⼈脸识别⼗⼤关键技术
1、⼈脸检测（FaceDetection）
“⼈脸检测（FaceDetection）”的作⽤就是要检测出图像中⼈脸所在位置。⼈脸检测算法的原理简单来说是⼀个“扫 描”加“判定”的过程。即⾸先在整个图像范围内扫描，再逐个判定候选区域是否是⼈脸的过程。因此⼈脸检测算法的计算速度会跟图像尺⼨⼤⼩以及图像内容相关。在实际算法时，我们可以通过设置“输⼊图像尺⼨”、或“最⼩脸尺⼨限制”、“⼈脸数量上限”的⽅式来加速算法。
2、⼈脸配准（FaceAlignment）
“⼈脸配准（FaceAlignment）”所实现的⽬的是定位出⼈脸上五官关键点坐标。当前效果的较好的⼀些⼈脸配准技术基本通过深度学习框架实现。这些⽅法都是基于⼈脸检测的坐标框，按某种事先设定规则将⼈脸区域抠取出来，缩放到固定尺⼨，然后进⾏关键点位置的计算。另外，相对于⼈脸检测，或者是后⾯将提到的⼈脸特征提取的过程，⼈脸配准算法的计算耗时都要少很多。 横向切片3、⼈脸属性识别（FaceAttribute）
3d涂鸦笔
“⼈脸属性识别（FaceAttribute）”是识别出⼈脸的性别、年龄、姿态、表情等属性值的⼀项技术。这在有些相机APP中有所应⽤，可以⾃动识别摄像头视野中⼈物的性别、年龄等特征并标注出来。
⼈脸的属性识别包括性别识别、年龄估计、表情识别、姿态识别、发型识别等等⽅⾯。⼀般来说每种属性的识别算法过程是独⽴的，但是有⼀些新型的基于深度学习实现的算法可以实现同时输出年龄、性别、姿态、表情等属性识别结果。
4、⼈脸提特征（FaceFeatureExtraction）
“⼈脸提特征（FaceFeatureExtraction）”是将⼀张⼈脸图像转化为可以表征⼈脸特点的特征，具体表现形式为⼀串固定长度的数值。
⼈脸提特征过程的输⼊是“⼀张⼈脸图”和“⼈脸五官关键点坐标”，输出是⼈脸相应的⼀个数值串（特征）。⼈脸提特征算法实现的过程为：⾸先将五官关键点坐标进⾏旋转、缩放等等操作来实现⼈脸对齐，然后在提取特征并计算出数值串。
5、⼈脸⽐对（FaceCompare）
“⼈脸⽐对（FaceCompare）”算法实现的⽬的是衡量两个⼈脸之间相似度。
⼈脸⽐对算法的输⼊是两个⼈脸特征⼈脸特征由前⾯的⼈脸提特征算法获得，输出是两个特征之间的相似度。
6、⼈脸验证（FaceVerification）
“⼈脸验证（FaceVerification）”是判定两个⼈脸图是否为同⼀⼈的算法。
它的输⼊是两个⼈脸特征，通过⼈脸⽐对获得两个⼈脸特征的相似度，通过与预设的阈值⽐较来验证这两个⼈脸特征是否属于同⼀⼈。
7、⼈脸识别（FaceRecognition）
“⼈脸识别（FaceRecognition）”是识别出输⼊⼈脸图对应⾝份的算法。
它的输⼊为⼀个⼈脸特征，通过和注册在库中N个⾝份对应的特征进⾏逐个⽐对，出“⼀个”与输⼊特征相似度最⾼的特征。将这个最⾼相似度值和预设的阈值相⽐较，如果⼤于阈值，则返回该特征对应的⾝份，否则返回“不在库中”。
媒体播放8、⼈脸检索（FaceRetrieval）
“⼈脸检索”是查和输⼊⼈脸相似的⼈脸序列的算法。
