人臉識(shí)別技術(shù)總

人臉識(shí)別技術(shù)總結(jié)《人臉識(shí)別技術(shù)總結(jié)》是一篇好的范文，感覺很有用處，希望大家能有所收獲。篇一：人臉識(shí)別技術(shù)大總結(jié)人臉識(shí)別技術(shù)大總結(jié)——&--搞了一年人臉識(shí)別，尋思著記錄點(diǎn)什么，于是想寫這么個(gè)系列，介紹人臉識(shí)別的四大塊：,,（），本別代表從一張圖中識(shí)別出人臉位置，把人臉上的特征點(diǎn)定位，人臉校驗(yàn)和人臉識(shí)別。（后兩者的區(qū)別在于，人臉校驗(yàn)是要給你兩張臉問你是不是同一個(gè)人，人臉識(shí)別是給你一張臉和一個(gè)庫問你這張臉是庫里的誰。人臉檢測（）在中早就有直接能拿來用的分類器，基于-算法。但是畢竟是老掉牙的技術(shù)，/曲線渣到不行，在實(shí)際工程中根本沒法給看，作為腦殘粉，這里介紹一種在年的技術(shù)：（）。這篇文章直接在的時(shí)間里把和都給做了，曲線彪到很高，時(shí)效性高，內(nèi)存占用卻非常低，在一些庫上虐了++和，正好契合這篇想講的東西?？梢宰鳛楸竟?jié)的主線。人臉校準(zhǔn)（）是給你一張臉，你給我找出我需要的特征點(diǎn)的位置，比如鼻子左側(cè)，鼻孔下側(cè)，瞳孔位置，上嘴唇下側(cè)等等點(diǎn)的位置。如果覺得還是不明白，看下圖：最全面的范文寫作網(wǎng)站圖中紅色框框就是在做，白色點(diǎn)點(diǎn)就是在做。如果知道了點(diǎn)的位置做一下位置驅(qū)動(dòng)的變形，臉就成正的了，如何驅(qū)動(dòng)變形不是本節(jié)的重點(diǎn)，在此省略。首先介紹一下下面正文要寫的東西，由于干貨非常多所以可能會(huì)看著看著就亂了，所以給出框架圖：=================================廢話說了這么多，正文開始~作者建立了一個(gè)叫的分類器，方法如下：樣本準(zhǔn)備：首先作者調(diào)用的-分類器，將閥值設(shè)到%，這樣能夠盡可能地檢測出所有的臉，但是同時(shí)也會(huì)有非常多的不是臉的東東被檢測出來。于是，檢測出來的框框們被分成了兩類：是臉和不是臉。這些圖片被到*。特征提取：接下來是特征提取，怎么提取呢？作者采用了三種方法：第一種：把劃分成*個(gè)小，分別提取特征，然后連接著個(gè)特征向量成為圖像的特征。第二種：先求出一個(gè)固定的臉的平均(個(gè)特征點(diǎn)的位置，比如眼睛左邊，嘴唇右邊等等)，然后以這個(gè)特征點(diǎn)為中心提取特征，然后連接后作為特征。第三種：用他們組去年的另一個(gè)成果()，范文也就是圖中的方法，回歸出每張臉的，然后再以每張臉自己的個(gè)為中心做，然后連接得到特征。分類：將上述的三種特征分別扔到線性中做分類，訓(xùn)練出一個(gè)能分辨一張圖是不是臉的模型。緊接著作者將以上三種方法做出的分類器和初始分類器進(jìn)行比對(duì)，畫了一個(gè)樣本分布的圖：這個(gè)圖從左到右依次是原始級(jí)聯(lián)分類器得到的樣本分類分布和第一種到第三種方法提取的特征得到的樣本分類分布。可見做一下可以得到一個(gè)更好的分類效果。但是問題來了：如果把所有的都做一下，即使是的速度一張圖可能也要處理上秒，這無法滿足一般一秒幀的實(shí)時(shí)需求。