人臉識別的過程

　　人臉識別是現下非常火熱的話題，市場前景被看好，隨著生物識別技術的普及以及運用，人臉識別也揭開了其神秘的面紗，今天就帶大家了解一下人臉識別技術的流程。

　　說起人臉識別流程，其實概況來說主要是人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。一起來簡單了解每一個部分。

　　人臉圖像采集及檢測

　　顧名思義就是人臉錄入系統，一般是批量錄入，用戶主動通過錄入端口上傳導入自己的人臉。另外一種就是現場視頻人臉圖像采集，類似于辦身份證，當場攝像頭采集面部，當人人臉識別的采集需要在指定攝像范圍內，采集設備自動搜索客戶的人臉圖像。

　　支付寶的人臉識別支付加入了活體檢測，需要讓客戶做一系列動作，比如說張嘴，　抬頭、低頭，左轉頭、右轉頭，眨眼睛等，人臉識別技術也是在不斷的進步，活動檢測可有效抵御照片、換臉、面具、遮擋以及屏幕翻拍等常見的攻擊手段。

　　人臉圖像預處理

　　人臉圖像預處理是對系統所采集到的人臉圖像進行光線處理、切割、旋轉、降噪、過濾、放大或縮小等一系列的復雜處理，通過這些處理使人臉圖像無論是光線還是角度、距離、大小等達到人臉圖像特征提取的標準要求，盡可能消除因光照和角度等因素造成的影響，為進行人臉圖像特征提取做好準備。

　　匹配與識別

　　● 人臉識別1:1比對

　　宇松科技人臉識別系統通過人臉識別算法實現上兩張圖像進行比對，根據不同渠道的識別率返回比對結果，并將比對通過的圖像按照設定規則入庫保存。能夠最大限度的提高識別率，智能的解決像素較低（如芯片圖）、逆光、側光、昏暗、帶眼鏡、一定角度側臉等不利條件。

　　● 人臉識別1:N比對

　　宇松科技人臉識別系統通過客戶圖像，在客戶特征庫中識別出該將客戶身份，并返回該客戶的相關信息，如客戶信息號、姓名等。系統具有人臉識別 1：N功能，對外提供 1：N比對接口，可根據各系統傳送的照片提取特征值，并跟庫中模板比對，返回相似度最高的N個人（返回人數可自定義）。

　　人臉識別目前主要運用在銀行VIP客戶身份識別、教育領域的考生身份識別、通關口岸、門禁考勤、智能視頻監控等。

　　人臉識別分析算法

　　人臉識別技術中被廣泛采用的區域特征分析算法，它融合了計算機圖像處理技術與生物統計學原理于一體，利用計算機圖像處理技術從視頻中提取人像特征點，利用生物統計學的原理進行分析建立數學模型，即人臉特征模板。利用已建成的人臉特征模板與被測者的人的面像進行特征分析，根據分析的結果來給出一個相似值。通過這個值即可確定是否為同一人。

　　人臉識別的方法很多，主要的人臉識別方法有：

　　（1）幾何特征的人臉識別方法：幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關系（如相互之間的距離）。這些算法識別速度快，需要的內存小，但識別率較低。

　　（2）基于特征臉（PCA）的人臉識別方法：特征臉方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基于圖像灰度的統計特性的。目前有一些改進型的特征臉方法。

　　（3）神經網絡的人臉識別方法：神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。

　　（4）彈性圖匹配的人臉識別方法：彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓練。

　　（5）線段Hausdorff 距離（LHD） 的人臉識別方法：心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。

　　（6）支持向量機（SVM） 的人臉識別方法：支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，該函數的取法沒有統一的理論。