)[OutputKeys.IMG_EMBEDDING]
emb2 = face_recognition_frir_func(img2)[OutputKeys.IMG_EMBEDDING]
sim = np.dot(emb1[0], emb2[0])
print(f'Face cosine similarity={sim:.3f}, img1:{img1}  img2:{img2}')

数据评估及结果

私有数据集下,100人底库,1e-5的误识率下,通过率97%。

来源说明

本模型及代码来自达摩院自研技术。