重庆人脸识别机器关于人脸识别技术原理分析
人脸识别主要分为人脸检测(face detection)、特征提取(feature extraction)和人脸识别(face recognition)三个过程。
人脸检测:人脸检测是指从输入图像中检测并提取人脸图像,通常采用haar特征和Adaboost算法 训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器,则被判别为人脸图像。
特征提取:特征提取是指通过一些数字来表征人脸信息,这些数字就是我们要提取的特征。常见的人脸特征分为两类,一类是几何特征,另一类是表征特征。几何 特征是指眼睛、鼻子和嘴等面部特征之间的几何关系,如距离、面积和角度等。由于算法利用了一些直观的特征,计算量小。不过,由于其所需的特征点不能选择,限制了它的应用范围。另外,当光照变化、人脸有外物遮挡、面部表情变化时,特征变化较大。所以说,这类算法只适合于人脸图像的粗略识别,无法在实际中应用。
表征特征利用人脸图像的灰度信息,通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将 图像分成若干区域,在每个区域的像素640x960邻域中用中心值作阈值化,将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调 灰度变化保持不变。每个区域通过这样的运算得到一组直方图,然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。
人脸识别:这里提到的人脸识别是狭义的人脸识别,即将待识别人脸所提取的特征与数据库中人脸的特征进行对比,根据相似度判别分类。而人脸识别又可以分为 两个大类:一类是确认,这是人脸图像与数据库中已存的该人图像比对的过程,回答你是不是你的问题;另一类是辨认,这是人脸图像与数据库中已存的所有图像匹 配的过程,回答xxx的问题。显然,人脸辨认要比人脸确认困难,因为辨认需要进行海量数据的匹配。常用的分类器有最近邻分类器、支持向量机等。
与指纹应用方式类似,人脸识别技术目前比较成熟的也是勤机。因为在勤系统中,用户是主动配合的,可以在特定的环境下获取符合要求的人脸。这就为人脸 识别提供了良好的输入源,往往可以得到满意的结果。但是在一些公共场所安装的视频监空探头,由于光线、角度问题,得到的人脸图像很难比对成功。这也是未来 人脸识别技术发展必须要解决的难题之一。
人脸识别的优势在哪里
优势人脸识别的优势在于其自然性和不被被测个体察觉的特点。
所谓自然性,是指该识别方式同人类(甚至其他生物)进行个体识别时所利用的生物特征相同。例如人脸识别,人类也是通过观察比较人脸区分和确认身份的,另外具有自然性的识别还有虹膜识别语音识别、体形识别等,而指纹识别、虹膜识别等都不具有自然性,因为人类或者其他生物并不通过此类生物特征区别个体。
不被察觉的特点对于一种识别方法也很重要,这会使该识别方法不令人反感,并且因为不容易引起人的注意而不容易被欺骗。
人脸识别具有这方面的特点,它xx利用可见光获取人脸图像信息,而不同于指纹识别或者虹膜识别,需要利用电子压力传感器采集指纹,或者利用红外线采集虹膜图像,这些特殊的采集方式很容易被人察觉,从而更有可能被伪装欺骗。
高级人脸拼图识别系统简介
高级人脸拼图识别系统简介据英国媒体近日报道,科学家研究出的一种高级的人脸拼图识别系统,能够帮助受害人和目击证人准确拼凑出罪犯的画像,准确率高达近50%。
这种高级人脸拼图识别系统被称为EvoFIT,由英国中央兰开夏大学的两名学者彼得·汉克和查利·弗劳德设计开发而成。
与传统的人脸识别系统相比,EvoFIT系统具有十分明显的优势。传统的人脸识别方式要求受害人或目击证人逐个回忆和识别犯罪嫌疑人的五官和外貌特征,例如鼻子、眼睛、发型等,{zh1}再将零散的五官拼凑出犯罪分子的脸。
EvoFIT 则更加科学细致,强调从整体上确定犯罪嫌疑人的大致轮廓,再分部位进行微调和改进。受害人或目击证人首先选定脸型、肤质、肤色等整体特征,再替换和调整眼睛、鼻子、耳朵、嘴型等五官特征,{zh1}加上发色、发型、耳朵等外貌特征,拼凑一个更加接近真实罪犯外表的图像。整个还原过程更像是一个人脸“进化”的过程。
发明者查利·弗劳德介绍说:“传统的人脸识别系统要通过辨别上百张图片才能够拼凑出一张人脸画像。而且由于最终的成像是通过分散的外表特征凑起来的,准确率还不到10%。而我们在实验过程中发现,受害人或目击者记忆中的罪犯外表特征其实是作为一个整体储存在记忆中的,EvoFIT系统能够在识别过程中不断调整这些特征,缩小目标的范围,修正错误的信息,逐渐唤醒受害人的记忆,成功率自然更高。”
2008年,英国兰开夏xx局首先开始采用EvoFIT系统,并利用好的成像效果成功侦破了不少大案。目前,该系统凭借较高的准确率已被bao括伦敦xx局在内的11个地区xx局应用于日常案件的侦破,同时也已被欧洲、美国和以色列的警方采用。