⼈脸检索通过将输⼊的⼈脸和⼀个集合中的说有⼈脸进⾏⽐对，根据⽐对后的相似度对集合中的⼈脸进⾏排序。根据相似度从⾼到低排序的⼈脸序列即使⼈脸检索的结果。
9、⼈脸聚类（FaceCluster）
“⼈脸聚类（FaceCluster）”是将⼀个集合内的⼈脸根据⾝份进⾏分组的算法。
在没有进⾏⼈⼯⾝份标注前，只知道分到⼀个组的⼈脸是属于同⼀个⾝份，但不知道确切⾝份。
10、⼈脸活体（FaceLiveness）
“⼈脸活体（FaceLiveness）”是判断⼈脸图像是来⾃真⼈还是来⾃攻击假体（照⽚、视频等）的⽅法。
在我们⽣活环境中，⼈脸认证系统中主要容易受到这种⼿段欺骗：
（1）⽤偷拍的照⽚假冒真实⼈；
（2）在公开场合录的视频或⽹上公开的视频⽚段；
（3）⽤计算机辅助软件设计的三维模型欺骗；
（4）⽤蜡或塑料等材质构造的三维雕像欺骗。
现在所以⼈脸活体检测技术的研究显得异常重要。对于照⽚欺骗，主要是根据分辨率、三位三维信息、眼动等来进⾏区分；对于视频欺骗，根据三维信息、光线等来区分。
⼈脸识别算法原理
1、基于⼏何特征的⽅法
⼈脸由眼睛、⿐⼦、嘴巴、下巴等部件构成，正因为这些部件的形状、⼤⼩和结构上的各种差异才使得世界上每个⼈脸千差万别，因此对这些部件的形状和结构关系的⼏何描述，可以做为⼈脸识别的重要特征。⼏何特征最早是⽤于⼈脸侧⾯轮廓的描述与识别，⾸先根据侧⾯轮廓曲线确定若⼲显著点，并由这些显著点导出⼀组⽤于识别的特征度量如距离、⾓度等。
2、局部特征分析⽅法
局部特征分析⽅法⼀种基于特征表⽰的⾯像识别技术，源于类似搭建积⽊的局部统计的原理。LFA 基于所有的⾯像（包括各种复杂的式样）都可以从由很多不能再简化的结构单元⼦集综合⽽成。这些单元使⽤复杂的统计技术⽽形成，它们代表了整个⾯像，通常跨越多个像素（在局部区域内）并代表了普遍的⾯部形状，但并不是通常意义上的⾯部特征。实际上，⾯部结构单元⽐⾯像的部位要多得多。
然⽽，要综合形成⼀张精确逼真的⾯像，只需要整个可⽤集合中很少的单元⼦集（12～ 40 特征单元）。要确定⾝份不仅仅取决于特性单元，还决定于它们的⼏何结构（⽐如它们的相关位置）。通过这种⽅式，LFA 将个⼈的特性对应成⼀种复杂的数字表达⽅式，可以进⾏对⽐和识别。
“⾯纹”编码⽅式是根据脸部的本质特征和形状来⼯作的，它可以抵抗光线、⽪肤⾊调、⾯部⽑发、发型、眼镜、表情和姿态的变化，具有强⼤的可靠性，以从百万⼈中精确地辨认出⼀个⼈。
3、特征脸⽅法（Eigenface或PCA）
从统计的观点，寻⼈脸图像分布的基本元素，即⼈脸图像样本集协⽅差矩阵的特征向量，以此近似地表征⼈脸图像。这些特征向量称为特征脸（Eigenface）。该⽅法是先确定眼虹膜、⿐翼、嘴⾓等⾯像五官轮廓的⼤⼩、位置、距离等属性，然后再计算出它们的⼏何特征量，⽽这些特征量形成⼀描述该⾯像的特征向量。其技术的核⼼实际为“局部⼈体
属性，然后再计算出它们的⼏何特征量，⽽这些特征量形成⼀描述该⾯像的特征向量。其技术的核⼼实际为“局部⼈体特征分析”和“图形/神经识别算法。
4、基于弹性模型的⽅法
弹性图匹配技术是⼀种基于⼏何特征和对灰度分布信息进⾏⼩波纹理分析相结合的识别算法，较好的