作者也說，用分類器，參數(shù)設(shè)成%的率將會(huì)帶來很嚴(yán)重的效率災(zāi)難——一張圖能找出來個(gè)框，處理一張圖都要好幾秒。這么渣的效率可咋辦呢？以上內(nèi)容已經(jīng)證明了確實(shí)對(duì)的有幫助，這就夠啦，對(duì)下面的工作也是個(gè)啟發(fā)——能不能在做的同時(shí)把做了呢？的中間結(jié)果是否能給帶來一些幫助呢？后面慢慢講。先說兩個(gè)通用的面部檢測和矯正的模型：級(jí)聯(lián)檢測分類器（）：不失一般性，一個(gè)簡單的級(jí)聯(lián)分類器是這樣的：百度圖中的代表的是第個(gè)弱分類器。代表的是特征向量，代表分類得分。每個(gè)會(huì)根據(jù)自己的分類方法對(duì)輸出一個(gè)分類結(jié)果，比如是一張臉或者不是一張臉，而（=~）都會(huì)對(duì)應(yīng)一個(gè)，讓任意一個(gè)小于對(duì)應(yīng)的的時(shí)候，樣本就會(huì)被拒絕。通常不是一張臉的圖片在經(jīng)過前幾個(gè)弱分類器的判斷后就會(huì)被拒絕，根本不用做后面的判斷，所以速度很快。級(jí)聯(lián)回歸校準(zhǔn)（我這翻譯_這里介紹的是另一個(gè)人在年發(fā)的文章：（），給圖像一個(gè)初始（通常采用平均），然后通過一次一次的回歸把回歸到正確的地方。算法結(jié)構(gòu)很簡單，但是效果確實(shí)非常好：回歸過程如下：首先提取特征，原作者采用的是-，然后根據(jù)特征訓(xùn)練回歸函數(shù)（可以用線性回歸，，隨機(jī)森林等等），原作者采用了一個(gè)叫的東西，范文寫作這里翻譯成隨機(jī)蕨好了（這名字）回歸出這一階段的偏移量，然后加上這個(gè)偏移量，反復(fù)這一過程，直到迭代上限或者錯(cuò)誤率不再下降。隨機(jī)蕨的算法過程和隨機(jī)森林類似，他是一個(gè)半樸素貝葉斯模型。首先選取組每組個(gè)特征建立個(gè)蕨（弱分類器），然后假設(shè)蕨內(nèi)特征是相關(guān)的，蕨間特征是獨(dú)立的，這樣從統(tǒng)計(jì)學(xué)上隨機(jī)蕨是一個(gè)完整的把樸素貝葉斯分類器，讓計(jì)算變得簡單：式中代表分類，代表第類，代表蕨數(shù)量。綜上，這樣回歸的過程可以總結(jié)成如下形式：代表，代表在回歸第階段的，他等于上一階段的加上一個(gè)偏置，這個(gè)偏置就是上述回歸方法之一搞定的。比如隨機(jī)森林或者隨機(jī)蕨，或者線性回歸?，F(xiàn)在再說說怎么訓(xùn)練得到這個(gè)回歸。有兩種思路：一種是像剛才隨機(jī)蕨那樣，每個(gè)每個(gè)蕨的葉子節(jié)點(diǎn)存儲(chǔ)一個(gè)偏移量，計(jì)算訓(xùn)練的時(shí)候落入這個(gè)葉子節(jié)點(diǎn)的樣本偏移之平均，然后作為最終的葉子節(jié)點(diǎn)偏移量。其實(shí)就是在優(yōu)化一個(gè)如下目標(biāo)函數(shù)：然而組在中采用的是另一種方法，形狀的偏移量為：目標(biāo)函數(shù)是：其實(shí)也是同樣的思路，代表特征提取函數(shù)，論文中稱的輸出為局部二值特征（），為線性回歸參數(shù)矩陣，其實(shí)就是把提取出來的特征映射到一個(gè)二維的偏移量上，是一個(gè)*（特征空間維數(shù)）的變換矩陣。