- ?
3D人脸识别技术科普
雨雪
展开
摘要: 随着科技日新月异的发展,国家对互联网的重视以及民众对互联网的需求日益增加,3D人脸识别技术的发展也受到了极大的关注。用户渴望用一种快捷的,方便的,有简单有效的方法来进行身份识别。3D人脸识别技术从每个人的脸上提取到不同的身份特征,并与自身数据库中保存的信息进行对比来识别每个人脸的身份。
关键词:人脸识别技术、传感器、数字算法
一、引言
人脸识别技术的历史可以说是并不算短暂,该技术研究最早可以追溯到 19 世纪。中国在20世纪80年代也开始对3D识别技术进行研究,并且受到了国家的大力扶持,迅速发展。直至2018年2月7日, “3D结构光人脸识别技术” 正式在国内首发,中国首次将结构光技术应用在人脸识别系统上。二、3D人脸识别技术
1、新型传感器支撑
小米8探索版在小米 8的红外人脸解锁方案的基础上加入了点阵投影器以获取人脸 3D 深度信息,
小米8探索版的识别系统中包含了4个主要传感器:
1、ToF距离感应器:所谓的飞行时间3D成像法是指不断地向所需拍摄的物体不断地发送光脉冲,类似于人类使用声波来探测大海的地形一样,利用声波反馈的时间差来了解海底地形,而飞行时间3D成像法是利用ToF距离感应器来高速接受反射光和测速,通过光脉冲的反馈时间差来获得高精度的人脸深度图。
2、红外镜头:红外镜头即IR镜头,为了使摄像头能够满足一天24小时拍摄的需求,采用了特殊的镜片来解决“跑焦”的问题,并用最新的光学设计方法,消除了可见光和红外光的焦面偏移,使得用户在夜间也可以进行拍摄和人脸识别
3、泛光照明元件:使得特定照明区域或特定视觉目标的亮度远高于其他目标和周边区域。
4、点阵投影器:通过投射超过3万个肉眼不可见的光点,使用高密度的光点密度,实现实时追踪读取人脸的3D几何结构,绘制精确细致的深度脸部图。
红外人脸解锁,主要是因为有红外照明元件和红外相机应用,这两个元件可以使得小米8在夜间,即没有光线或的环境下进行人脸识别。由于红外摄像头只接受红外光线,照片,屏幕等各种各样的平面伪装都不会对红外识别造成影响,红外图像不会对这些伪装进行识别,正因如此相较于2D识别技术,3D识别技术提高了安全性,被破解可能大大减少。
然而就以当前的技术来说,绝大多数的手机的算法和传感器都还不是真正的3D人脸识别,还是2D人脸识别,就是还能用一些伪装的办法来破解。小米8探索版的3D结构光人脸识别技术不同于iPhone X的散斑结构光方案,iPhone X是利用散斑结构光的方式打出30000个离散分布的红外点阵进行深度探测来形成精密的人脸深度图,而由以色列Mantis Vision公司自主开发的3D结构光技术是利用编码的方式使得面部呈现规律性的几何图形,再利用对几何图形的分析计算及匹配,减少对图像3D的计算,达到快速匹配的作用。该技术是首次在安卓手机上应用,小米8探索版可以说是开启了安卓手机3D识别的先河
2、3D人脸识别的实现过程
常规的脸识别需要的四个步骤:人脸图像预处理、人脸图像匹配和识别、人脸图像采集及检测、人脸图像特征提取,同时这也是人脸识别系统的四个主要的组成部分。
1、人脸图像预处理:图像预处理是人脸识别技术中一个相当重要的环节,因为图像采集的地点光线等因素不同,图像的质量也有较大的差异。图像预处理的目的主要是为了去除对图像有干扰的信息,提高图片的质量,突出有用的信息。为之后对图像的分析计算提供便利,达到更快更准确的目的。
2、人脸图像匹配与识别:通过摄像头采集到的图片进行信息处理,通过核心算法对图片中的人脸的五官、脸型和角度等信息进行计算,并且把图像信息和自身数据库里保存的图像信息进行搜索比对,当两者的匹配度到达一定的比例就可以把匹配到的数据输出,达到解锁的目的。
