人脸识别技术分析解读
人脸识别技术分析
近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。
对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。
在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
国外远距离人脸识别的研发情况
近年来，国际上对人脸及人脸面部表情识别的研究逐渐成为科研热点，很多机构都在进行这方面的研究，吸引了大量的研究人员和基金支持，其中走在前边的主要是美国、欧洲、英国和日本等国家。在远距离人脸研究方面，主要是采用主动视觉的方法进行设计和开发，集中用于人脸图像采集和识别目的的自动目标选择和摄像机控制系统，以下介绍一些主要的实现方式。
第一，美国乔治亚理工学院在较早前的工作中，研发了一套由一对WFOV摄像机和一对NFOV摄像机构成的主动视觉系统。该系统用于人机互动，应用范围仅为几米远，但可检测皮肤颜色，并采用三角测量法进行3D定位，并自动控制NFOV摄像机采集人脸图像、
第二，西门子公司推出了一套实时双摄像机人脸图像采集系统，该系统采用了安装于头顶的全景摄像机进行目标定位，PTZ摄像机采集人脸图像。
第三，卡内基梅隆大学机器人学院研发的远距离人体识别系统（DHID），通过远距离拍摄视频进行人脸和步态双重识别。该系统采用了一个具有60°视场的WFOV摄像机，从50米外对目标进行追踪，采集放大的视频序列和人脸图像分别进行步态识别和人脸识别。
第四，意大利热那亚大学的Marchesotti等人采用双摄像机系统远距离采集人脸图像，在WFOV视频中采用了-blob检测器进行人体检测，并通过一台NFOV摄像机采集目标人脸图像。
第五，IBM公司研发了一套人脸分类器，采用了双几何刻度的WFOV摄像机进行人体检测，重叠覆盖了6米×6米的图像采集区域，在每个WFOV摄像机视场中应用了多-blob2D 追踪器，并通过一个3D多-blob追踪器在真实世界坐标系统中确认头部位置。
第六，伦敦大学计算机科学学院开发了一种远距离人脸图像采集方法，该方法的目标是对人体姿势和部分遮挡具有稳健性，该系统由一套具有135°视场的静止WFOV摄像机和具有13°视场的NFOV摄像机组成。为了提高对部分遮挡的稳健性，系统在WFOV视场中直接检测人脸的位置而不是整个身体的位置，人脸检测结合了运动检测、背景建模和皮肤检测，然后由NFOVPTZ摄像机采集高分辨率人脸图像。
第七，牛津大学主动视觉实验室提出了用于人脸图像采集的多摄像机主动监控系统的架构。在该架构中，人体追踪器与每一个WFOV摄像机相连，采用了高级推理算法并通过SOL 数据库共享数据。WFOV追踪器的人体检测结果自动指示NFOV摄像机瞄准目标。此外，采用NFOV摄像机追踪人脸时，在追踪过程中采用了速度控制系统。
第八，通用电气全球研发中心设计了一套基于多摄像机追踪架构的远距离监控的人脸图像采集原型系统，该系统采用了4台视场相互叠加的WFOV摄像机进行人体追踪，追踪面积达到300平方米，人体追踪在现实坐标下进行，并控制4台NFOVPTZ摄像机进行人脸图像采集。该系统进行人群的长期监控，通过人脸识别建立追踪目标的身份，之后系统评估个体间关系的紧密程度以掌握其社交网络。
基于主动视觉的FRAD系统
美国洛克西德马丁公司资助通用电气全球研发中心完成了对远距离人脸识别开发的一个原型系统，其称之为“生物特征监控系统”，该系统是一套基于多摄像机追踪架构的远距离监控的人脸图像采集原型系统，系统应用固定的WFOV摄像机进行可靠的人体检测和追踪，并采用卡尔曼滤波器对人体位置进行追踪，确保预测出PTZ摄像机能够采集到人脸图像的位置。人体追踪系统可同时处理视场内的多个目标，优先选择系统会选择一个目标进行图像采集，这时摄像机将逐一快速对准目标，确保能够采集到视场内所有目标的人脸图像，最后采用商业人脸识别器进行人脸图像处理。实践表明，该系统的人体定位距离可达25～50米，人脸图像采集距离可达15～20米。
该系统的一个重要创新是将生物特征识别与可靠的地面人体追踪器结合起来，在使用时人一旦进入WFOV摄像机视场内，追踪器就能够锁定该目标直到目标走出摄像机视场。在应用中，摄像机采集到的人脸图像和识别结果会与存储于内部数据结构的追踪目标ID进行关联，这样可以在长时间内累积识别信息，允许目标选择系统选择还未识别的追踪目标。该
系统具有多个可配置运行模式，包括自动注册和基于网络的自动注册数据共享（当目标从一个摄像机区域移动到另一个摄像机区域后，允许重复目标识别）。
1.系统的应用设计
（1）硬件
该系统可由多个节点组成，每个节点由一对WFOV和NFOV摄像机构成，摄像机置于标准的架高工作台上，两台摄像机均为索尼的EV1-HD1，摄像机通过串口VISCATM接口连接，其中WFOV摄像机分辨率为640×480，30Hz（NTSC），固定角度；NFOV摄像机分辨率为1280×720，30Hz，其角度、转向和放大倍数由计算机控制。
（2）人体检测和追踪
在WFOV静态摄像机视场中检测并追踪移动的人体，由于摄像机是静止的，所以该系统采用了背景差分法检测移动目标。系统对每一个像素的每一个颜色分量分布采用了自适应的参数模型，任何与建模不符的像素都将被认定为前景像素。在追踪的过程中，焦距、WFOV 摄像机的方向和位置等内外参数都通过一个计算过程得出，这些参数通过真实坐标与WFOV 摄像机视频帧映射得到。假定一个人在行走，计算视频中包含整个人体的可行区域，那些能够匹配可行区域的前景像素簇即为检测到的人体。人体检测过程在WFOV视频中以10Hz的频率进行，其中采用了卡尔曼滤波器，这使得系统对于瞬时干扰更加稳定，并且卡尔曼滤波器提供了追踪目标的速度，这样就可以预测目标的前行位置。
