人脸识别简述

1、基于深度学习的人脸识别,组员：程俊达 16721492 李 阳 16721493 梁子轩 167214,01 | 人脸识别概述 02 | 发展历史 03 | 几类算法简介 04 | 发展现状及应用,人脸识别概述,概述,4,人脸识别简介： 近年来，随着计算机技术的迅速发展，人脸自动识别技术得到广泛研究与开发，人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。人脸识别的目的是从人脸图像中抽取人的个性化特征，并以此来识别人的身份。一个简单的自动人脸识别系统，包括以下4个方面的内容 ： (1)人脸检测(Detection)：即从各种不同的场景中检测出人脸的存在并确定其位置。 (2)人脸规范化(Normalization)：校正人脸在尺度、光照和旋转等方面的变化。或者叫做alignment，人脸对齐，人脸校准 (3)人脸校验(Face verification )：采取某种方式表示检测出人脸和数据库中的已知人脸，确认两张脸是否是同一个人。 (4)人脸识别(Recognition)：将待识别的人脸与数据库中的已知人脸比较，得出给你的脸是库里的谁。,概述,5,人脸识别经典流程：,5,概

2、述,6,人脸识别比对,人脸识别建模,概述,人脸识别算法框架：人脸识别算法描述属于典型的模式识别问题，主要有在线匹配和离线学习两个过程组成。,在人脸识别中，特征的分类能力、算法复杂度和可实现性是确定特征提取法需要考虑的因素。所提取特征对最终分类结果有着决定性的 影响 。分类器所能实现的分辨率上限就是各类特征间最大可区分度。因此，人脸识别的实现需要综合考虑特征选择、特征提取和分类器设计。,概述,生物特征,生理特征 what you have?,行为特征 what you do?,-人像 -DNA -虹膜 -指纹,-笔迹 -步态 -身体气味 -按键节奏,“与生俱来”,“后天习惯”,人脸识别与其它生物识别技术的比较：,概述,9,生物识别技术就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性，（如指纹、声纹、人像、虹膜等）和行为特征（如笔迹、声音、步态等）来进行个人身份的鉴定。 其中人脸识别是指人的面部五官以及轮廓的分布。这些分布特征因人而异，与生俱来。相对于其他生物识别技术，人脸识别具有非侵扰性，无需干扰人们的正常行为就能较好地达到识别效果。由于

3、采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。,概述,人脸识别技术有快速、简便、非侵扰和不需要人的被动配合的特点 其余的人体生物特征识别技术对人们来说都是一种干扰，都需要人的被动配合。人脸识别无需干扰人们的行为，你只需要很快从一架摄像机前走过，你的面貌就已经被快速地采集和检验，所以非常简便。,在当今众多的人体生物特征识别技术中， 人脸识别技术以其实用性强、速度快、使用简单和识别精度高等特点，与其他人体生物特征识别技术相比较时占有明显的技术优势。,快速、非侵扰,准确、直观,人脸识别技术有良好的防伪、防欺诈、准确、直观、方便的特点 因为同其它人体生物特征识别技术相比较，只有人脸识别是最直观、最可靠、最准确的，因而它是优良的防伪、防欺诈的。,概述,11,概述,12,发展历史,发展历史,第一阶段： 人类最早的研究 工作至少可追朔到二十世纪五十年代在心理学方面的研究和六十年代在工程学方面的研究。 有从感知和心理学角度探索人类识别人脸机理的，如美国Texas at Dallas大学的Ab

4、di和Tool小组 ，由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组等 ；也有从视觉机理角度进行研究的，如英国的Graw小组和荷兰Groningen大学的Petkov小组等。,发展历史,第二阶段： 关于人脸的机器识别研究开始于二十世纪七十年代。 Allen 和Parke 为代表，主要研究人脸识别所需要的面部特征。研究者用计算机实现了较高质量的人脸灰度图模型。这一阶段工作的特点是识别过程全部依赖于操作人员，不是一种可以完成自动识别的系统。,发展历史,第三阶段：人机交互式识别阶段。 Harmon 和Lesk 用几何特征参数来表示人脸正面图像。他们采用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。Kaya和Kobayashi 则采用了统计识别方法，用欧氏距离来表征人脸特征。但这类方法需要利用操作员的某些先验知识，仍然摆脱不了人的干预。,第四阶段：20世纪90年代以来，随着高性能计算机的出现，人脸识别方法有了重大突破，才进入了真正的机器自动识别阶段。在用静态图像或视频图像做人脸识别的领域中，国际上形成了以下几类主要的人脸识别方法

5、。,几种主要算法简介,对比,18,算法参数指标,误识率(FAR：False Accept Rate) 表示不同来源的人脸被接受的概率 拒识率(FRR：False Reject Rate) 表示来源相同的人脸被拒绝匹配的概率 其它常见参数指标 可接入人像照片规模 实时比对规模 首选识别率/前N选识别率 错误报警率/正确报警率 人脸比对速度 特征模板大小（内存占用）,对比,1）基于几何特征的人脸识别方法 基于几何特征的方法是早期的人脸识别方法之一 。常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征。脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构的一些先验知识。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。 基于几何特征的识别方法比较简单、容易理解，但没有形成统一的特征提取标准；从图像中抽取稳定的特征较困难，特别是特征受到遮挡时； 对较大的表情变化或姿态变化的鲁棒性较差。,对比,2）基于相关匹配的方法 基于相关匹配的方法包括模板匹配法和等强度线方法。 模板匹

