人脸识别的原理.docxVIP

人脸识别的原理 人脸识别概念： 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或 系统。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。两个常提到的概念： 在行业应用中 1：1 和 1：N 是两个大类，那什么是 1：1 什么是 1：N 呢？ 1：1 比对，简单来讲就是把两张人脸照片放在一起比较，通过提取人 脸的特征，来看他们的相似度的值是多少，是否为同一个人。多应用于身 份比对，在已知用户 ID 的情况下帮助确认是否为用户本人的对比操作。比如说有的公司做考勤 APP，可以通过手机端进行人脸识别每天打卡，证明你就是你。 1：N 指的是搜索，通过一张已有图片，与指定人脸库中的 N 个人脸进 行比对，找出最相似的一张脸或多张人脸。并根据已有图片与人脸库中的人脸的匹配程度，返回用户信息和匹配度。比如百度识图、谷歌搜图、以及其他浏览器搜图功能。还有就是应用于人脸识别门禁系统（涉及到活体检测）。 可以的看的出来，谷歌的人脸识别比较准确，用一张人脸图片，搜索出来的结果偏离不会太多。 但是对于应用于我们安防行业中的人脸识却需要更加的精确。 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。目前应用比较成熟的行业场景： 门禁系统：受安全保护的地区可以通过人脸识别辨识试图进入者的身份，比如监狱、看守所、小区、学校等。（ 1：N） 摄像监视系统：在例如银行、机场、体育场、商场、超级市场等公共场所对人群进行监视，以达到身份识别的目的。例如在机场安装监视系统以防止恐怖分子登机。（ 1：N） 网络应用：利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者使用信用卡，社保支付防止冒领等。 (1:1) 相机：新型的数码相机已内建人脸识别功能以辅助拍摄人物时对焦。 （Face++ 出了一款智能人像抓拍机—— MegEye C3S ，每帧可以抓拍到 105 张图片） 智能手机：解锁手机、刷脸支付总结： 对于技术来说人脸识别就是一次一次的算法升级。 对于应用来说，就是我们平常看到了解到的，如刷脸支付、小区公司等刷脸门禁、会场签到，手机刷脸解锁、公安系统通过人脸识别找到嫌疑人……而这些应用的实现落地，都是以技术为支撑。市场上有很多家都在做人脸识别，真正能够站稳脚跟的还得是技术过硬的公司。