构脸识别的10个关键技术，原理和技术难题

人脸识别的十大关键技术

1. 人脸检测（FaceDetection）

“面部检测”的作用是检测图像中面部的位置. 面部检测算法的原理只是一个“扫描”加“决定”的过程. 即，首先扫描整个图像，然后逐个确定候选区域是否是人脸的过程. 因此，面部检测算法的计算速度将与图像大小和图像内容有关. 在实际算法中，我们可以通过设置“输入图像尺寸”或“最小面部尺寸限制”，“最大面部数量”来加快算法的速度.

2. 人脸对齐

“ FaceAlignment”的目标是找到面部特征关键点的坐标. 通过深度学习框架基本上可以实现一些效果更好的人脸注册技术. 这些方法基于人脸检测的坐标系，根据一些预设规则提取人脸区域，缩放到固定大小，然后计算关键点的位置. 此外，与人脸检测或稍后提到的人脸特征提取过程相比，人脸配准算法的计算要花费更少的时间.

3. 人脸属性识别（FaceAttribute）

人脸属性识别（FaceAttribute）是一种识别人脸属性值的技术，例如性别，年龄，姿势和表情. 某些相机应用程序中应用了此功能，这些应用程序可以自动识别并标记相机视场中人员的性别和年龄.

人脸属性识别包括性别识别，年龄估计，表情识别，手势识别，发型识别等. 一般来说，每个属性的识别算法过程是独立的，但是有一些基于深度学习的新算法可以实现同时输出年龄，性别，姿势和表情等属性识别结果.

4. 人脸特征提取（FaceFeatureExtraction）

“ FaceFeature Extraction”用于将面部图像转换为可以表征面部的特征. 具体表达式是一系列固定长度值.

面部特征提取处理的输入是“面部图像”和“面部面部特征关键点坐标”，并且输出是与面部相对应的数字字符串（特征）. 面部提升特征算法的实现过程如下: 首先，旋转，缩放面部特征关键点坐标以实现面部对齐，然后提取特征并计算出数字串.

5. FaceCompare

“ FaceCompare”算法的目的是测量两个面孔之间的相似度.

人脸匹配算法的输入是两个人脸特征. 通过先前的面部特征算法获得面部特征，输出为两个特征之间的相似性.

6. 人脸验证

面部验证是一种确定两个面部图像是否是同一个人的算法.

其输入是两个面部特征. 通过人脸比较获得两个人脸特征之间的相似性，并通过与预设阈值进行比较来验证两个人脸特征是否属于同一个人.

7. 人脸识别（FaceRecognition）

人脸识别（FaceRecognition）是一种识别输入人脸图像对应身份的算法.

其输入是面部特征. 通过逐一比较与在库中注册的N个标识相对应的特征，它找到“一个”与输入特征之间具有最高相似性的特征. 将最高相似度值与预设阈值进行比较，如果该阈值大于阈值，则返回与特征对应的标识，否则返回“不在库中”.

8. 面部检索

“人脸检索”是一种算法，用于查找与输入人脸相似的人脸序列.

人脸检索是将输入的人脸与所述人脸在集合中进行比较，并根据比较后的相似度对集合中的人脸进行排序. 从高到低按相似度排序的人脸序列是人脸检索的结果.

9. FaceCluster

“ FaceCluster”是一种根据面孔的身份对面孔进行分组的算法.

在手动识别身份之前，只有组中的面部属于同一身份，但是确切的身份未知.

10. FaceLiveness

“ FaceLiveness”是一种确定面部图像是来自真实人物还是来自攻击假体（照片，视频等）的方法.

在我们的生活环境中，人脸认证系统主要容易受到这种方法的欺骗:

（1）使用伪造的照片伪造真实的人；

（2）在公共场所录制的视频或发布的视频片段；

（3）使用计算机辅助软件设计三维模型欺骗；

（4）用蜡或塑料制成的三维雕像欺骗.

因此人脸检测技术的研究非常重要. 对于照片欺骗，它主要基于分辨率，三维三维信息，眼球运动等；对于视频欺骗，它根据三维信息，光线等来区分.

人脸识别算法原理

1. 几何特征的方法

面部由眼睛，鼻子，嘴巴和下巴等部分组成. 正是由于这些部分的形状，大小和结构上的差异，世界上每个人的面部都有很大的不同，因此这些部分的形状和结构可以用几何描述作为面部识别的重要特征. 几何特征首先用于描述和识别人脸的侧面轮廓. 首先，根据侧轮廓曲线确定几个显着点，并从这些显着点中得出一组识别距离和角度的特征量度.