利⽤了⼈脸的结构和灰度分布信息，⽽且还具有⾃动精确定位⾯部特征点的功能，因⽽具有良好的识别效果，适应性强识别率较⾼，该技术在FERET测试中若⼲指标名列前茅，其缺点是时间复杂度⾼，速度较慢，实现复杂。
5、神经⽹络⽅法（Neural Networks）
神经⽹络⽅法在⼈脸识别上的应⽤⽐起前述⼏类⽅法来有⼀定的优势，因为对⼈脸识别的许多规律或规则进⾏显性的描述是相当困难的，⽽神经⽹络⽅法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，⼀般也⽐较容易实现。因此⼈⼯神经⽹络识别速度快，但识别率低。⽽神经⽹络⽅法通常需要将⼈脸作为⼀个⼀维向量输⼊，因此输⼊节点庞⼤，其识别重要的⼀个⽬标就是降维处理。
6、其他⽅法
除了以上⼏种⽅法，⼈脸识别还有其它若⼲思路和⽅法，包括⼀下⼀些：
（1）隐马尔可夫模型⽅法（Hidden Markov Model）
（2）Gabor ⼩波变换+图形匹配
（3）⼈脸等密度线分析匹配⽅法
⼈脸识别技术难点彩铅芯
1、光照问题
光照问题是机器视觉重的⽼问题，在⼈脸识别中的表现尤为明显。由于⼈脸的3D结构，光照投射出的阴影，会加强或减弱原有的⼈脸特征。尤其是在夜晚，由于光线不⾜造成的⾯部阴影会导致识别率的急剧下降，使得系统难以满⾜实⽤要求。
2、表情姿态问题
与光照问题类似，表请和姿态问题也是⽬前⼈脸识别研究中需要解决的⼀个技术难点。⾯部幅度较⼤的哭、笑、愤怒等表情变化同样影像着⾯部识别的准确率。姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的⾯部变化，其中垂直于图像平⾯的两个⽅向的深度旋转会造成⾯部信息的部分缺失，使得表情姿态问题成为⼈脸识别的⼀个技术难题。
3、遮挡问题
对于⾮配合情况下的⼈脸图像采集，遮挡问题是⼀个⾮常严重的问题。特别是在监控环境下，往往彼监控对象都会带着眼镜，帽⼦等饰物，使得被采集出来的⼈脸图像有可能不完整，从⽽影响了后⾯的特征提取与识别，甚⾄会导致⼈脸检测算法的失效。
WWW.02245.INFO
无焰泄放装置4、年龄变化
随着年龄的变化，⾯部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，⼈脸识别算法的识别率也不同。⼀个⼈从少年变成青年，变成⽼年，他的容貌可能会发⽣⽐较⼤的变化，从⽽导致识别率的下降。对于不同的年龄段，⼈脸识别算法的识别率也不同。
5、⼈脸相似性
不同个体之间的区别不⼤，所有的⼈脸的结构都相似，甚⾄⼈脸器官的结构外形都很相似。这样的特点对于利⽤⼈脸进⾏定位是有利的，但是对于利⽤⼈脸区分⼈类个体是不利的。
⾏定位是有利的，但是对于利⽤⼈脸区分⼈类个体是不利的。
6、图像质量
⼈脸图像的来源可能多种多样，由于采集设备的不同，得到的⼈脸图像质量也不⼀样，特别是对于那些低分辨率、噪声⼤、质量差的⼈脸图像（如⼿机摄像头拍摄的⼈脸图⽚、远程监控拍摄的图⽚等）如何进⾏有效地⼈脸识别是个需要关注的问题。同样的，对于⾼分辨图像对⼈脸识别算法的影响也需要进⼀步的研究。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议