机器视觉之人脸识别的流程及主要技术
人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等),自动进行身份识别的一种生物识别技术,又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。
人类识别流程图
机器视觉方案服务商朗锐智科(www.loongv.com)认为,人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸图像进行一系列的相关应用操作。技术上包括图像采集、特征定位、身份的确认和查找等等。简单来说,就是从照片中提取人脸中的特征,比如眉毛高度、嘴角等等,再通过特征的对比输出结果。
人脸识别的一般流程:
1)人脸采集:
(1)简介:
不同的人脸图像通过摄像镜头采集得到,比如静态图像、动态图像、不同的位置、不同表情等,当采集对象在设备的拍摄范围内时,采集设备会自动搜索并拍摄人脸图像。
(2)人脸采集的主要影响因素:
图像大小:人脸图像过小会影响识别效果,人脸图像过大会影响识别速度。非专业人脸识别摄像头常见规定的最小识别人脸像素为6060或100100以上。在规定的图像大小内,算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。
图像分辨率:越低的图像分辨率越难识别。图像大小综合图像分辨率,直接影响摄像头识别距离。现4K摄像头看清人脸的最远距离是10米,7K摄像头是20米。
光照环境:过曝或过暗的光照环境都会影响人脸识别效果。可以从摄像头自带的功能补光或滤光平衡光照影响,也可以利用算法模型优化图像光线。
模糊程度:实际场景主要着力解决运动模糊,人脸相对于摄像头的移动经常会产生运动模糊。部分摄像头有抗模糊的功能,而在成本有限的情况下,考虑通过算法模型优化此问题。
遮挡程度:五官无遮挡、脸部边缘清晰的图像为最佳。而在实际场景中,很多人脸都会被帽子、眼镜、口罩等遮挡物遮挡,这部分数据需要根据算法要求决定是否留用训练。
采集角度:人脸相对于摄像头角度为正脸最佳。但实际场景中往往很难抓拍正脸。因此算法模型需训练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度,需满足人脸与摄像头构成的角度在算法识别范围内的要求。
2)人脸检测:
(1)简介:
在图像中准确标定出人脸的位置和大小,并把其中有用的信息挑出来(如直方图特征、颜色特征、模板特征、结构特征及Haar特征等),然后利用信息来达到人脸检测的目的。
(2)人脸关键点检测(人脸对齐):
自动估计人脸图片上脸部特征点的坐标。
(3)主流方法:
基于检测出的特征采用Adaboost学习算法(一种用来分类的方法,它把一些比较弱的分类方法合在一起,组合出新的很强的分类方法)挑选出一些最能代表人脸的矩形特征(弱分类器),按照加权投票的方式将弱分类器构造为一个强分类器,再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,有效地提高分类器的检测速度。
最近人脸检测算法模型的流派包括三类及其之间的组合:viola-jones框架(性能一般速度尚可,适合移动端、嵌入式上使用),dpm(速度较慢),cnn(性能不错)。
3)人脸图像预处理:
(1)简介:
基于人脸检测结果,对图像进行处理并最终服务于特征提取的过程。
(2)原因:
系统获取的原始图像由于受到各种条件的限制和随机干扰,往往不能直接使用,必须在图像处理 的早期阶段对它进行灰度矫正、噪声过滤等图像预处理。
(3)主要预处理过程:
人脸对准(得到人脸位置端正的图像),人脸图像的光线补偿,灰度变换、直方图均衡化、归一 化(取得尺寸一致,灰度取值范围相同的标准化人脸图像),几何校正、中值滤波(图片的平滑操作以消除噪声)以及锐化等。
4)人脸特征提取:
(1)简介:
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的,也称人脸表征,它是对人脸进行特征建模的过程
(2)人脸特征提取的方法:
1、基于知识的表征方法(主要包括基于几何特征法和模板匹配法):
根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率、和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和他们之间结构关系的几何描述,可作为识别人脸的重要特征,这些特征被称为几何特征。
