轉眼之間,我們已步入了2017年年底,回首這一年科技圈的各類大事件,令人印象頗為深刻的便是蘋果公司最新推出的Face ID技術了,Face ID技術的推出也將人臉識別技術的關注帶入了一個新的高度。作為一個"跟風"型小編,自然不會錯過今年最大的熱點。沒錯!本次專題正是要為大家介紹2017年最火爆的"黑科技"--人臉識別技術。這次小編為大家帶來了有關人臉識別技術的全方位解讀,相信喜愛科技的你一定不會錯過!

今晚新疆35选7的开奖号码:什么是人臉識別技術?

今晚新疆35选7的开奖号码 www.ebsksn.com.cn 人臉識別技術是基于人的臉部特征,對輸入的人臉圖像或者視頻流 . 首先判斷其是否存在人臉 , 如果存在人臉,則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。并依據這些信息,進一步提取每個人臉中所蘊涵的身份特征,并將其與已知的人臉進行對比,從而識別每個人臉的身份。 廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術,包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等;而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。

人臉識別技術介紹

人臉識別技術的"前世今生"——發展歷程

  • 萌芽階段
    1964年~1990年

    這一階段人臉識別通常只是作為一個一般性的模式識別問題來研究,所采用的主要技術方案是基于人臉幾何結構特征(Geometric feature based)的方法。這集中體現在人們對于剪影(Profile)的研究上,人們對面部剪影曲線的結構特征提取與分析方面進行了大量研究。人工神經網絡也 一度曾經被研究人員用于人臉識別問題中。

  • 發展階段
    1991年~1997年

    這一階段盡管時間相對短暫,但卻是人臉識別研究的高潮期,可謂碩果累累:不但誕生了若干代表性的人臉識別算法,美國軍方還組織了著名的 FERET 人臉識別算法測試,并出現了若干商業化運作的人臉識別系統,比如最為著名的 Visionics(現為 Identix)的 FaceIt 系統。 美國麻省理工學院(MIT)媒體實驗室的特克(Turk)和潘特(Pentland)提出的"特征臉"方法無疑是這一時期內最負盛名的人臉識別方法。

  • 成熟階段
    1998年~現在

    最近幾年來,由于計算機技術的發展,人臉識別研究引起了學術界越來越多的關注。而在眾多研究方向中,研究最多的是關于人臉正面模式的研究,主要可以分為三個發展階段:
    第一階段是對人臉識別所需要的面部特征進行研究。
    第二階段是人機交互式識別階段。
    第三階段是自動識別階段。

人臉識別技術的分類

二維人臉識別技術

人臉識別法主要集中在二維圖像方面,主要利用分布在人臉上從低到高80個節點或標點,通過測量眼睛、顴骨、下巴等之間的間距來進行身份認證。人臉識別算法主要有:

1.基于模板匹配的方法:模板分為二維模板和三維模板,核心思想:利用人的臉部特征規律建立一個立體可調的模型框架,在定位出人的臉部位置后用模型框架定位和調整人的臉部特征部位,解決人臉識別過程中的觀察角度、遮擋和表情變化等因素影響。

2.基于奇異值特征方法:人臉圖像矩陣的奇異值特征反映了圖像的本質屬性,可以利用它來進行分類識別。

3.子空間分析法:因其具有描述性強、計算代價小、易實現及可分性好等特點,被廣泛地應用于人臉特征提取,成為了當前人臉識別的主流方法之一。

4.局部保持投影(Locality Preserving Projections,LPP)是一種新的子空間分析方法,它是非線性方法Laplacian Eigen map的線性近似,既解決了PCA等傳統線性方法難以保持原始數據非線性流形的缺點,又解決了非線性方法難以獲得新樣本點低維投影的缺點。

三維人臉識別技術

三維人臉識別可以極大的提高識別精度,真正的三維人臉識別是利用深度圖像進行研究,自90年代初期開始,已經有了一定的進展。三維人臉識別方法有:

1.基于圖像特征的方法:采取了從3D結構中分離出姿態的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向;然后,在保持姿態固定的情況下,去作臉部不同特征點(這些特征點是人工的鑒別出來)的局部匹配。

2.基于模型可變參數的方法:使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結合,去恢復頭部姿態和3D人臉。隨著模型形變的關聯關系的改變不斷更新姿態參數,重復此過程直到最小化尺度達到要求?;諛P涂殺洳問姆椒ㄓ牖諭枷裉卣韉姆椒ǖ淖畬笄鷦謨冢漢笳咴諶肆匙頌勘浠淮魏?,需要重新搜索特征點的坐標,而前者只需調整3D變形模型的參數。

人臉識別技術的優劣與隱患

人臉識別技術的算法與原理

  • 基于幾何特征的方法

    采用幾何特征進行正面人臉識別一般是通過提取人眼、口、鼻等重要特征點的位置和眼睛等重要器官的幾何形狀作為分類特征,但Roder對幾何特征提取的精確性進行了實驗性的研究,結果不容樂觀。

  • 局部特征分析方法

    局部性和拓撲性對模式分析和分割是理想的特性,似乎這更符合神經信息處理的機制,因此尋找具有這種特性的表達十分重要。這種方法在實際應用取得了很好的效果,它構成了FaceIt人臉識別軟件的基礎。

  • 特征臉方法

    特征臉方法具有簡單有效的點,也稱為基于主成分分析的人臉識別方法。從統計的觀點,尋找人臉圖像分布的基本元素,即人臉圖像樣本集協方差矩陣的特征向量,以此近似地表征人臉圖像。這些特征向量稱為特征臉。

  • 基于彈性模型方法

    彈性圖匹配技術是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結合的識別算法,由于該算法較好的利用了人臉的結構和灰度分布信息,而且還具有自動精確定位面部特征點的功能,因而具有良好的識別效果。

  • 神經網絡方法

    Lee等將人臉的特點用六條規則描述,然后根據這六條規則進行五官的定位,將五官之間的幾何距離輸入模糊神經網絡進行識別,神經網絡方法在人臉識別上的應用比起前述幾類方法來有一定的優勢,它的適應性更強,一般也比較容易實現。

拓展閱讀

人臉識別技術最新資訊

人臉識別技術設計方案

人臉識別技術發展應用

最新技術專題展示

更多技術專題