人脸识别系统(精).pptVIP

人脸识别系统 二．人脸识别技术综述 为什么选择人脸识别身份？ 人世间找不两张完全一样的脸！ 人脸是人类赖以区分不同人的基本途径 世间一切尽在脸上！ 基因 + 成长环境 提纲 从模式识别到人脸识别 人脸识别的背景知识 人脸识别的基本原理 人脸检测与识别的典型方法 从模式识别到人脸识别 从模式识别到人脸识别 关于传感器与预处理 传感器：客观世界模式的测量问题 人脸：数字化为2D图像？3D形状？红外温谱？ 分辨率、精度、灵敏度、失真度等等 真实性？稳定性？ 预处理：保证数据的纯洁度 模式识别理论基本不关心这两项内容，而在应用上，是必须作为重要内容来考虑的，否则可能根本就是不可解的问题！ 关于特征表示问题 关于特征提取与分类器 理想的特征提取过程可使得后续的分类器设计成为小菜一碟，万能的分类器似乎也应该使得设计者不必刻意设计特征提取过程！ 没有万能的分类器！ 甚至没有所谓最好的分类器，不同的分类器有不同的适用范围！ 但对具体问题，可能会有最适合的特征表示方法，而不同的特征表示也需要采用不同的分类器 关于数据问题 Math is king, data is queen! 在基于统计学习的模式识别问题中，采用什么样的数据、多少数据往往决定了问题的成败，而不是采用了什么样的学习算法 目标不同：模式识别研究的是有了特定属性数据之后如何设计“对所有可能的情况”最优的分类器，而应用上却要考虑“为了解决某个特定识别问题”如何去选择数据？ 只为了识别中国人，需要把外国人的数据拿来训练吗？ 为了识别正楷文字，需要把行书也拿来训练吗？ 但是，在理论上却有另一个问题… 关于泛化能力 泛化能力 对于没有训练学习过的模式样本的识别能力 只用中国人训练的模型能否识别老外？异族人脸识别困难现象。 婴儿：“独眼龙” 不是人？ 在实践中，也许想办法加入更多的有代表性的训练样本更能解决问题，而不是去设计更复杂的分类器或者学习机 充分利用手头样本 小结 对一般方法的掌握程度 对特定问题的理解程度 应用中需要更多的关注： 传感器的选择，比如什么样的摄像机？ 预处理：如何去除各种干扰因素？ 特征表示问题：什么是本质的类别特征？ 为了解决某一应用问题，选择什么样的数据训练分类器？ 人脸识别相关研究内容 生物特征识别 人脸、指纹、虹膜、视网膜、掌纹、 人机交互(HCI) 人脸图像编码/压缩 表情分析，情感计算 人脸动画 face animation 人脸属性分类 种族、性别、年龄 Attractiveness判别 生物特征识别技术(Biometrics) 与其他生物特征识别的比较 生物特征识别：未来的身份验证方法！ 生物：指纹、虹膜、人脸、掌纹、手形、视网膜、红外温谱 行为：笔迹、步态、声纹 人脸识别的优点 可以隐蔽操作，特别适用于安全问题、罪犯监控与抓逃应用 非接触式采集，没有侵犯性，容易接受 方便、快捷、强大的事后追踪能力 符合我们人类的识别习惯，可交互性强，无需专家评判 人脸识别的不足 不同人脸的相似性大 安全性低，识别性能受外界条件的影响非常大 没有想象的那么简单！ How many individuals in this picture? 我们的眼睛靠什么识别？ 皮肤和肤色 光滑/粗糙，黝黑/白皙 动态特征 酒窝，皱纹 局部特性 黑痣，刀疤，独眼龙 人类视觉识别系统特性简介及其借鉴意义 人脸识别是否是一个特定的过程？ 证据：“人脸识别能力缺失症（Prosopagnosia）”患者的存在，患有此症的人可以正常的识别其他物体，甚至可以正确的识别鼻子眼睛和嘴巴等面部器官，但是就是不能认出熟悉的人脸，因此有理由怀疑其人脸识别功能区遭到了破坏。 全局特征与局部特征孰轻孰重？ 全局特征主要包括人脸的肤色特征（比如白皙、黝黑）、总体轮廓（比如圆脸、鸭蛋脸、方脸、长脸等）、以及面部五官的分布特征（比如，在绘画界就有“国田由用，目甲风申”8种脸形之说），中医也将人脸按照总体结构特征划分为“金木水火土”五行（侧重人脸3D结构和肌肉凸凹情况） 而局部特征则主要指面部五官的特点，比如浓眉毛、丹凤眼、鹰勾鼻、大豁嘴、八字胡须、尖下巴等，以及面部的一些奇异特征，比如黑痣、伤痕、酒窝等等 二者对识别都是必要的，但全局特征一般用来进行粗略的匹配，局部特征则提供更为精细的确认。 局部特征 vs 全局特征 明星漫画：夸大了独特之处 问题：How to find these salient features automatically? 局部特征 vs 全局特征 人类视觉识别系统特性简介及其借鉴意义 面部特征对识别的重要性分析 不同的面部区域对人脸识别的重要性是不同的，一般认为面部轮廓、眼睛和嘴巴等特征对人脸识别是更重要的，人脸的上半区域对识别的意义明显比下半区域重要；鼻子在侧面人脸识别