<form id="xxt53"></form>
<form id="xxt53"><span id="xxt53"><th id="xxt53"></th></span></form>

<noframes id="xxt53"><address id="xxt53"></address>

    <em id="xxt53"><form id="xxt53"></form></em>

      <address id="xxt53"></address>

      新聞中心

      EEPW首頁 > 智能計算 > 編輯觀點 > 人臉識別的工作原理是什么?

      人臉識別的工作原理是什么?

      作者:劉澤南時間:2022-04-24來源:收藏

      什么是?

      是一種軟件層面的,用于通過處理視頻幀或數字圖像來驗證或識別一個人的身份,其中該人的臉是可見的。面部識別技術有幾種不同的工作方法,但是他們通常會將圖像中的面部特征與數據庫中的面部特征進行比較。

      本文引用地址:http://www.51kbu.com/article/202204/433442.htm


      處理的4個步驟


      特定的被訓練用來檢測人臉的標簽,并將人臉與圖像中的其他物體區分開來。標簽是人類普遍的五官等面部特征,比如:眼睛、鼻子、嘴巴、眉毛等。


      人臉識別的工作流程



      任何人臉檢測和識別系統或軟件都繞不開人臉識別。業界將這些算法分為兩種:

      1. 幾何方法側重于區分特征

      簡而言之就將2D照片投影到3D模型上

      例如:當一張臉被包裹在3D模型周圍時,會顯示出在靜態和平坦的圖像中更難找到的顯著特征。位深度投影可以解決2D面部識別的局限性,在這種情況下,你不需要在苛刻的光照條件下拍攝圖像,就能達到較高的精確度。


      位深度投影可以解決2D面部識別的局限性



      1. 光度統計方法用于從圖像中提取數值

      即每個像素都被替換為相對光照的對比度表示,這意味著它顯示了像素的亮度與周圍像素的對比情況,此測量方法使在多種照明形式中識別同一個面變得更容易。


      統計光度對比后提升了多種光照方向時的識別性能



      人臉識別算法是基于數學計算的,同時進行大量的數學運算。這些算法執行三個主要任務:在圖像、視頻或實時流媒體中檢測人臉、計算人臉的數學模型,并將模型與訓練集或數據庫進行比較以識別或驗證人臉是否符合數據庫中的信息。由于沒有一種完美的人臉識別算法,每種方法都有其在特定條件下的優勢所在,本文將介紹14種常見的面部識別算法: 


      卷積神經網絡(CNN)是人工神經網絡(ANN)在業界近些年發展有很多突破,它是深度學習(DL)中最常用的算法之一。DL是(ML)的子集,DL模型學習直接對圖像、視頻、文本或聲音執行分類任務,該模型在CV、NLP和最大的圖像分類數據集(Image Net)等領域都取得了較為重大的成果。CNN具有卷積層和池層,每一層都要學會檢測不同的成像特征。


      基于CNN的人臉情感分析



      • Eeigenfaces

      如果需要確定圖像數據集中人臉方差的人臉檢測時,就需要用到Eeigenfaces算法。它利用這些變量,通過對人臉進行編碼和解碼。一組Eeigenfaces是通過對大量人臉圖像的統計分析確定的“標準化人臉成分”的集合。面部特征被賦予常數值,因為這種方法不使用數字圖片,而是使用統計數據庫。任何人臉都是這些值的不同百分比的組合。


      Eeigenfaces樣本案例



      • Fisherfaces

      Fisherfaces也是常見的人臉識別算法之一,作為對 Eeigenfaces 算法的一種改進,它經常被拿來與 Eigenfaces 進行比較,并且在訓練過程中被認為達到了更高的優化層級。這種算法的關鍵優勢是它能夠插值和外推照明和面部表情的變化。在模型的預訓練階段,已有報告指出將基于Fisherfaces與基于PCA的算法相結合,可以達到93%的準確率。


      Fisherfaces樣本案例



      • PCA

      主成分分析(PCA)是一種通用的統計方法,具有許多實際的應用。在人臉識別工作流程中,PCA的目標是在保留最相關信息的同時減小源數據的大小。它產生一組加權的特征向量,然后由這些特征向量構成特征臉——不同人臉圖像的廣泛集合。特征臉的線性組合代表訓練集中的每一張圖像。PCA用于接收這些特征向量,這些特征向量來自訓練圖像集的協方差矩陣。對于每個圖像,計算其主要成分(從5到200)。其他組件編碼面孔和噪音之間的細微差別。識別過程包括將未知圖像的主要組成部分與所有其他圖像的組成部分進行比較。