（3）PTZ控制器
PTZ控制器主要是对PTZ摄像机的平移、旋转、放大倍数的控制。在具体操作时，根据WFOV摄像机画面对NFOV摄像机画面进行计算，首先NFOV摄像机处于原始位置，即平移和倾斜角度0°，放大倍数为1，采用点对应估算WFOV和NFOV摄像机画面中同一点的位置关系。NFOV摄像机经过进一步计算，以确定平移、倾斜和放大设置对其画面的影响。在这个计算的过程中，十分精确和重要的部分是摄像机的放大点，放大点就是当放大倍数改变时真实世界坐标不变的点，通常是一幅图像的中心。实践表明确切的放大点根据设备的不同而不同，当对远距离物体采用高放大倍数时，即使很小的放大点偏移也会影响抓拍目标的准确性。在该计算过程中，一旦在WFOV视频中确定了目标位置和区域尺寸，就直接确定了NFOV平移、倾斜和放大倍数的设置，这会使得目标图像填满整个NFOV的画面。
（4）目标选择
对于目标的选择，一般在低分辨率的WFOV视频中可能会检测和追踪到多个目标，因此该系统采取了优先选择机制选择目标，自动控制NFOVPTZ摄像机采集目标的高分辨率人脸图像。目标优先选择基于目标的历史记录和当前状态，对于每一个被追踪的目标都有一个用于优先选择的目标记录。该记录包括过去目标被检测的次数、人脸图像采集的次数和人脸识别的成功次数。通过人体追踪器中的卡尔曼滤波器可以确定以下几个参数：目标到摄像机节点间的距离、方向余弦和目标的速度。（方向余弦是指目标行走方向与摄像机方向夹角的余弦，表明了目标正脸与摄像机节点间的角度。）
表1用于计算目标得分的参数
使用以上信息对被追踪目标进行评分，评分最高的将被选为人脸图像采集对象。评分的得出主要是将每一参数乘以一个系数，并对结果进行省略处理再相加，最后得到最终的评分，如表1所示为一组参数和系数。例如，目标的方向余弦乘以系数10，然后限定于[-8,8]内，再与其它分数相加就得到评分。类似地，目标的速度（米/秒）乘以10，限定于[0,20]的范围内，目标移动得快意味着会更快离开覆盖区域，所以增加了优先选择的分数。而采集次数、成功采集人脸图像的次数和成功识别人脸的次数的系数都为负数，这将对优先选择减分，减少系统重复采集。系统为各个参数限定了范围，可避免任何一个单独的参数过大而影响优先选择分数。总之，优先选择过程是在挑选行进速度快、面向摄像机的目标。在实际中，目标选择机制使得系统能够从一个目标向另一个目标移动，去选择未出现过的、有用的人脸图像。
一旦选定了目标，人体追踪器中的卡尔曼滤波将预测出目标在下0.5～1.0秒的人脸位置，然后NFOV摄像机将调解放大倍数等参数指向该位置，直到目标经过。这个做法为系统留有完成平移、倾斜和放大设置的时间，当目标经过NFOV摄像机画面时，目标的人脸和上身将通过NFOV摄像机视频画面的中心，然后由基于NFOV视频图像的人脸检测模块进行人脸检测和采集。一旦完成采集，系统将马上开始选择新目标，即系统大约每隔1～2秒指示摄像机采集一幅新的人脸图像。
除了选择目标和确定NFOV摄像机指向的位置外，系统还必须选择NFOV摄像机的放大倍数。放大倍数与成功采集人脸的几率间存在一个平衡，高放大倍数可获得高分辨率的人脸图像，但任何目标追踪上的差错都将使人脸采集成功率大大降低。该系统采用了一种自适应的放大倍数选择方法，如果一个目标从没被成功采集过人脸图像，那么初始采集人脸图像分辨率的目标设定为双眼间30个像素。然后，每次以某分辨率成功采集人脸图像后，其分辨率目标值将提高20%，如果系统重复采集该目标图像，其分辨率将逐渐提高。人脸图像的分辨率目标值和人的距离决定了NFOV摄像机的放大倍数。
NFOV摄像机具有自动和手动对焦模式，NFOV摄像机的自动对焦功能偶尔会出现对焦不准模糊的情况，不过利用目标位置和距离两个数据可以解决这个问题。在使用中，独特的摄像机设备和典型的目标距离使得焦距相对较远，所以在使用时不必知道非常精确的目标距
离，只有当焦距调整超过几米的可调阈值范围内时才需要调整摄像机的焦距。
（5）人脸检测和剪切
在人脸检测和剪切方面，目标锁定程序指示NFOV摄像机连续监视NFOV摄像机视频流中的人脸图像，采用匹兹堡模式识别FT-SDK检测NFOV视频中每一帧的人脸。这个过程的运行频率为10Hz，与图像刷屏率相同保持实时操作。如果在一帧图像中检测到了多个人脸，系统只选择最靠近图像中心的人脸，其更可能是选定的目标，然后将目标人脸图像剪切下来，异步传输至人脸识别器，同时告知目标锁定器人脸采集完毕，然后更新目标记录。
（6）人脸识别
当人脸识别器接收到新的剪切人脸图像后，系统将创建人脸采集记录并存储该图像。人脸识别器根据图像采集的时间询问目标锁定器，以确定人脸图像来自哪个追踪目标ID。目标锁定器保存一个追踪目标的时间记录作为ID号，人脸采集记录与之相关联。系统可以以10Hz的频率采集人脸图像，但是人脸识别每幅图像通常需要0.5～2秒的时间，这主要取决于算法。一般情况下，识别与采集并不同步，所以人脸识别是异步进行的。
在处理环节中，重复应用人脸识别器识别最新采集的未识别图像，结果存储于人脸图像采集记录中，未处理的人脸图像在30秒后被丢弃。人脸识别次数和结果存于目标记录中的人脸图像采集记录中，并显示于程序中。人脸识别结果传递至目标锁定器以更新目标记录，人脸识别结果同时被GUI使用以标注WFOV视频中被追踪目标的名字。