首先講是怎么訓(xùn)練的：其實(shí)就是一個(gè)隨機(jī)森林。思想?yún)R報(bào)專題輸入像素差特征（-），輸出一個(gè)。訓(xùn)練的時(shí)候隨機(jī)給每個(gè)根節(jié)點(diǎn)像素差特征中的一部分。非葉節(jié)點(diǎn)的分裂依據(jù)是從輸入的-中找出能夠做到最大的方差衰減的。在最后的葉子節(jié)點(diǎn)上寫上落在葉子節(jié)點(diǎn)上的樣本偏移量，這個(gè)偏移量在之前說到的里有用，但是在這里沒啥用，因?yàn)樽髡咂喝四樧R(shí)別技術(shù)綜述人臉識(shí)別研究代上（河南大學(xué)環(huán)境與規(guī)劃學(xué)院河南開封）摘要：現(xiàn)今世界經(jīng)濟(jì)發(fā)展迅速，而面對(duì)繁雜的社會(huì)安全問題卻顯得有些捉襟見肘，人臉識(shí)別技術(shù)能夠因通過面部特征信息識(shí)別身份而受到廣泛關(guān)注。人臉識(shí)別通常使用采集含有人臉圖像或視頻流的設(shè)備，將收集到的人臉信息進(jìn)行臉部檢測,進(jìn)而與數(shù)據(jù)庫中已有信息進(jìn)行對(duì)比確定被識(shí)別對(duì)象的身份,已經(jīng)廣泛的應(yīng)用于公共安全、教育等多個(gè)方面，且在以后的社會(huì)發(fā)展中具有很大的應(yīng)用前景。本文主要對(duì)人臉識(shí)別的發(fā)展歷程、主要識(shí)別方法予以總結(jié)概括，并對(duì)其應(yīng)用范圍與發(fā)展趨勢進(jìn)行分析。關(guān)鍵詞：人臉識(shí)別；方法；應(yīng)用；發(fā)展引言人臉識(shí)別是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。該項(xiàng)技術(shù)目前應(yīng)用到社會(huì)的各個(gè)領(lǐng)域，例如個(gè)人家庭自動(dòng)門的安全系統(tǒng)、犯罪人的身份識(shí)別系統(tǒng)、銀行自動(dòng)取款的服務(wù)系統(tǒng)等。人臉識(shí)別系統(tǒng)給人帶了很多方便，應(yīng)用能力很強(qiáng)，但是人臉識(shí)別仍然有很多阻礙其發(fā)展的困難之處。主要表現(xiàn)在：在收集圖像中目標(biāo)自身的影響；在系統(tǒng)收集圖像的過程中容易受到各種外界因素以及系統(tǒng)收集圖像之后由于其它因素造成的面部損傷所帶來的影響；隨著時(shí)間的變遷，人的面部逐步發(fā)生變化的影響。這些都對(duì)人臉識(shí)別技術(shù)的發(fā)展造成了一定的困難，也使得該項(xiàng)技術(shù)面臨著多種挑戰(zhàn)性。人臉識(shí)別研究的發(fā)展歷史與研究現(xiàn)狀發(fā)展歷史很早在世紀(jì)年代就有關(guān)于通過人臉對(duì)人類的身份進(jìn)行辨別的論文發(fā)表，但是由于技術(shù)水平與設(shè)備的限制，人臉識(shí)別技術(shù)并沒有受到重視。直到世紀(jì)年代末，［］提出了人臉識(shí)別研究的雛形，人臉識(shí)別技術(shù)才被人們接受。在人臉識(shí)別研究的早期階段，人們主要研究的是人臉識(shí)別的各種方法，但是在實(shí)際應(yīng)用方面卻沒有得到實(shí)質(zhì)性的進(jìn)展。