2. 局部特征分析方法

局部特征分析方法一种基于特征表示的人脸识别技术，源自类似于积木的局部统计原理. LFA基于所有面部图像（包括各种复杂样式），可以从不再简化的许多结构单元的子集中合成. 这些单元是使用复杂的统计技术形成的. 它们代表整个面部图像，通常跨越多个像素（在局部区域中）并代表一般的面部形状，但通常意义上不是面部特征. 实际上，面部结构单元多于面部图像. 但是，为了形成准确而逼真的面部图像，在整个可用集合中只需要一小部分单元（12到40个特征单元）. 确定身份不仅取决于特征单元，还取决于它们的几何结构（例如它们的相对位置）. 通过这种方式，LFA可以将个人特征映射成可以比较和识别的复杂数字表达形式. <​​/ p>

“面部图案”编码方法根据面部的基本特征和形状工作. 它可以抵抗光线，肤色，面部毛发，发型，眼镜，表情和姿势的变化，并且具有很强的可靠性. 准确地从数百万人中识别一个人.

3. 特征脸方法（Eigenface或PCA）

从统计学的角度来看，寻找面部图像分布的基本元素，即面部图像样本集的协方差矩阵的特征向量，以逼近面部图像. 这些特征向量称为特征脸. 该方法是首先确定面部特征的大小，位置人脸检测技术经典算法，距离和其他属性，例如眼虹膜，鼻子，嘴角等，然后计算其几何特征量，这些特征量形成描述特征的特征向量. 面部图像. 其技术的核心是“本地人的特征分析”和“图形/神经识别算法”.

4. 基于弹性模型的方法

弹性图匹配技术是一种基于几何特征和小波纹理分析相结合的灰度分布信息的识别算法，它充分利用了人脸结构和灰度分布信息，并具有自动准确定位的功能特征点识别效果好，适应性强. 识别率高. 该技术是FERET测试中最好的技术之一. 它的缺点是时间复杂度高，速度慢，实现复杂.

5. 神经网络（神经网络）

神经网络方法在人脸识别中的应用相对于上述方法具有某些优势，因为要显式描述人脸识别的许多定律或规则非常困难，而神经网络方法是这些定律和规则的隐式表达. 规则可以通过学习过程获得. 它更具适应性，通常更易于实施. 因此，人工神经网络的识别速度很快，但是识别率却很低. 神经网络方法通常需要将人脸作为一维矢量输入，因此输入节点巨大，其识别的重要目标是降维.

6. 其他方法

除上述方法外，还有其他几种用于面部识别的思想和方法，包括:

（1）隐马尔可夫模型方法

（2）Gabor小波变换+模式匹配

（3）人脸轮廓分析匹配方法

人脸识别技术的困难

1，照明问题

照明问题是机器视觉较重的老问题，尤其是在人脸识别方面. 由于人脸的3D结构，光线投射的阴影会增强或减弱原始的面部特征. 尤其是在晚上，光线不足造成的面部阴影会导致识别率急剧下降人脸检测技术经典算法，使系统难以满足实际需求.

2. 表情符号手势问题

类似于照明问题，绕三维垂直坐标系中的三个轴旋转而引起的面部变化，其中垂直于像平面的两个方向上的旋转深度将导致面部信息的部分丢失，从而使表情姿势人脸识别问题技术问题.

3. 遮挡问题

对于非合作情况下的面部图像收集，遮挡问题是一个非常严重的问题. 尤其是在监控环境中，经常被监控对象会戴上眼镜，帽子等配件，使得采集到的人脸图像可能不完整，影响后续特征的提取和识别，甚至导致人脸检测算法的失败.

4. 年龄变化

随着年龄的变化，面部外观也发生变化，尤其是对于青少年来说，这种变化更为明显. 对于不同的年龄，人脸识别算法的识别率也不同. 当一个人从青少年变成年轻人，再到老人时，他的外表可能会发生很大变化，从而导致识别率下降. 不同年龄的人脸识别算法的识别率也不同.

5. 人脸相似度

不同个体之间没有太大差异. 所有人脸的结构都相似，甚至面部器官的结构外观也非常相似. 这样的特征有利于使用人脸进行定位，但是不利于使用人脸来区分人.

6. 图像质量

面部图像的来源可能多种多样. 由于采集设备的不同，所获得的面部图像的质量也有所不同，特别是对于分辨率低，噪声高，质量较差的面部图像（例如移动电话相机）（所拍摄的人脸图片，通过拍摄的图片等）而言. ）如何进行有效的人脸识别是一个需要注意的问题. 同样，需要进一步研究高分辨率图像对人脸识别算法的影响. 返回搜狐，查看更多

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-182807-1.html