本系统配有可选的自动注册功能可以利用每一个追踪目标的目标记录，这是一个可配置的基于规则的过程，其目标是利用采集到的未注册且适于注册的人脸图像进行自动注册。自动注册目标必须具有至少一幅质量超过人脸识别匹配阈值的人脸图像，并且采用至少4幅不同的人脸图像进行识别的结果均为失败。这个过程可帮助确保用于自动注册的人脸图像确实是未知图像。
性能评估
为了测试该生物特征监控系统的性能，通用公司设计了一个实验模仿交通运输枢纽中心的情况，如机场或地铁站。系统被安置于室内和室外的固定位置。室内测试在一个很长（宽大约为9米）的走廊内进行，光照为来自窗户的自然光和屋顶的几个日光灯。这个走廊与机场航站楼相似，如图1所示。此地的光照情况随着时间和天气而变化，从晴朗天气的很亮到阴雨天或夜晚的昏暗。在进行室外测试时，摄像机分别朝向和背对太阳，试验进行了6天以经历不同的变化。在试验过程中，被测试目标以自然的方式步行穿过走廊或室外区域。
表2试验数据
第一项试验将评估人体检测和人脸图像采集的性能，表2所示为采集数据，图3中的直方图为初始人体检测和初始人脸采集的距离。尽管被测目标的行为是可控的，但此过程中出现了其他非测试人员，包括在摄像机视场中静止不动的人员。这些非测试人员甚至并不知晓正在进行测试。在全部的466次试验中，只有1例人体检测失败和8例人脸采集失败，原因是该目标或其脸部以某种方式被遮挡。
在第二项试验中对人脸识别性能进行了评估，采用CognitecFaceVACS?人脸识别算法（阈值为0.5）的识别率。这项试验包括30组，所有组均识别成功。
表3试验数据
表3为人体检测、人脸检测和人脸识别的均值和标准方差，我们可以看到，人体检测和人脸采集的平均范围大约是人脸识别的两倍，这是由于人脸识别算法需要高分辨率人脸图像，这也是现有人脸识别算法的局限性。
结语
通用公司的人体生物特征监控系统的主要是通过目标追踪、目标选择和自动PTZ摄像机控制进行人脸图像采集，目标是采集高分辨率人脸图像，并通过第三方人脸识别软件进行识别。这种基于自动摄像机控制的远距离人脸识别系统可以在目标不知情或非合作的情况下，在相对大的范围内进行人体生物特征识别，其可应用于很多重要场合，而其他的生物特征识别技术如指纹、虹膜等都需要被识别人的合作以及近距离采集。该生物特征监控系统可以在20～25米远的距离追踪目标，识别距离最大可达20米。目前类似这样的系统已经在实践中得到较好的应用，显现出远距离人脸识别良好的应用前景。
读书的好处
1、行万里路，读万卷书。
2、书山有路勤为径，学海无涯苦作舟。
3、读书破万卷，下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文
5、少壮不努力，老大徒悲伤。
6、黑发不知勤学早，白首方悔读书迟。——颜真卿
7、宝剑锋从磨砺出，梅花香自苦寒来。
8、读书要三到：心到、眼到、口到
9、玉不琢、不成器，人不学、不知义。
10、一日无书，百事荒废。——陈寿
11、书是人类进步的阶梯。
12、一日不读口生，一日不写手生。
13、我扑在书上，就像饥饿的人扑在面包上。——高尔基
14、书到用时方恨少、事非经过不知难。——陆游
15、读一本好书，就如同和一个高尚的人在交谈——歌德
16、读一切好书，就是和许多高尚的人谈话。——笛卡儿
17、学习永远不晚。——高尔基
18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向
19、学而不思则惘，思而不学则殆。——孔子
20、读书给人以快乐、给人以光彩、给人以才干。——培根
基于ARM9的人脸识别系统 嵌入式报告 课程设计
嵌入式课程设计报告 学院信息电子技术 专业通信工程 班级 学号 姓名 指导教师 2017年07月01日
基于ARM9的人脸识别系统 一、引言 人脸识别背景和意义 人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。 二、系统设计 1、硬件电路设计 （1）ARM9处理器 本系统所采用的硬件平台是天嵌公司的TQ2440开发板，该开发板的微处理器采用基于ARM920T内核的S3C2440芯片。 ARM9对比ARM7的优势：虽然ARM7和ARM9内核架构相同，但ARM7处理器采用3级流水线的冯·诺伊曼结构，而ARM9采用5级流水线的哈佛结构。增加的流水线设计提高了时钟频率和并行处理能力。5级流水线能够将每一个指令处理分配到5个时钟周期内，在每一个时钟周期内同时有5个指令在执行。在常用的芯片生产工艺下，ARM7一般运行在100MHz左右，而ARM9则至少在200MHz 以上。指令周期的改进对于处理器性能的提高有很大的帮助。性能提高的幅度依赖于代码执行时指令的重叠，这实际上是程序本身的问题。对于采用最高级的语言，一般来说，性能的提高在30%左右。ARM7一般没有MMU(内存管理单元），（ARM720T有MMU）。 （2）液晶显示屏 为显示摄像头当前采集图像的预览，系统采用三星的320x240像素的液晶屏，大小为206.68cm。该液晶显示屏的每个像素深度为2bit，采用RGB565色彩空间。 （3）摄像头 摄像头采用市场上常见的网眼2000摄像头,内部是含CMOS传感器的OV511+芯片。CMOS传感器采用感光元件作为影像捕获的基本手段,核心是1个感光二极
人脸识别技术
人脸识别技术 人脸识别 人脸识别技术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。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处
2019年我国人脸识别技术发展情况及发展趋势综合分析