      PCA目標檢測處理流程



      • SVM

      支持向量機( support vector machine—SVM )是一種利用二組分類原理區分人臉和非人臉的ML算法。對于每一類,SVM模型接收一個標記的訓練數據集來分類新的測試數據。研究者應用線性和非線性SVM訓練模型進行人臉識別。最近的結果表明,非線性訓練機具有更大的余量和更好的識別和分類結果。


      SVM分類器特征點距離



      • Haar Cascade

      Haar Cascade是一種目標檢測方法,用于在圖像上定位目標。該算法從大量正值和負值樣本中學習-前者包含感興趣的對象,后者包含您要查找的對象以外的任何對象。經過訓練,分類器可以在新的圖像上找到感興趣的對象。將該方法應用于刑事識別中,并結合局部二值模式算法進行人臉識別。Haar級聯分類器使用200個(滿分6000個)特征,即使在表情不同的情況下也能確保85-95%的識別率。


      Haar Cascade處理流程



      • 3D識別

      3D人臉識別技術的底層邏輯是基于識別是人類頭骨的獨特結構,因為每個人的頭骨結構都是第一無二的,它們可以用幾十個參數來描述。這種面部識別方法基于將3D面部掃描與數據庫模式進行比較。它有一個特殊的優勢——化妝、面部毛發、眼鏡和類似因素不會影響檢測和識別過程。最新的研究使用了在規則的2D網格上繪制三維幾何信息的技術。它允許將3D數據的描述性與2D數據的計算效率相結合,并顯示了在FRGC v2(人臉識別大挑戰3D人臉數據庫)上報告的最高性能。


      根據頭骨三維檢測的分析



      • 皮膚紋理分析

      皮膚識別技術在皮膚檢測、圖像濾波、手勢分析等領域有著廣泛的應用。它通常使用高分辨率的圖像。皮膚紋理分析的特殊情況使用不同的獨特參數,如色沉、瘢痕、毛孔、卟啉分布等參數。最近的一項基于紋理特征和膚色結合的研究顯示了有趣的結果。研究人員使用神經網絡來開發和測試皮膚識別系統。項目中使用的前饋神經網絡將輸入紋理圖像分為“皮膚”和“非皮膚”,并顯示出很高的識別效率與準確性。


      visia在皮膚檢測的應用案例



      • 熱成像儀

      熱像儀是一種用于監測被測表面溫度分布的裝置。溫度分布顯示為與溫度對應的不同顏色的彩色圖片。這項技術已經有了幾個適應全球變化的實際應用——基于智能手機的免疫證書、遠程發燒檢測和熱面部識別。熱人臉識別模型是基于人臉的獨特溫度模式。人體溫度的標簽是用熱紅外(IR)來測量的。熱成像儀人臉識別也具備與3D識別同樣的優勢,即化妝、面部毛發、帽子和眼鏡不會影響其準確性,它甚至還能精確的區分雙胞胎兄弟姐妹。


      通過熱成像儀檢測出的溫度確定每個標簽的位深



      • 自適應神經模糊干擾系統

      自適應神經模糊干擾系統(ANFIS)是一種人工神經網絡。該系統綜合了神經網絡原理和模糊邏輯原理,并將它們的優點融合在一個單一的結構中。在預處理階段,采用自適應神經模糊推理系統對從數據集中提取的圖像特征進行分類。數據科學家將這種方法與各種特征提取算法結合起來。一些項目的測試結果表明:采用二維主成分分析進行特征提取后,ANFIS 的分類準確率達到了97.1% 。


      樣本擴增對ANFIS識別率的影響



      • 局部二值模式直方圖(LBPH )

      這種方法使用了一種簡單有效的計算機視覺紋理操作局部二值模式,它通過設置每個像素的鄰域閾值并將結果作為二進制數來標記圖像中的像素。在學習階段,LBPH 算法為每個被標記和分類的圖像創建直方圖。每個直方圖代表訓練集中的每個圖像。這樣,實際的識別過程就意味著比較任意兩幅圖像的直方圖。


      局部二值模式直方圖(LBPH )的處理流程



      • FaceNet

      人臉識別系統 FaceNet 是由谷歌研究人員于2015年開發的,基于人臉識別基準數據集??捎玫念A先培訓模型和各種開放源碼的第三方實現使這個系統相當廣泛地推廣。FaceNet 在調查研究、測試性能和準確性方面比早期開發的其他算法都有出色的表現。FaceNet 精確提取人臉嵌入信息,用于后期人臉識別系統訓練的高質量特征。


