您所在的位置: 双色球基本走势图 > 新闻百科 > 新闻动态

人脸识别技术的特点及优势

发布者:九竹物联技术有限公司 发布时间:2019-10-29 15:43:57 点击次数:48 关闭
人脸识别技术的特点及优势 
  人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。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进行的一系列计算和分别判断的相关技术,通常也叫做人像识别、面部识别。 
  人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制性为身份鉴别提供了必要的前提,与其他类型的生物识别比较,人脸识别具有如下特点: 
  非强制性:用户不需要专门配合人脸采集设备,几乎可以在无意识的状态下就可获取人脸图像,这样的取样方式没有“强制性”。 
  非接触性:用户不需要和设备直接接触就能获取人脸图像。 
  并发性:在实际应用场景下可以进行多个人脸的分拣、判断及识别。 
  符合视觉特性:具有“以貌识人”的特性及操作简单、结果直观、隐蔽性好等特点。 
  人脸识别技术流程主要包括四个组成部分,分别为:人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 
  (1)人脸图像采集 
  不同的人脸图像都能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)人脸检测 
  人脸检测在实际应用中主要用于人脸识别的预处理,即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来,并利用这些特征实现人脸检测。 
  主流的人脸检测方法是基于以上特征采用Adaboost学习算法,Adaboost算法是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。 
  人脸检测过程中使用Adaboost算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。 
  (3)人脸图像预处理 
  对于人脸的图像预处理是基于人脸检测结果,对图像进行处理并最终服务于特征提取的过程。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校正、噪声过滤等图像预处理。对于人脸图像而言,其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。 
  (4)特征提取 
  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。人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法;另外一种是基于代数特征或统计学习的表征方法。 
  基于知识的表征方法主要是根据人脸器官的形状描述以及他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,对这些局部和它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。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。 
  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,其表征方法分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变换、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 
  提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程;另一类是辨认,是一对多进行图像匹配对比的过程。 www.njesky.cn

企业分站:

苏州 | 南京 | 淮安 | 杭州 | 合肥 | 天津 | 北京 | 重庆 | 上海 | 武汉 | 长沙 | 南昌 | 无锡 | 太原 | 沈阳 | 广东 | 深圳 | 贵阳 | 青岛 | 河北 |

友情链接

| | | | | | | | | | | | | | |