進(jìn)入世紀(jì)年代末的時(shí)候，人臉識(shí)別技術(shù)進(jìn)入了一個(gè)快速發(fā)展階段，在這個(gè)時(shí)期各種新的人臉識(shí)別方法相繼出現(xiàn)，并創(chuàng)建了人臉圖像數(shù)據(jù)庫，對(duì)人臉識(shí)別的發(fā)展起到了巨大的促進(jìn)作用。在實(shí)際應(yīng)用方面也取得了很大的進(jìn)展，運(yùn)用人臉識(shí)別技術(shù)的產(chǎn)品逐漸進(jìn)入了社會(huì)市場。進(jìn)入世紀(jì)以后，人臉識(shí)別技術(shù)已經(jīng)逐步發(fā)展成熟，但是由于非理想條件如（光照、天氣、姿態(tài)）的影響，對(duì)人臉識(shí)別技術(shù)的要求也更高。為了解決這些不利因素所造成的影響，研究者們一直努力尋找更加趨于完美的方法，從而減少這些因素所帶來的不利影響。研究現(xiàn)狀近幾年來，人臉識(shí)別技術(shù)已經(jīng)從以前的認(rèn)知階段發(fā)展到了實(shí)際應(yīng)用階段。但是由于每個(gè)人的面部都會(huì)因?yàn)楦鞣N不同的原因發(fā)生改變，這給人臉識(shí)別帶來了不小的影響。如光照不同可能提取的圖像不同；提取圖像的角度和人物自身表情不同也會(huì)最終產(chǎn)生不同的形態(tài)；因?yàn)橥饨缫蛩厥姑娌渴盏絺涂赡軐?dǎo)致人臉系統(tǒng)無法識(shí)別的情況。這些因素都讓人臉識(shí)別技術(shù)的研究現(xiàn)狀不容樂觀。但是研究者多年積累的豐富經(jīng)驗(yàn)給以后的研究建立了穩(wěn)定的基礎(chǔ)，讓以后的人臉識(shí)別研究少走了很多彎路。在人臉識(shí)別領(lǐng)域世界各國都取得了很多成果，如我國人臉識(shí)別的快速通關(guān)系統(tǒng)（），取得了國際先進(jìn)的整體性能；美國國防部的人臉識(shí)別（）技術(shù)工程［］，創(chuàng)建的人臉數(shù)據(jù)庫包含萬多張不同的人臉圖像，是人臉識(shí)別領(lǐng)域應(yīng)用最廣泛的人臉數(shù)據(jù)庫之一，但此人臉庫只限于軍方使用；英國的人臉庫，深入得對(duì)本地人臉進(jìn)行了研究。這些都為人臉識(shí)別技術(shù)的發(fā)展建立了一個(gè)個(gè)新的里程碑。在人臉識(shí)別技術(shù)領(lǐng)域，各種新技術(shù)也不斷涌現(xiàn)出來。如和的局部二元模式法、等人的組合分類融合方法等。這些新的人臉識(shí)別技術(shù)對(duì)未來的人臉識(shí)別研究了巨大的幫助。人臉識(shí)別的主要方法人臉識(shí)別從應(yīng)用上看，主要有兩種方式：一種是對(duì)未知身份的人臉目標(biāo)與相關(guān)系統(tǒng)圖像數(shù)據(jù)庫中已經(jīng)有的圖像進(jìn)行比較，通過辨別之后確定未知目標(biāo)的身份；另一種是以一個(gè)目標(biāo)人臉來辨別一個(gè)或者多個(gè)待識(shí)別的人臉，從而判斷是否是已知目標(biāo)人臉。