6、配法：Poggio和Brunelli 10专门比较了基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法，并得出结论：基于几何特征的人脸识别方法具有识别速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别方法。 等强度线法：等强度线利用灰度图像的多级灰度值的等强度线作为特征进行两幅人脸图像的匹配识别。等强度曲线反映了人脸的凸凹信息。这些等强度线法必须在背景与头发均为黑色，表面光照均匀的前提下才能求出符合人脸真实形状的等强度线。,对比,特征脸法 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。由于每个特征矢量的图像形式类似于人脸，所以称本征脸。 实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征

7、唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。,对比,除此之外，还有一些其它的识别方法： 基于统计的方法（KL算法、奇异值分解(SVD)、隐马尔可夫(HMM)法）、基于神经网络的方法、 弹性图匹配方法：将物体用稀疏图形来描述 (见下图)，其顶点用局部能量谱的多尺度描述来标记，边则表示拓扑连接关系并用几何距离来标记，然后应用塑性图形匹配技术来寻找最近的已知图形。（缺点是计算量巨大）,实际应用和现状,应用,人脸识别技术有三种应用模式，它们是人像检索模式（DB-SCAN），人像监控模式（Watchlist）和人像验证模式（Verification）,出入境,25,在出入境业务办理过程中，利用人像识别技术查询和比对出入境人员库和常住人口库中的人像数据，确认是否有骗取出入境证件行为。 将出入境人员相片与过往历史人员相片进行比对，从而发现重复办证情况。 利用人像识别技术取代传统人工检验通关模式，简化业务办理流程，提高业务办理效率，实现快速通关。,户政,26,查重：主要是指对大量的人口身份信息

8、进行检索以发现是否存在“同人不同身份”及“同身份不同人”的情况，以协助人口业务部门进行数据清理整顿。 查验：主要是针对办理户口或身份证的人员，在办理的同时利用其相关信息对现有数据进行检索，以确认该人员身份是否唯一，有效发现、解决和防止双重户口和虚假户口等问题。 查询：主要是针对确认身份的人员相片，在人口人像库中进行检索，以确认该人员身份，挖掘出更换身份的在逃人员或犯罪嫌疑人，为公安机关打击犯罪、行政管理提供有力手段。,治安,27,人员身份核实：在当一个案犯或者嫌疑人被抓获而不承认自己真实身份的时候，可以用人像识别技术自动识别出他的身份。 视频监控实时比对：利用现有公安治安视频监控系统、治安卡口视频监控系统等中的监控视频，获取每个进入公共场所通道、机场海关安检口、车站、旅店等的人员的面貌信息，并利用人像识别技术进行实时比对和识别，一旦发现特征符合的人员后即可发出警报信号通知安保人员，实现自动预警、报警以及迅速布控和出警，提高治安监控管理的效率和智能化水平。 警用PDA实时比对（移动警务）：当公安民警、便衣在值勤时，凭职业敏锐的感觉发现可疑人员，使用警用PDA让该人员协助拍相，通过内网传输

9、到中心人库做比对，在把此人的比对结果快捷返回，从而知道此人是否为犯罪嫌疑人，提高打击犯罪力度，震慑不法人员。,考试,28,各科目考试时，根据各科目考试的实际应用系统和考试流程，在考试前、考试中和考试后对考生拍照并使用人像识别技术与受理时录入的相片进行比对，以确认考生身份，杜绝考试时冒名顶替的情况； 选择一张经人像识别系统比对后的相片打印在成绩单上。,发展现状,29,国内人脸识别公司 1、云从科技（Cloudwalk） 2、商汤科技（SenseTime） 3、旷视科技（FACE+） 4、海康威视（HIKVISION）,发展现状,30,1、云从科技 背靠“计算机视觉之父”，中科院实验室创业团队创立云从科技 云从科技团队成员除了来自中科大的校友外，还来自中国科学院各大研究所、UIUC、IBM、NEC、MicroSoft等全球顶尖学府及研究机构； 截止2016年11月，成立一年半，研发团队扩展为200余名，为全国最大的人脸识别研发团队；并且在金融、安防、教育等领域分别开始了商业化探索，IBIS平台让其成为银行业第一大供应商，动态人脸识别系统在广东的应用成为标杆，被全国推广； 主要成就 首个刷脸支付原型系统。 首个商用人脸识别远程开户系统。 在中科院内部所有计算机视觉团队中脱颖而出， 独家负责战略先导科技A类专项。 唯一一家参与人脸识别国标、部标、行标制定的研发企业。 唯一一家让四大行之一在全国范围用上人脸识别的企业。 根据2B行业的实际需求打造了全产业链模式、快速部署平台。 在POC测试中大幅领先来自日本、德国的人脸识别大厂。,发展现状,31,4、Face+ 清华创业团队推出人脸云识别开放平台 Face+ Face+ 团队成员除了几名来自清华校友外，还有来自美国哥伦比亚大学、英国牛津大学和美国南加州大学的科研及开发人员。 并且在金融、安防、零售领域分别开始了商业化探索成功发育出Face+Financial，Face+Security，Face+BI等垂直人脸验证解决方案产品。 Face+旨在提供简单易用，功能强大，平台通用的视觉服务，让广大的Web及移动开发者可以轻松使用最前沿的计算机视觉技术，从而搭建个性化的视觉应用。Face+同时提供云端REST API以及本地API（涵盖

《人脸识别简述》由会员206****923分享，可在线阅读，更多相关《人脸识别简述》请在金锄头文库上搜索。