您所在的位置: 双色球基本走势图 > 新闻百科 > 行业资讯

人脸识别技术的趋向发展进程

发布者:九竹物联技术有限公司 发布时间:2019-11-7 11:30:46 点击次数:46 关闭
人脸识别是一种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脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。
人脸识别系统的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的发展得到提高,而真正进入初级的应用阶段则在90年后期;近几年随着以深度学习为主的人工智能技术进步,人脸识别技术得到了迅猛的发展。“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术,是综合性比较强的系统工程技术。
人脸识别流程
人脸识别系统通常包括几个过程:人脸图像采集及检测、关键点提取、人脸规整(图像处理)、人脸特征提取和人脸识别比对。
人脸图像采集。不同的人脸图像都能通过摄像镜头采集下来,比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时,采集设备会自动搜索并拍摄用户的人脸图像。
人脸检测。人脸检测在实际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。
关键点提取(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。人脸特征提取,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。
人脸规整(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。
人脸识别比对(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。可分为1:1、1:N、属性识别。其中1:1是将2张人脸对应的特征值向量进行比对,1:N是将1张人脸照片的特征值向量和另外N张人脸对应的特征值向量进行比对,输出相似度高或者相似度排名前X的人脸。
重要关键技
基于大数据的深度学习
在人脸识别原理一节中提到了一些特征提取和分类算法,可以理解为是一种浅层的学习模型。浅层学习可以在一定规模的数据集下可以发挥较强的表达能力,但当数据量不断增大时,这些模型就会处于欠拟合的状态。通俗点说就是数据量太大,模型不够复杂,覆盖不了所有数据。所以说,深度学习是近年来特别热门的研究课题。
基于大数据的深度学习,将是人脸识别技术的主要趋势之一。深度学习,往往含有更深的层次结构。越是低层,特征越简单,越是高层,特征越抽象,但越接近所要表达的意图。举个例子,从字到词,再到句,到语义,是层层深化的过程, 这就是一个典型的深层结构。回到图像分析的范畴,对于一个图片来说,低级的特征是像素,也就是0到255的矩阵。通过像素,无法理解图片里的目标是什么,但我们可以从像素中找到了边缘特征,然后用边缘特征组合成不同的部件,最后形成了不同种类的目标物,这个才是我们所想要实现的。
利用深度学习提取出的人脸特征,相比传统技术,更能表示人脸之间的相关性,辅之有效的分类方法,能够显著提高算法识别率。深度学习非常依赖大数据,这也是为什么这项技术在近几年取得突破的原因。更多更丰富的样本数据加入到训练模型中,意味着算法模型将更通用,更贴近现实世界模型。另一方面,深度学习的理论性还需要加强,模型还需要优化。这一点,相信在众多学术界和工业界同仁的努力下,深度学习将取得更大的成功。届时人脸识别应用,或许能如现在的车牌识别技术一样,深入到我们的生活中。vip128cc.com
  • 上一个新闻: 3D人脸识别技术​

  • 下一个新闻: 人脸识别技术到底是什么呢
  • 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

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