2019年我国人脸识别技术发展情况 及发展趋势综合分析 2019年2月14日 一、全球生物识别细行业市场占比情况分析 生物识别指的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相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。 用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计2015-2020年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为100%；虹膜识别为100%；指纹识别复合增长率为73%。
全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。其中，2014年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为97.52%，可以说深度学习技术让计算机人脸识别能力超越人类的识别程度。
人脸识别与其他生物识别方式相比，优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。 2、3D人脸识别与2D人脸识别数据对比 目前，国内的人脸识别技术已经相对发展成熟，该技术越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品，产品系列达20多种类型，可以全面覆盖煤矿、楼宇、银行、军队、社会福利 保障、电子商务及安全防务等领域，人脸识别的全面应用时代已经到来。 中游人脸识别技术的进步，是推动下游场景应用拓展的关键所在。目前，人脸识别市场的解决方案主要包括2D识别、3D识别技术。市场上主流的识别方案是采用摄像头的2D方案，但由于人的脸部并非 平坦，因此2D识别在将3D人脸信息平面化投影的过程中存在特征信息损失。3D识别使用三维人脸立体建模方法，可最大程度保留有效 信息，因此3D人脸识别技术的算法比2D算法更合理并拥有更高精度。
人脸识别技术原理解析
人脸识别技术原理解析 你还记得电影里的这些情节吗？《变形金刚2》中，年轻的男主角和他的小伙伴们过关卡时，虽然骗过了值班军人，却被军方的人脸识别技术发现。2014年翻拍版的《机械战警》中，机械战警第一次面对大众公开亮相，就在人群中不停地扫描所有人脸，同时将获取的人脸在通缉犯资料库中作比对，瞬间就发现看热闹的人群中有一个逃逸多年的通缉犯，并将其制服。其他还有许多电影中，但凡是美国的机要部门，进门就要扫描各种生物特征，从早年电影中的指纹、虹膜，到现在的人脸。 人脸识别到底是什么？ 人脸识别，是视觉模式识别的一个细分问题，也大概是最难解决的一个问题。其实我们人每时每刻都在进行视觉模式识别，我们通过眼睛获得视觉信息，这些信息经过大脑的处理被识别为有意义的概念。于是我们知道了放在我们面前的是水杯、书本，还是什么别的东西。 我们也无时无刻不在进行人脸识别，我们每天生活中遇到无数的人，从中认出那些熟人，和他们打招呼，打交道，忽略其他的陌生人。甚至躲开那些我们欠了钱还暂时还不上的人。然而这项看似简单的任务，对机器来说却并不那么容易实现。 对计算机来讲，一幅图像信息，无论是静态的图片，还是动态视频中的一帧，都是一个由众多像素点组成的矩阵。比如一个1080p的数字图像，是一个由1980*1080个像素点组成矩阵，每个像素点，如果是8bit的rgb格式，则是3个取值在0-255的数。 机器需要在这些数据中，找出某一部分数据代表了何种概念：哪一部分数据是水杯，哪一部分是书本，哪一部分是人脸，这是视觉模式识别中的粗分类问题。 而人脸识别，需要在所有机器认为是人脸的那部分数据中，区分这个人脸属于谁，这是个细分类问题。 人脸可以分为多少类呢？ 取决于所处理问题的人脸库大小，人脸库中有多少目标人脸，就需要机器进行相应数量的细分类。如果想要机器认出每个他看到的人，则这世界上有多少人，人脸就可以分为多少
人脸识别课程设计论文(完美版)
前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
人脸识别发展趋势及应用领域分析
人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考
人脸识别相关技术分析报告汇总
人脸识别相关技术 分析报告 2015年10月 目录 第一章分析概述 (3) 一、背景调研 (3)
二、检索及分析内容 (3) 第二章人脸识别专利态势及技术研发分析 (5) 一、专利态势及技术研发分析 (5) （）人脸识别专利申请趋势分析 (51) （）技术生命周期 (26) （）人脸识别技术构成 (37) （）人脸识别竞争对手分析.............................................................................................................. 8 4二、技术路线分析.. (9) （）人脸定位技术路线 (91) （）图像获取技术路线.................................................................................................................. 2 10 （）人脸跟踪技术路线 (311) 分析概述第一章 一、背景调研人脸检测识别技术是基于人脸特征来进行身份识别的技术。与其他识别方式相比，由于人脸始终暴露在外面，采集人脸特征有直接、友好、方便的特点。现在，国际银行组织、国际民航组织的生物特征识别护照的标准中明文规定必选的特征是人脸，可选的特征是指纹、虹膜或者在其它特征中任何一种。