什么是人脸识别
什么是人脸识别？人脸识别是指利用人脸视觉特征的分析和比较来识别人的计算机技术。人脸识别是计算机技术的一个研究热点，属于生物特征识别技术，用于通过生物特征来区分生物个体。
广义的人脸识别实际上包含了构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认和身份搜索等。狭义的人脸识别是指通过人脸进行身份确认或身份搜索的技术或系统。
生物特征识别技术研究的生物特征包括人脸、指纹、掌纹、掌形、虹膜、视网膜、静脉、声音(语音)、体型、红外温度谱、耳形、气味、个人习惯(如敲键盘的力度和频率、签名和步态)等。相应的识别技术包括人脸识别、指纹识别、掌纹识别、虹膜识别和视网膜识别。
基于几何特征的人脸识别方法
几何特征可以是眼睛、鼻子、嘴等的形状。以及它们的几何关系(比如彼此的距离)。这些算法识别速度快，内存小，但识别率低。
基于特征脸(PCA)的人脸识别方法
人脸特征法是一种基于KL变换的人脸识别方法，KL变换是一种图像压缩的最优正交变换。经过KL变换后，在高维图像空之间得到一组新的正交基，并且保留了重要的正交基。这些基可以转化为低维线性空。假设人脸在这些低维线性空之间的投影是可分的，这些投影可以作为识别的特征向量，这就是特征人脸方法的基本思想。这些方法需要更多的训练样本，并且都是基于图像灰度的统计特性。目前，有一些改进的特征脸方法。
基于神经网络的人脸识别方法
神经网络的输入可以是分辨率降低的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这种方法也需要更多的样本进行训练，但是在很多应用中，样本的数量是非常有限的。
基于d性图匹配的人脸识别方法
d性图匹配法对二维空空间中常见的人脸变形定义了一定的不变距离，用属性拓扑图来表示人脸。拓扑图的每个顶点都包含一个特征向量，用来记录顶点位置附近人脸的信息。该方法结合了灰度和几何因素的特点，可以允许图像在比较时有d性变形。在克服表情变化对识别的影响方面取得了很好的效果，而且也不需要多个样本来训练单个人。
基于线段的Hausdorff距离的人脸识别方法
心理学研究表明，识别等高线图(如漫画)的速度和准确率并不比识别灰度图差。LHD基于从人脸灰度图像中提取的线段，定义了两条线段之间的距离。不同的是，LHD并没有建立不同线段之间的一一对应关系，因此可以适应线段之间的细微变化。实验结果表明，LHD在不同光照条件和不同姿态下都有很好的表现，但在表情较大的情况下识别效果不佳。
支持向量机(SVM)人脸识别方法
近年来，支持向量机(SVM)是统计模式识别领域的一个新热点。它试图使学习机在经验风险和泛化能力上达成妥协，从而提高学习机的性能。支持向量机(SVM)主要解决2-分类问题。其基本思想是试图将一个低维线性不可分问题转化为高维线性可分问题。通常的实验结果表明，SVM具有较好的识别率，但需要大量的训练样本(每类300个)，在实际应用中往往不现实。而且支持向量机的训练时间长，方法实现复杂，对于核函数的选取也没有统一的理论。
人脸识别新技术
传统的人脸识别技术主要基于可见光图像，这也是人们最熟悉的识别方法，已经发展了30多年。但是这种方法有不可克服的缺陷，特别是当环境光发生变化时，识别效果会急剧下降，无法满足实际系统的需要。光照问题的解决方案包括三维图像人脸识别和热成像人脸识别。但目前这两种技术都远未成熟，识别效果也不尽如人意。
最近，一种快速发展的解决方案是基于主动近红外图像的多光源人脸识别技术。它能克服光线变化的影响，取得了优异的识别性能。整个系统在准确性、稳定性和速度方面的性能超过了3D图像人脸识别。这项技术在最近两三年发展迅速，使得人脸识别技术逐渐实用化。
数码相机的人脸自动对焦和笑脸快门技术[/s2/]
首先，面部捕捉。它根据人头的位置做出判断。首先确定头部，然后判断眼睛、嘴巴等头部特征。通过特征库的比对，确认是人脸，完成人脸捕捉。然后对着人脸进行自动对焦，可以大大提高拍出的照片的清晰度。笑脸技术是基于人脸识别，完成人脸捕捉，然后开始判断嘴角上弯、眼睛下弯的程度，从而判断是否在微笑。以上所有的抓取和比对都是通过比对特征库来完成的，所以特征库是基础，里面包含了各种典型的面部和笑脸特征数据。
首先是面部捕捉。它根据人的头部的部位进行判定，首先确定头部，然后判断眼睛和嘴巴等头部特征，通过特征库的比对，确认是人面部，完成面部捕捉。然后以人脸为焦点进行自动对焦，可以大大的提升拍出照片的清晰度。笑脸快门技术就是在人脸识别的基础上，完成了面部捕捉，然后开始判断嘴的上弯程度和眼的下弯程度，来判断是不是笑了。以上所有的捕捉和比较都是在对比特征库的情况下完成的，所以特征库是基础，里面有各种典型的面部和笑脸特征数据。相关阅读:欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）