凡人多烦事01

这个屌丝很懒，什么也没留下！

热门标签

人脸识别功能实现的原理介绍与算法介绍_人脸识别原理及算法

作者：凡人多烦事01 | 2024-05-26 18:28:49

踩

人脸识别原理及算法

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

人脸识别功能实现的原理介绍与算法介绍

人脸识别：人脸数据集

Adaboost 人脸检测：Haar特征及积分图、分类器的级联

关键点提取：face_recognition、疲劳检测、人脸校准、人脸数据库

概述

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。特征定位，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。

儿童安全的保镖

近年来儿童拐卖活动越来越猖獗，为了更好的保护儿童安全，有些幼儿园、小学在门口已经安装上了

面部识别系统。系统采用人脸识别加IC/ID卡(非接触式智能卡) 双重认证：每一位幼儿在入学注册时进

行相关登记：资料、面像、IC/ID卡号、接送者、接送者面像。

每次入园时刷卡进行报道，放学时刷卡并进行接送家长人脸认证，如果认证失败拍照后即报警通知管

理员，如果认证成功即拍照放行。不论识别成功与否，系统都会记录下被识别者图像。每一次接送都

有详细的时间、接送人员的照片可供查询。另外系统提供短信提示的扩展功能，家长可在手机上看到

人脸识别认证时所拍的照片，从而监控到接送这个过程，从其中一个重要源头杜绝了儿童被拐的可能

性。

人脸检测是所有人脸研究的一个前提步骤，它的性能直接影响整个人脸图像应用系统得性能，因此是一个非

常关键的步骤。

它的任务是首先对由摄像机输入的图像进行分割，即把整幅图像分割成两部：一部分为人脸区域，另一部分

为非人脸区域，然后进一步获取脸部信息，并对人脸的行为进行描述，进而完成对人脸识别的分析和理解。

1 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。

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60*60或100*100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。

不同遮挡下的人脸识别：
   遮挡是指正面人脸图像中有眼镜、头发、围巾或者其他的配饰。
   在过去几年，主要致力于可控设置下的人脸识别；
   然而，在不可控制下的识别，像光照、表情和部分遮挡是需要考虑的问题

1 人脸采集

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

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，常用人脸关键点检测，即

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（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。

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）。

2 人脸检测

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，常用人脸关键点检测，即

自动估计人脸图片上脸部特征点的坐标。

1，人脸采集：

模糊程度，遮挡程度，采集角度

2，人脸检测：

直方图特征、颜色特征、模板特征、结构特征及Haar特征

3 人脸图像预处理

即，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矫正、噪声过滤等图像预处理。

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

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

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。

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。

(1) 检测率：被正确检测到的人脸数目与原图像内包含的人脸数目的比值。检测率越高，表明检测系统对人

脸的接受能力越强。

(2) 误识率(或虚警率、误报率、误检率)：被误检为人脸的非人脸子窗口的数目与原图像内被检测的所有非

人脸子窗口数目的比值。检测率无法反映系统对非人脸的排除能力，有可能所有人脸都被检测到的同时有大

量的非人脸也被误检为人脸。因此，引入误识率来衡量系统对非人脸样本的排除能力。误识率越低，表明检

测系统对非人脸的排除能力越强。

(3) 检测速度：大部分应用领域需要在线实时地检测人脸，如人脸识别、人脸跟踪和可编程视频监控等。

通常，提高速度往往是以降低检测率为代价的。因此，在检测率和误检率达到满意的前提下，检测速度越

快越好。

(4) 鲁棒性：反映了检测系统在各种条件下的适应能力。

这四个标准有些是相互制约的。例如，误检率会随着检测率的提高而提高，检测率随着误检率的降低而降

低；或检测率和误检率都很理想，但检测速度很慢，如神经网络方法；又或检测速度虽快，但鲁棒性较差。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/凡人多烦事01/article/detail/627860