目前我国公民的第二代身份证有嵌入可机读的人脸图像信息，这也为下一步人脸识别广泛应用打下有利的基础。上世纪九十年代以来，人脸检测识别技术研究达到了高潮时期，一批具有代表性的论文和算法产生，自动人脸识别技术也得到了长足的发展，相关机构组织了如人脸手势识别等专门的国际学术会议。另外，现在很多的研究型理工大学和兀公司都在着手人脸检测识别研究。领域南加州大学、内最著名的国际研究机构包括：美国麻省理工学院媒体实验室及人工智能实验室、清华大学计算机系、卡内基一梅隆大学机器人研究及交互系统实验室等。在我国，马里兰大学、电子系瞻嘲、中科院自动化所阳吲、南京理工大学、南京航空航天大学、哈尔滨工业大学等进行了许多很有意义的尝试，积累了经验。国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法和基于连接机制的人脸识别方法。人脸识别由于具有直接、友好、方便的特点，使用者无任何心理障碍，易于被用户所接受，从(4)(3)档案管理系统(2)安全验证系统信用卡验证(1)而得到了广泛的应用。主要在以下几个方面：人机交互等。(5)银行和海关的监控(6)公安系统的罪犯身份识别基于人脸图像比对的特征提取(4)(3)(1)人脸识别系统包括：人脸图像的获取(2)人脸的检测身份识别(5)基于人脸图像比对的身份验证 二、检索及分析内容 本分析对人脸识别相关专利进行了中国专利检索，检索采用国家知识产权局专利数据库，以该专利数据为基础对其相关技术进行了分析，以期能从战略层面为汉柏的技术研发、专利布局和专利风险预防提供借鉴参考。 具体分析项如下： （1）专利申请趋势分析 （2）技术构成
人脸识别课程设计报告
用Matlab实现人脸识别 学院：信息工程学院 班级：计科软件普131 成员：
一、问题描述 在一个人脸库中，有15 个人，每人有11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。
二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前k 个最大的特征值的特征向量构成K-L 变换矩阵。 2）主成分的数目的选取 保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含N 个像素点，它可以用一个N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对
锐目AMS人脸识别精准广告及大数据分析系统方案
AMS人脸识别精准广告及大数据分析 解决方案 锐目科技
目录第1章连锁商超行业现状3第2章系统核心价值4 第3章系统优势5 第4章系统功能8 第5章系统涉及11
第1章连锁商超行业现状 目前，我国的零售行业发展呈现出规模大型化、组织集团化、经营多元化和向新业态延伸的特点。从市场形势看，大型百货商场表现为如下现状： 1.1连锁商超行业销售额增长速度放缓 近年来，由于网络B2C（Business To Customer，商业机构对消费者的电子商务模式，以京东商城为代表），C2C(Customer To Customer，个人向个人销售的经营模式，以Taobao为代表)等销售模式的出现，传统的零售业面临新的挑战。同时，目前经济呈现的高通货膨胀事态抑制了消费意愿；国家对零售业监管不断加强，类似限制购物卡发售，清理整顿大型零售企业向供应商违规收费等政策不断出台。以上因素造成了零售业发展趋于放缓。 1.2运营成本增加 在销售额增速放缓的同时，企业运行成本却在不断攀升。2016年连锁零售企业人工费用上涨26%，租金成本上升10%，员工工资都占到成本的40%以上。 1.3同质化程度高、顾客忠诚度差 目前，国内百货店普遍采取联营方式，导致千店一面、同质化程度高、顾客忠诚度差等问题明显。百货店未来要想形成差异化经营，寻找更大的利润空间，培养更多忠诚顾客，自营是发展的必然趋势。眼下，国内一些百货企业已经开始扩大了自营比例，但联营转自营还需要一个比较漫长的过程。 1.4同业过度扩张竞争 从近年的发展情况看，多数城市的百货零售企业建设速度远远超过了居民实际购买力增长水平。为了扩大销售、提高市场份额，各商家把利润降到最低限度。大量对利润率预期较低的商超使行业的收益水平进一步恶化。
人脸识别技术分析
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
智能分析动态人脸识别系统专业技术需求书
智能分析(动态人脸识别）系统技术需求书一、概述 动态人脸识别智能分析系统是以数字化、网络化视频监控为基础,是一种更高端的视频监控应用。视频智能分析(动态人脸识别)系统能够自动识别不同的物体，发现监控画面中的异常情况,并能够及时发出警报和提供有用信息,从而能够更加有效的协助管理人员处理危机,并最大限度的降低误报和漏报现象。视频智能分析（动态人脸识别）系统是视频监控技术发展的方向,是未来视频监控的趋势。 随着人脸识别技术的进一步发展，将人脸识别技术与数字监控系统的进一步融合,同时人脸识别与监控技术的结合在安防领域中得到了重用。一方面在人脸识别技术已经找很多的行业领域上已经实践的证明,这项技术为安防管理业务创新提供了很大的技术支持,也为日常安保管理效率有了很大的提高和成本的节省。以《全国监狱信息化建设规划》提出的“科技兴监”的思想为指导,随着人像技术不断的创新和发展,成熟的人像识别技术完全可以结合现在监狱管理业务,特别针对监狱人员进出管理业务，现在成熟的人像识别技术能在当中发挥巨大的作用，为监狱的相关管理做出更多有效可行的创新和改变，可以对行业内的原有业务管理流程进行优化和简化，同时也提高相关业务管理效率和质量。 二、总体要求 1.功能需求 ★本次项目建设的人脸识别智能分析系统需要无缝接入监狱视频监控平台、监狱综合安防管理平台以及省局综合安防管理平台。本次投标费用包括完成本次建设的新系统与原平台及系统的对接开发工作,中标方不得再向建设方申请开发费用(投
