人臉辨認，是依據人的臉部特徵資訊進行身份辨認的一種生物辨認技能。用攝像機或攝像頭收集含有人臉的圖畫或視訊流，並主動在圖畫中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技能，一般也叫做人像辨認、面部辨認。

人臉辨認體系的研討始於20世紀60年代，80年代後跟著計算機技能和光學成像技能的開展得到提高，而真實進入初級的運用階段則在90年後期，並且以美國、德國和日本的技能完成為主；人臉辨認體系成功的關鍵在於是否具有頂級的中心演算法，並使辨認成果具有實用化的辨認率和辨認速度；“人臉辨認體系”集成了人工智慧、機器辨認、機器學習、模型理論、專家體系、視訊圖畫處理等多種專業技能，一起需結合中間值處理的理論與完成，是生物特徵辨認的最新運用，其中心技能的完成，展示了弱人工智慧向強人工智慧的轉化。

人臉辨認體系首要包含四個組成部分，分別為：人臉圖畫收集及檢測、人臉圖畫預處理、人臉圖畫特徵提取以及匹配與辨認。

人臉圖畫收集及檢測

人臉圖畫收集：不同的人臉圖畫都能經過攝像鏡頭收集下來，比方靜態圖畫、動態圖畫、不同的方位、不同表情等方面都可以得到很好的收集。當用戶在收集裝置的拍照範圍內時，收集裝置會主動查詢並拍照使用者的人臉圖畫。

人臉檢測：人臉檢測在實踐中首要用於人臉辨認的預處理，即在圖畫中精確標定出人臉的方位和鉅細。人臉圖畫中包含的形式特徵非常豐厚，如直方圖特徵、色彩特徵、模板特徵、結構特徵及Haar特徵等。人臉檢測就是把這其中有用的資訊挑出來，並運用這些特徵完成人臉檢測。

幹流的人臉檢測辦法依據以上特徵選用Adaboost學習演算法，Adaboost演算法是一種用來分類的辦法，它把一些比較弱的分類辦法合在一起，組合出新的很強的分類辦法。

人臉檢測程序中運用Adaboost演算法挑選出一些最能代表人臉的矩形特徵(弱分類器)，按照加權投票的辦法將弱分類器結構為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

人臉圖畫預處理

人臉圖畫預處理：關於人臉的圖畫預處理是依據人臉檢測成果，對圖畫進行處理並最終服務於特徵提取的程序。體系獲取的原始圖畫因為遭到各種條件的約束和隨機攪擾，往往不能直接運用，必須在圖畫處理的前期階段對它進行灰度校對、噪聲過濾等圖畫預處理。關於人臉圖畫而言，其預處理程序首要包含人臉圖畫的光線補償、灰度變換、直方圖均衡化、歸一化、幾許校對、濾波以及銳化等。

人臉圖畫特徵提取

人臉圖畫特徵提取：人臉辨認體系可運用的特徵一般分為視覺特徵、畫素計算特徵、人臉圖畫變換系數特徵、人臉圖畫代數特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的程序。人臉特徵提取的辦法歸納起來分為兩大類：一種是依據常識的表徵辦法；另外一種是依據代數特徵或計算學習的表徵辦法。

依據常識的表徵辦法首要是依據人臉器官的形狀描繪以及他們之間的間隔特性來獲得有助於人臉分類的特徵資料，其特徵重量一般包含特徵點間的歐氏間隔、曲率和視點等。人臉由眼睛、鼻子、嘴、下巴等部分構成，對這些部分和它們之間結構聯絡的幾許描繪，可作為辨認人臉的重要特徵，這些特徵被稱為幾許特徵。依據常識的人臉表徵首要包含依據幾許特徵的辦法和模板匹配法。

人臉圖畫匹配與辨認

人臉圖畫匹配與辨認：提取的人臉圖畫的特徵資料與資料庫中儲存的特徵模板進行查詢匹配，經過設定一個閾值，當類似度超過這一閾值，則把匹配得到的成果輸出。人臉辨認就是將待辨認的人臉特徵與已得到的人臉特徵模板進行比較，依據類似程度對人臉的身份資訊進行判別。這一程序又分為兩類：一類是承認，是一對一進行圖畫比較的程序，另一類是辨認，是一對多進行圖畫匹配比照的程序

 

相關推薦