php开发人脸识别的步骤,人脸识别的流程及主要技术

人脸识别是一种依据人的面部特征，自动进行身份识别的一种生物识别技术，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：

一、人脸采集：

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。

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，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。

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，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，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，因此算法模型需训练包含左右侧人脸、上下侧人脸的数据。

二、人脸检测方法

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、模板特征等)，然后利用信息来达到人脸检测的目的。关键点检测是自动估计人脸图片上脸部特征点的坐标。

主流方法：

基于检测出的特征采用Adaboost学习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。

三、人脸图像预处理

由于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，并最终服务于特征提取的过程。

主要预处理方法有：人脸对准，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、中值滤波以及锐化等。

四、人脸特征提取

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：

1、基于知识的表征方法

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。

五、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，通过设定一个阈值参数，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。