标时提供纸质承诺)。 1.1罪犯人脸识别布控需求 在监狱B门内警戒区域,精确捕捉在布控区域内出现人员的面部特征及场所内场景，对所有出现在布控区域内的人员实施“近”距离监控。自动抓拍出现在布控区域内人员的人脸图象,将所有的在押人员设置成布控对象，并与布控库中的对象实时比对,一旦在押人员到达该布控区域，系统会自动识别并报警。 １.２ AB门车辆识别需求 当前监狱系统AB门车辆识别采用人工检测方式,通过人工对比车牌号、车辆型号、车辆驾驶员进行管理，管理人员工作量大,容易出错,需要一套自动识别系统来减轻管理人员的工作量。 项目计划采用视频智能分析（动态人脸识别)系统,针对监狱构建了高度可靠的AB门通道出入车辆及人员身份识别，通过动态人脸识别技术对关押犯人实时监控管理等，构建一套集动态人脸识别与分析应用于一体、统一数据标准和接口规范的监狱人脸识别应用系统。提供人脸动态识别、视频监控智能分析、监测设备运行、基于大数据技术构建一个服务管理系统，实现视频图像资源的融合汇聚、集中管控、交互整合，为构建监狱系统的“智慧大脑“奠定基础。 2．兼容性需求 ★建设的设备,必须具有开放性，中标方须承诺项目所涉及的软硬件需要全部免费提供开放接口及底层SDＫ开发包接口完全免费开放,可提供给第三方进行系统集成开发（投标时提供纸质承诺）。 ３.建设要求 1、设备选型时各系统应整体考虑各子系统之间的接口问题，特别是所提供设备
基于matlab的人脸识别课程设计
目录 摘要...................................................................... III 第1章绪论............................................................. - 1 - 1.1人脸识别技术的细节 . (1) 1.2人脸识别技术的广泛应用 (1) 1.3人脸识别技术的难点 (2) 1.4国内外研究状况 (2) 1.5人脸识别的研究内容 (3) 1.5.1人脸识别研究内容............................................... - 3 - 1.5.2人脸识别系统的组成............................................. - 4 - 第2章人脸识别方法..................................................... - 6 - 2.1基于特征脸的方法 (6) 2.2基于神经网络的方法 (6) 2.3弹性图匹配法 (7) 2.4基于模板匹配的方法 (7) 2.5基于人脸特征的方法 (7) 第3章 PCA人脸识别方法................................................. - 9 - 3.1引言 (9) 3.2主成分分析 (9) 3.3特征脸方法 (11) 第4章仿真实验........................................................ - 13 - 4.1流程图 (13) 4.2仿真结果 (14) 第5章总结与展望...................................................... - 15 - 5.1总结.. (15) 5.2展望 (15)
智能分析报告动态人脸识别系统技术需求书
智能分析(动态人脸识别)系统技术需求书一、概述 动态人脸识别智能分析系统是以数字化、网络化视频监控为基础，是一种更高端的视频监控应用。视频智能分析（动态人脸识别）系统能够自动识别不同的物体，发现监控画面中的异常情况，并能够及时发出警报和提供有用信息，从而能够更加有效的协助管理人员处理危机，并最大限度的降低误报和漏报现象。视频智能分析（动态人脸识别）系统是视频监控技术发展的方向，是未来视频监控的趋势。 随着人脸识别技术的进一步发展，将人脸识别技术与数字监控系统的进一步融合，同时人脸识别与监控技术的结合在安防领域中得到了重用。一方面在人脸识别技术已经找很多的行业领域上已经实践的证明，这项技术为安防管理业务创新提供了很大的技术支持，也为日常安保管理效率有了很大的提高和成本的节省。以《全国监狱信息化建设规划》提出的“科技兴监”的思想为指导，随着人像技术不断的创新和发展，成熟的人像识别技术完全可以结合现在监狱管理业务，特别针对监狱人员进出管理业务，现在成熟的人像识别技术能在当中发挥巨大的作用，为监狱的相关管理做出更多有效可行的创新和改变，可以对行业内的原有业务管理流程进行优化和简化，同时也提高相关业务管理效率和质量。 二、总体要求 1.功能需求 ★本次项目建设的人脸识别智能分析系统需要无缝接入监狱视频监控平台、监狱综合安防管理平台以及省局综合安防管理平台。本次投标费用包括完成本次建设