人臉識(shí)別從研究上看，常用的人臉方法有特征臉人臉識(shí)別方法、彈性圖匹配方法、基于線性判別準(zhǔn)則的人臉識(shí)別方法、基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法、基于支持向量機(jī)的人臉識(shí)別方法、基于貝葉斯的人臉識(shí)別方法。對(duì)目前主流人臉識(shí)別技術(shù)中識(shí)別方法進(jìn)行分類，大致可以分為基于模板匹配的方法和基于幾何特征的方法兩大類別［］?；谀０迤ヅ涞姆椒ɑ谀０迤ヅ涞姆椒ㄊ翘崆巴ㄟ^采集圖像信息制作出一個(gè)原始的標(biāo)準(zhǔn)人臉模板，然后在檢測人臉的時(shí)候，系統(tǒng)會(huì)將待檢測人臉的相關(guān)數(shù)值進(jìn)行匹配，如果符合原始模板的標(biāo)準(zhǔn)，就可以說是匹配成功。此方法主要是看模板與目標(biāo)的相似度，因此這種方法的優(yōu)點(diǎn)就在于可以輕易完成一定量的人臉識(shí)別，但是缺點(diǎn)就是容易受到各種因素的影響，從而造成識(shí)別效果達(dá)不到理想狀態(tài)，甚至是檢測錯(cuò)誤。因此可以采用變形模板，即事先制定多個(gè)模板，用這些已經(jīng)制定好的多個(gè)模板對(duì)單個(gè)待檢測的目標(biāo)進(jìn)行匹配檢測。最常用的一種模型稱作隱馬爾可夫（，）模型［］。起先模型并沒有運(yùn)用到人臉識(shí)別技術(shù)上，而是運(yùn)用于聲音識(shí)別技術(shù)上，后來才被引用到人臉識(shí)別系統(tǒng)領(lǐng)域中。的狀態(tài)我們不能夠直接觀察到，而隱馬爾可夫模型屬于馬爾可夫鏈，可以通過觀測向量序列觀察。由于每個(gè)觀測向量的的分布表現(xiàn)所呈現(xiàn)出來的狀態(tài)迥異，但是每個(gè)觀測向量又是由相對(duì)應(yīng)的狀態(tài)序列產(chǎn)生。因此，隱馬爾可夫模型所表現(xiàn)出來的是一種雙重的隨機(jī)過程。隱馬爾可夫模型通過對(duì)每個(gè)待識(shí)別人臉的觀測向量進(jìn)行計(jì)算得出概率，從而判別檢測的結(jié)果。方法對(duì)面部表情變化不敏感又具有很好的魯棒性，因此該方法的辨別率很強(qiáng)。多模板匹配的方法是由梁路宏［］等人提出。該模板不是由傳統(tǒng)的單一模板組成，而是由人眼模板和人臉模板組成的多個(gè)模板。傳統(tǒng)模板都是直接與待檢測目標(biāo)進(jìn)行匹配，該模板先通過人眼模板對(duì)待檢測的目標(biāo)進(jìn)行搜索篩檢，然后再通過人臉模板進(jìn)行檢測直到確定是否相互匹配。在多模型中等人提出了最為經(jīng)典的兩種方法：主動(dòng)形狀模型（,）和主動(dòng)表象模型（,）。首先創(chuàng)建一個(gè)模型參數(shù)，然后用建立的模型在圖像中定位幾個(gè)關(guān)鍵位置（如額頭、眼睛、鼻子、下巴等），再進(jìn)行相似變換從而得到關(guān)鍵點(diǎn)的位置。是的一個(gè)擴(kuò)展，通過目標(biāo)的形狀和紋理結(jié)合在一起建立一個(gè)統(tǒng)一的模型。在與目標(biāo)匹配的過程中，不斷的調(diào)整模型參數(shù)，以達(dá)到與目標(biāo)紋理相吻合?；趲缀翁卣鞯姆椒ɑ趲缀翁卣鞯姆椒ㄗ钤缡怯商岢觯彩亲顐鹘y(tǒng)的一種方法。該方法對(duì)我們的人臉中的具體部位，如眉毛、眼睛、鼻子、