[论文解读] A Smart Security System with Face Recognition

Trung Nguyen, Barth Lakshmanan+1 more|arXiv (Cornell University)|Dec 3, 2018

Face recognition and analysis参考文献 19被引用 7

一句话总结

本文提出了一种智能家庭安防系统（SoF），采用基于增量学习的人脸识别技术，随时间推移持续提升识别准确率。系统基于TensorFlow构建，利用社交媒体数据及人工标注的未知人脸数据进行训练，最终实现93.18%的准确率，展示了该方案在真实场景中具备可扩展性、自适应性与隐私保护能力。

ABSTRACT

Web-based technology has improved drastically in the past decade. As a result, security technology has become a major help to protect our daily life. In this paper, we propose a robust security based on face recognition system (SoF). In particular, we develop this system to giving access into a home for authenticated users. The classifier is trained by using a new adaptive learning method. The training data are initially collected from social networks. The accuracy of the classifier is incrementally improved as the user starts using the system. A novel method has been introduced to improve the classifier model by human interaction and social media. By using a deep learning framework - TensorFlow, it will be easy to reuse the framework to adopt with many devices and applications.

研究动机与目标

• 开发一种鲁棒、自适应的人脸识别系统，用于家庭安防，且能随使用过程持续改进。
• 通过利用公开的社交媒体数据，减少大规模数据采集的负担。
• 通过用户交互与增量学习机制，实现模型的持续优化。
• 通过实施基于角色的权限管理，确保隐私保护与访问控制。
• 基于TensorFlow构建可扩展、设备无关的系统，支持在智能手机、嵌入式设备及云基础设施上的部署。

提出的方法

• 系统使用Raspberry Pi作为摄像头节点，基于Dlib库与方向梯度直方图特征实现本地人脸检测与识别。
• 通过在TensorFlow上使用三元组损失函数训练的Inception-v3架构深度神经网络提取人脸嵌入。
• 设计了一种新型数据采集流程，集成Facebook Graph API，从社交媒体中提取带标签的人脸，显著降低对人工数据采集的依赖。
• 系统实现增量学习：用户通过移动应用或网页界面标注新面孔，系统将新数据用于模型微调，从而提升识别准确率。
• 云服务器采用多节点架构（Ubuntu、Cirros、CentOS），基于QEMU部署，支持最多12个VCPUs与16GB内存的分布式训练。
• 基于Web的用户界面支持实时警报、用户标注与基于角色的访问控制，所有数据安全存储于云存储中。

实验结果

研究问题

• RQ1 如何使人脸识别系统具备自适应能力，从而在无需大规模初始数据集的前提下持续提升准确率？
• RQ2 社交媒体数据在减轻安全系统训练所需数据采集负担方面可发挥何种作用？
• RQ3 如何将用户交互整合进学习循环，以增强模型鲁棒性与用户控制能力？
• RQ4 能否基于TensorFlow等开源框架构建轻量化、可扩展的系统，并实现在多种设备上的部署？
• RQ5 与静态模型相比，采用人机协同的增量学习在准确率与适应性方面表现如何？

主要发现

• 所提出的系统实现了93.18% ± 0.0140的人脸识别准确率，显著优于传统特征脸方法（60.02% ± 0.0079），并接近人类识别水平。
• 随着社交媒体数据与用户标注新数据的持续注入，系统在准确率方面表现出持续的增量提升。
• 通过TensorFlow优化训练时间，卷积层前向传播耗时135ms，反向传播耗时310ms，优于Caffe与基于CuDNN的Torch框架。
• 利用Facebook Graph API实现了高效、大规模的人脸数据采集，显著减少了人工获取数据的工作量。
• 系统支持基于角色的访问控制，可为访客、儿童与管理员设置不同权限等级，有效提升隐私保护与安全性。
• 云环境下的分布式训练集成支持可扩展的模型重训练，使系统能够成功部署于嵌入式设备与移动平台。