的新系统与原平台及系统的对接开发工作，中标方不得再向建设方申请开发费用（投标时提供纸质承诺）。 1.1罪犯人脸识别布控需求 在监狱B门内警戒区域，精确捕捉在布控区域内出现人员的面部特征及场所内场景，对所有出现在布控区域内的人员实施“近”距离监控。自动抓拍出现在布控区域内人员的人脸图象，将所有的在押人员设置成布控对象，并与布控库中的对象实时比对，一旦在押人员到达该布控区域，系统会自动识别并报警。 1.2 AB门车辆识别需求 当前监狱系统AB门车辆识别采用人工检测方式，通过人工对比车牌号、车辆型号、车辆驾驶员进行管理，管理人员工作量大，容易出错，需要一套自动识别系统来减轻管理人员的工作量。 项目计划采用视频智能分析（动态人脸识别）系统，针对监狱构建了高度可靠的AB门通道出入车辆及人员身份识别，通过动态人脸识别技术对关押犯人实时监控管理等，构建一套集动态人脸识别与分析应用于一体、统一数据标准和接口规范的监狱人脸识别应用系统。提供人脸动态识别、视频监控智能分析、监测设备运行、基于大数据技术构建一个服务管理系统，实现视频图像资源的融合汇聚、集中管控、交互整合，为构建监狱系统的“智慧大脑“奠定基础。 2.兼容性需求 ★建设的设备，必须具有开放性，中标方须承诺项目所涉及的软硬件需要全部免费提供开放接口及底层SDK开发包接口完全免费开放，可提供给第三方进行系统集成开发（投标时提供纸质承诺）。
人脸识别技术分析及测试
去年，人们的朋友圈被一个名为“how-old”的网页刷屏了，当用户把个人照片上传后，它就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成的，它们分别是人脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础，而年龄检测和性别检测，它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、收集可学习的数据，建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关键点来得出结论，比如瞳孔，眼角或鼻子——它们会随着年龄而发生明显的变化。 传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别、热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以降下来，现在国内人脸识别前沿厂商多采用三维图像的方法。 人脸识别核心基础—算法 人脸识别最核心的基础是算法，主流算法大致有基于特征点、基于模板、基于光照估计模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法，其细节隐藏在连接节点（神经元）和节点之间的权值中，而这些权值却是没有明确现实意义的（无法确定哪些权值与哪些属性有关，也就是说这种神经网络是同构的），这就导致了先验信息很难加入到网络的训练过程中。但在实际应用中，如果知道权值与属性之间的对应关系，将会给深度神经网络的应用带来非常大的便利。例如，已有一个用于人脸身份识别的深度神经网络模型和少量具有种族标记的人脸图像数据（假设此种族的数据在之前训练数据中没有出现过），现在想更新网络参数并将此网络用于人脸种族识别。由于深度神经网络通常具有非常多（百万级）的参
数字图像处理课程设计——人脸检测与识别
： 数字图像处理 课 程 设 计 ] $
: 人脸检测与识别课程设计 一、简介 人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变 性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机 (SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验
证了本算法是有效的。 二、人脸检测 1.》 2.源码 img=imread('D:\std_test_images\'); figure; imshow(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B; ~ figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=*R+*G+*B; faceRgn2=(r>&(r<&(g>&(g<&(r>g)&g>='Boundingbox'); BB1=struct2cell(BB); BB2=cell2mat(BB1); ) figure; imshow(img); [s1 s2]=size(BB2); mx=0; for k=3:4:s2-1 p=BB2(1,k)*BB2(1,k+1); if p>mx&(BB2(1,k)/BB2(1,k+1))< mx=p; ！ j=k; hold on; rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edg ecolor','r'); hold off; end end
人脸识别课程设计附带代码
人脸识别中图像预处理的研究 1.课程设计目的 随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，这一领域除了它的重大理论价值外，也极具实用价值。 如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，开发研究的实际意义更大。然而人脸图像受很多因素的干扰，给识别带来很大难度。国外对于人脸图像识别的研究较早，现己有实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，国内也有许多科研机构从事这方而的研究，并己取得许多成果。 2. 方法综述 特征脸法（PCA）： 把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。 人工神经网络（ANN）法： 通过训练一个网络结构，把模式的统计特性隐含在神经网络的结构和参数之中。基于人工神经网络的方法对于复杂的、难以显式描述的模式，具有独特的优势。 支撑向量机（SVM）法： 在统计学习理论基础上发展出的一种新的模式识别方法，它基于结构风险最小化的原理，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如：模型选择和过
