人脸图像采集及检测目前主流的人脸检测及采集方法

[指南]对于人脸识别，大多数人的第一反应就是“刷脸”。让我们看一下面部识别的定义：面部识别基于一个人的面部特征信息进行身份识别，这是一种生物识别技术。使用照相机或照相机收集包含人脸的图像或视频流，并自动检测并跟踪图像中的人脸，然后对检测到的人脸执行一系列相关技术，通常也称为人脸识别和人脸识别。

谈到人脸识别，大多数人的第一反应就是“刷脸”。让我们看一下面部识别的定义：面部识别是一种基于人的面部特征的身份识别。生物识别技术。使用照相机或照相机收集包含人脸的图像或视频流，并自动检测并跟踪图像中的人脸，然后对检测到的人脸执行一系列相关技术，通常也称为人脸识别和人脸识别。

从以上几段中，我们可以推断出对面部识别的需求：面部图像的获取和检测，面部图像的预处理，面部图像特征的提取以及匹配和识别。这四个步骤也是人的面孔。识别系统的四个组成部分。

人脸图像收集和检测

当前主流的人脸检测和采集方法包括Adaboost人脸检测算法，基于特征的方法，基于模板的方法等。

主要讨论Adaboost人脸检测算法。 Adaboost人脸检测算法是一种基于积分图，级联检测器和Adaboost算法的方法。该方法可以快速检测出人脸。核心思想是从多个弱分类器的空间中自动选择多个分类器，以形成具有较强分类能力的强分类器。

缺点是，在复杂的背景下，AdaBoost人脸检测算法容易受到复杂环境的影响，导致检测结果不稳定，并且容易错误地检测出与人脸相似的人脸区域，并且误检率高高。

人脸图像预处理

人脸图像的预处理基于人脸检测结果，对图像进行处理，最后用于特征提取过程。由于各种条件和随机干扰，系统无法直接使用原始图像。必须在图像处理的早期阶段对其进行预处理，例如灰度校正和噪声过滤。对于人脸图像，预处理过程主要包括光补偿，灰度变换，直方图均衡化，归一化，几何校正，人脸图像的滤波和锐化。

例如，Gamma校正可以通过变换来增强图像阴影或减小亮区的灰度值范围，从而将脸部图像的整体亮度转换为预定义的标准脸部图像。

Gamma校正后输入和输出图像的灰度值之间的关系如图所示：横坐标是输入灰度值，纵坐标是输出灰度值，蓝色曲线是输入和输出关系当伽玛值小于1时，红色曲线是伽玛值大于1时的输入输出关系。可以看出，当伽玛值小于1时（蓝色曲线），整体亮度值改善了图像的灰度，同时增加了低灰度下的对比度，更有利于区分低灰度下的图像细节。

人脸图像特征提取

可以在面部识别系统中使用的特征通常分为视觉特征，像素统计特征，面部图像变换系数特征和面部图像代数特征。面部特征提取基于人脸的某些特征。人脸特征提取（也称为人脸表示）是对人脸特征建模的过程。人脸特征提取方法可归纳为两类：一是基于知识的表示方法；二是基于知识的表征方法。另一种是基于代数特征或统计学习的表示方法。

基于知识的表示方法主要是基于脸部器官的形状描述和它们之间的距离特性，以获得有助于脸部分类的特征数据。特征成分通常包括特征点之间的欧几里得距离和曲率以及角度等。人脸由眼睛，鼻子，嘴巴和下巴等部分组成。这些部分的几何描述及其之间的结构关系可以用作识别人脸的重要特征。这些特征称为几何特征。

基于统计理论的方法是指使用统计分析和机器学习方法来查找面部和非面部样本的特征，使用这些特征构造分类，并将分类用于面部检测。它主要包括神经网络方法，支持向量机方法和隐马尔可夫模型方法。基于统计理论的方法是从样本中学习，而不是从人们的直观印象中获得。需要大量的统计特征，样本训练既费时又费力。

人脸图像匹配与识别

搜索提取的面部图像的特征数据，并将其与中存储的特征模板进行匹配。通过设置阈值，当相似度超过该阈值时，将输出匹配结果。人脸识别是将待识别的人脸特征与获取的人脸特征模板进行比较，并根据相似度判断人脸的身份信息。该过程分为两类：一类是确认，这是的图像比较过程，称为1：1；另一类是识别，这是一对多图像匹配和比较过程。 ，称为1：N。

1：1的意思是“这是某人吗？”

例如，当我们在车站进行安全检查时，票务检查员总是将您的与您进行比较，以证明中是否包含您本人。这种情况是1：1情况。

根据相关统计数据，证明人眼的识别准确率约为95％，但人眼疲劳，因此车站安全人员需要定期更换班次。目的是保持更高的平均识别精度。但是，在这种情况下，如果采用人脸识别技术，识别率可以达到97％甚至更高的准确度，并且系统设备不会疲劳。

1：N表示“这个人是谁？”

例如，我们融，司法，军事，公共安全，边境检查，安全等领域。随着安全城市，智慧社区，智慧建筑和智慧交通的建设与发展，人脸识别技术将越来越渗透到我们的生活中。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-349698-1.html