      FaceNet的處理流程



      • NEC

      該解決方案由日本NEC科技公司開發,可以在識別年齡變化的同時,高度準確地識別人。該解決方案使用自適應區域混合匹配(Adaptive Region Mixed Matching),這是一個專注于高度相似的片段進行映射的模型。NEC技術將輸入圖像和注冊圖像分成小段,只關注更相似的段。即使戴著口罩或眼鏡,也能顯示出更高的識別準確率。作為其基礎算法,NEC解決方案使用廣義學習向量量化(GLVQ)。


      NEC的處理流程



      • 曠視 (FACE++)

      中國曠視科技在推出人臉識別應用平臺后,已經成為世界知名公司。這是一個多用途的軟件。該算法基于圖像檢測和模糊圖像搜索技術。這個技術解決方案使用了公司專有的基于大數據的深度學習框架MegEngine。該公司的技術成功地完成了面部信息抽取識別,包括幾個關鍵特征: 人臉和人臉檢測和跟蹤、人臉識別和聚類、關鍵點檢測、人臉屬性估計和人臉搜索引擎。


      曠視科技皮膚檢測案例



      隨著工業界對準確率的更高要求,想要進一步提升模型的泛化能力,需要將不同算法組合來解決面部識別過程中的許多常規問題:比如面部表情、姿勢、光照條件、圖像噪聲等因素對識別過程帶來的差異。最新的實驗將LBP算法與先進的圖像處理技術相結合: 雙邊濾波、直方圖均衡化、對比度調整和圖像混合,通過結合后的算法取得了長足的進步。


      Reference: 

      吳敏, 蘇婉娟, 陳略峰,等. 一種基于深度稀疏卷積神經網絡人臉情感識別方法:, CN107506722A[P].

      Yang M H, Ahuja N, Kriegman D. Face recognition using kernel eigenfaces[C]//Proceedings 2000 International Conference on Image Processing (Cat. No. 00CH37101). IEEE, 2000, 1: 37-40.

      Yang M H. Kernel Eigenfaces vs. Kernel Fisherfaces: Face Recognition Using Kernel Methods[C]//Fgr. 2002, 2: 215.

      Zhou C, Wang L, Zhang Q, et al. Face recognition based on PCA image reconstruction and LDA[J]. Optik, 2013, 124(22): 5599-5603.

      Wei J, Jian-Qi Z, Xiang Z. Face recognition method based on support vector machine and particle swarm optimization[J]. Expert Systems with Applications, 2011, 38(4): 4390-4393.

      Padilla R, Costa Filho C F F, Costa M G F. Evaluation of haar cascade classifiers designed for face detection[J]. World Academy of Science, Engineering and Technology, 2012, 64: 362-365.

      Mahoor M H, Abdel-Mottaleb M. Face recognition based on 3D ridge images obtained from range data[J]. Pattern Recognition, 2009, 42(3): 445-451.

      M??tt? J, Hadid A, Pietik?inen M. Face spoofing detection from single images using micro-texture analysis[C]//2011 international joint conference on Biometrics (IJCB). IEEE, 2011: 1-7.

      Kong S G, Heo J, Abidi B R, et al. Recent advances in visual and infrared face recognition—a review[J]. Computer Vision and Image Understanding, 2005, 97(1): 103-135.

      Rejeesh M R. Interest point based face recognition using adaptive neuro fuzzy inference system[J]. Multimedia Tools and Applications, 2019, 78(16): 22691-22710.

      Zhang J Y, Zhao H P, Chen S. Face recognition based on weighted local binary pattern with adaptive threshold[J]. 電子與信息學報, 2014, 36(6): 1327-1333.

      Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 815-823.

      Cox I J, Ghosn J, Yianilos P N. Feature-based face recognition using mixture-distance[C]//Proceedings CVPR IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE, 1996: 209-216.

      Masi I, Tr?n A T, Hassner T, et al. Do we really need to collect millions of faces for effective face recognition?[C]//European conference on computer vision. Springer, Cham, 2016: 579-596.





      評論


      相關推薦

      技術專區

      關閉
      久热香蕉在线视频网站,日本A级特黄少妇大片,18videosex性欧美69中国
      <form id="xxt53"></form>
      <form id="xxt53"><span id="xxt53"><th id="xxt53"></th></span></form>

      <noframes id="xxt53"><address id="xxt53"></address>

        <em id="xxt53"><form id="xxt53"></form></em>

          <address id="xxt53"></address>