学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：第一，训练时需要求解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持向量会很多，使得分类器的计算量过高。 基于积分图像特征的人脸检测方法: 是Viola等新近提出的一种算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。 3.实验结果与分析 图人脸识别技术处理流程图 人脸图像的获取 一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。 人脸定位 对人脸图像打上网格，对区域块图像做二值分析，通过像素比例来做处理，进而得到人脸区域。 在彩色图像中，颜色是人脸表面最为显著的特征之一，利用颜色检测人脸是很自然的想
人脸识别技术发展及应用分析
人脸识别技术发展及应用分析 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。用摄像机采集人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术处理，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。 市场现状 人脸识别技术的研究始于20世纪60年代末期。 20世纪90年代后期以来，一些商业性的人脸识 别系统逐渐进入市场，但是，这些技术和系统离 实用化都有一定距离，性能和准确率也有待提高。 美国遭遇恐怖袭击后，这一技术引起了广泛关注。作为非常容易隐蔽使用的识别技术，人脸识别逐渐成为国际反恐和安全防范重要的手段之一。近年来，人脸识别在中国市场，也经历着迅速的发展，而且发展的脚步也越来越快。主要原因有以下两方面。 科技的进步 国际上，美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test 2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。在我国，近年来科技界
和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。 应用需求的增加 越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎苛刻，各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，即在一个较复杂的场景中，在较远的距离就识别出特定的人，这显然是其它生物识别方法所欠缺的，而人脸识别却是一个极佳的选择。 技术历程 国家“十一五”科技发展规划将人脸识别技术的研究与发展列入其中，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，开发具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。 传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们最熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但目前这两种技术还远不成熟，识别效果不尽人意。
人脸识别课程设计报告
人脸识别课程设计报 告
用Matlab实现人脸识别 学院：信息工程学院班级：计科软件普131 成员： 一、问题描述
在一个人脸库中，有 15 个人，每人有 11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。 二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前 k 个最大的特征值的特征向量构成 K-L 变换矩阵。 2）主成分的数目的选取
保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含 N 个像素点，它可以用一个 N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵 C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由 u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对应于一幅图像。 4）人脸识别 有了这样一个由"特征脸"张成的降维子空间，任何一幅人脸图像都可以向其投影得到一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。计算数据库中每张图片在子空间中的坐标，得到一组坐标，作为下一步识别匹配的搜索空间。计算新输入图片在子空间中的坐标，采用最小距离法，遍历搜索空间，得到与其距离最小的坐标向量，该向量对应的人脸图像即为识别匹配的结果。 三、实验步骤