计算机视觉应用开发课件：人脸识别

人脸识别人脸识别的发展历程01任务人脸识别的行业前景02任务人脸识别的常用方法03任务学习目标了解人脸识别的发展历程和行业前景掌握人脸识别的常见方法1人脸识别的发展历程1人脸识别的发展历程人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别属于目标检测的一个扩展分支，它不仅仅需要检测出人脸的位置，还需要对人脸进行识别出真实身份。人脸识别技术的发展大致经历了三个阶段：早期研究阶段，蓬勃发展阶段，实际应用阶段。早期研究阶段：在此期间人脸识别的研究仅被当作为一个简单的模式识别问题，主要是基于人脸本身的集合特征来实现识别，包括眼睛，鼻子，耳朵，下巴，额头等具体人脸图像的视觉特征之间的几何联系，并使用计算机来建立较高质量的人脸灰度图像模型。1人脸识别的发展历程蓬勃发展阶段：人脸识别技术的蓬勃发展主要出现在上世纪的90年代，在此期间人脸识别的研究成果非常丰硕，特别是在识别算法以及人脸数据库资源上。主要表现如下：一是诞生了非常著名的“特征脸”人脸识别方法；二是采用了更具代表性的一些人脸识别先进算法，特别是深度学习的推波助澜；三是建立了庞大的人脸识别数据库资源。实际应用阶段：随着人脸识别技术的不断成熟，除了可以应用在门禁考勤、安防、金融之外，还可以应用在其他的场景，例如商业、运动、教育等应用前景广泛。2人脸识别的行业前景人脸识别的行业前景人脸识别行业前景将会呈现以下发展趋势：（1）人脸识别应用的最广泛领域便是安防行业，作为安防市场未来的发展方向的智能视频分析，其中最重要的技术就是人脸识别。（2）我国的三维测量技术近年来发展形势较好，此外对于其中的传统难点，包括人脸旋转、遮挡、相似度等在内的都有了很好的应对，这也成为了人脸识别技术的另一个最为重要的发展路线之一。（3）大数据深度学习进一步提升了人脸识别的精确度，这也为2D人脸识别的应用作了一定的突破，将其应用于互联网金融行业当中，能够快速普及金融类应用。（4）人脸识别技术由于其便利性、安全性，可在智能家居中用作门禁系统以及鉴权系统，因此智能家居与人脸识别技术的融合是未来发展的重点方向。（5）人脸识别技术是未来基于大数据领域的重要发展方向。23人脸识别的常见方法人脸识别的常见方法人脸识别的常见方法有：基于特征脸的方法特征脸的方法，它是一种比较经典而又应用比较广的人脸识别方法，其主要原理是把图像做降维算法，使得数据的处理更容易，同时，速度又可以做的比较快。特征脸的人脸识别方法，实际上是将图像做K-L变换，把一个高维的向量转化为低维的向量，从而消除每个分量存在的关联性，使得变换得到的图像与之对应特征值递减。在图像经过K-L变换后，其具有很好的位移不变性和稳定性。所以，特征脸的人脸识别方法具有方便实现，并且可以做到速度更快，以及对正面人脸图像的识别率高等优点。但是，该方法也具有不足的地方，就是比较容易受人脸表情、姿态和光照改变等因素的影响，从而导致识别率低的情况。3人脸识别的常见方法2.基于几何特征的方法基于几何特征的识别方法，它是根据人脸面部器官的特征及其几何形状进行的一种人脸识别方法，是人们最早研究及使用的识别方法。它主要是采用不同人脸的不同特征等信息进行匹配识别，这种算法具有较快的识别速度，同时，其占用的内存也比较小，但是，其识别率也并不算高。其流程大体如下：首先对人脸面部的各个特征点及其位置进行检测，如鼻子、嘴巴和眼睛等位置，然后计算这些特征之间的距离，得到可以表达每个特征脸的矢量特征信息，例如眼睛的位置，眉毛的长度等，其次还计算每个特征与之相对应关系，与人脸数据库中已知人脸对应特征信息来做比较，最后得出更佳的匹配人脸。基于几何特征的方法符合人们对人脸特征的认识，另外，每幅人脸只存储一个特征，所以占用的空间比较小。同时，这种方法对光照引起的变化并不会降低其识别率，而且特征模板的匹配和识别率比较高。但是，基于几何特征的方法也存在着鲁棒性不好，一旦表情和姿态稍微变化，识别效果将大打折扣。3人脸识别的常见方法3.基于神经网络的方法将神经网络模型应用于图像识别中已经有比较久的时间了，如BP神经网络等，它是模仿人类大脑活动方式去实现的。目前，比较有代表性的神经网络模型设计的方法主要有混合型神经网络、主元神经网，以及卷积神经网络等方法。神经网络的方法在目前来说，可以做到相对比较高的识别率，当然，其也存在着网络训练时间长，以及难以收敛等问题。4.基于支持向量机的方法将支持向量机(SVM)的方法应用到人脸识别中，其起源于统计学理论，它研究的方向是如何构造有效的学习机器，并用来解决模式的分类问题。其特点是将图像变换空间，在其他空间做分类。支持向量机