2、基于代数特征或统计学习的表征方法:
基于代数特征方法的基本思想是将人脸在空域内的高维描述转化为频域或者其他空间内的低维描述,其表征方法为线性投影表征方法和非线性投影表征方法。
基于线性投影的方法主要有主成分分析法或称K-L变化、独立成分分析法和Fisher线性判别分析法。非线性特征提取方法有两个重要的分支:基于核的特征提取技术和以流形学习为主导的特征提取技术。
5)匹配与识别:
提取的人脸特征值数据与数据库中存贮的特征模板进行搜索匹配,通过设定一个阈值,将相似度与这一阈值进行比较,来对人脸的身份信息进行判断。
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
当今人脸识别技术的主要行业应用
据媒体分析,估算我国人脸识别市场规模约占全球市场的10%左右。2010-2016年,我国人脸识别市场规模逐年增长,年均复合增长率达27%。2016年,我国人脸识别行业市场规模约为17.25亿元,同比增长27.97%,增速较上年上升4.64个百分点。全球生物识别市场规模在127.13亿美元左右,其中人脸识别规模约26.53亿美元,占比在20%左右。预计到2021年,全球人脸识别市场预计将达到63.7亿美元,按预计期间的复合增长率达17.83%。机器视觉解决方案提供商朗锐智科(www.loongv.com)小编近期收集的人脸识别相关数据汇集人脸识别行业应用1)FR+金融: 人脸识别在金融领域的应用(1)实名认证:金融机构传统上使用人工肉眼判断、短信验证、绑定银行卡等手段进行实名认证。这些传统手段存在准确率不高、客户体验较差、成本高等问题,对金融企业业务发展造成了巨大的困扰。基于人脸识别的实名认证方式具有准确率高(一亿人中才存在两人长相相同)、客户体验好(认证速度快、客户操作少)、成本低(相较于传统认证方式)的优点,已被众多领先金融企业所采用。(2)人脸识别在银行远程开户上的应用:在远程开户...
- 下一篇
互联网+人社峰会召开腾讯开放三大能力建“人社”生态
11月30日,由腾讯公司主办的2016“互联网+人社”峰会在深圳召开。在本届以“共建·共享”为主题的峰会上,腾讯研究院、互联网+合作事业部、微信城市服务联合发布了《“互联网+人社”发展白皮书》,描绘了互联网+人社的发展蓝图。 腾讯公司副总裁王波在峰会上表示:“互联网+人社既是一个产业风口,也是一种社会责任。”腾讯希望与人社部门、各界合作伙伴一起,共建、共享、共赢,建立开放的互联网+人社生态。 人力资源和社会保障部信息中心总工程师张加会在峰会上指出,互联网+人社需要大家努力打拼,“共享是互联网+的灵魂;共建就是大家相互合作,共同创新;共赢就是希望百姓得到实惠,人社事业得到发展,合作伙伴得到成长”。 深圳市人力资源和社会保障局副局长赵忠良,以及人力资源和社会保障部专家咨询委员申曙光教授、腾讯研究院院长司晓、深圳市南山区人民医院网络技术科主任朱岁松等嘉宾在峰会上也分享了“互联网+人社”在实际建设过程中的经验和成果。此外,腾讯公司也首次系统地阐明了,以人脸识别、移动支付、小程序、大数据分析等技术实现的互联网+人社“轻量化”解决方案。 《白皮书》描绘互联网+人社发展蓝图 人社部近期出台《“互联网...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2初体验,简单认识spring boot2并且搭建基础工程
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- SpringBoot2全家桶,快速入门学习开发网站教程
- CentOS7,CentOS8安装Elasticsearch6.8.6
- CentOS8编译安装MySQL8.0.19
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果
- CentOS6,CentOS7官方镜像安装Oracle11G
- Red5直播服务器,属于Java语言的直播服务器
- Windows10,CentOS7,CentOS8安装MongoDB4.0.16
- Windows10,CentOS7,CentOS8安装Nodejs环境