3、人脸图像采集及检测:人脸图像通过摄像头等方式以静态图像,动态图像等方式进行记录,通过人脸检测的方式来确定人脸的位置和大小。以目前主流的人脸检测及采集的方法来说, Adaboost人脸检测算法,是基于积分图、级联检测器和Adaboost算法的方法,该方法能够检测出正面人脸且检测速度快。但其缺点是在复杂背景中,容易受到复杂环境的影响,导致检测结果并不稳定,极易将类似人脸区域误检为人脸,误检率较高。
4、人脸图像特征提取:通过对预处理之后的图像进行分析计算,提取出图像中的人像的五官特征、人脸图像变换系数特征等。人脸特征提取的方法有两大类:一种是基于知识的表征方法,首先需要提取出人脸的五官,如鼻子、眼睛、下巴、嘴巴等特点,在计算这些特点之间的位置关系,将它们之间的几何特征作为识别人脸的重要特征;另外一种是基于代数特征或统计学习的表征方法。
三、总结(人脸识别的技术要点、应用前景等)
人脸识别是当前热门的计算机技术研究方向,利用计算机技术的分析计算来进行对人脸特征的识别,这个技术在各个领域都有广泛的应用,如在用于警察系统的人脸追踪侦测,在野外拍摄应用广泛的夜间红外侦测等等。同时人脸识别技术在手机的各个领域也有广泛的应用:通过人脸识别来解锁手机,通过人脸识别进行支付等等。
现如今,人脸识别技术在各个方面的使用都十分广泛,但绝大多数都是基础的应用,像上下班的考勤,有些大学课堂上也利用人脸识别技术来进行上课点名打卡等简单的应用,这一类应用对于人脸特征的数据要求不需要十分精密也不需要对信息进行加密等。同样的人脸识别技术在手机上的应用越来越广泛,但大多数手机还是无法做到对人脸特征采集的精密性和保密性。如今只有iphone和小米带有3D人脸识别技术,这个技术是人脸识别技术巨大的进步,相信在不久之后这个技术会越来越广泛的应用,安全性也越来越高。
这个技术在金融行业也会变得越发的受人欢迎,我们以后可以在ATM上取钱时不需要使用银行卡,而是通过刷脸来进行现金的存取等。
人脸识别技术的前景不可估量,技术的快速发展和强大的数据支持,用不了多久,人脸将会和我们的身份证一样,成为我们身份的证明。
。
- ?
人脸识别技术主要那几个方面应用呢?
慈悲的
展开
除了日常车牌自动识别、人脸门禁等出入口管控中的应用之外,人脸识别还在哪些领域大展拳脚呢?
智慧金融:刷脸办卡、远程贷款、自主开户、刷脸支付······随着人脸识别技术在金融行业的风起,越来越多的商业化应用也浮出水面。不仅仅是蚂蚁金服、微众银行等新兴互联网金融机构,传统金融机构如国有商行、证券、保险等均纷纷布局人脸识别技术。基本上,人脸识别技术在金融领域有三大应用方向:自助终端、柜面系统、移动金融和营销。”
智慧商业:人脸识别在商业领域的应用主要是商业智能分析系统。实体商业中,目标客户的引流以及精准营销成为商业成本的重要支出,传统被动式的商场标识、人工推送和导购等手段效率的下滑,让以人工智能为核心的精准营销成为商业新的增长点。人脸识别系统能充分利用机器视觉对人脸的特征识别和归纳能力,将客户的性别、年龄、心情等作为商业需求的对应特征,针对性地实时推送客户感兴趣的内容,为商家进行目标客户群导流和精准营销;另一方面,通过对不同人群的兴趣内容的观察和学习,逐步提升对目标人群推送内容的匹配精准度。
智慧公安:人脸识别在公共安全领域的应用重点是实现对违法人员登记管理、网络追逃、比对查证与事后处理,同时人像比对还可用于刑侦查案、维护社会稳定等业务上。人脸识别照片比对系统用于快速身份鉴别,在大量的数据库中查找检索特定人员的身份。它充分利用非常有价值的人脸照片线索,大大加快公安侦查人员对嫌疑人的身份辨认过程,为加速“科技强警”进程,形成高智能的、社会化的、规模化的公安防范体系,提供了有效的技术手段。
智慧社保:人脸识别系统能够确保基本养老保险基金安全,防止冒领骗领养老金。将人脸识别技术引入人脸识别自证,通过在本地对证件内信息进行自动读取,同时对被核查人的人脸进行自动检测抓拍,获取证件上的人脸照片,经过高清人脸识别分析仪,与现场持证人的人脸进行比对,检查持证人与当前证件是否同一个人,利用人脸识别特征的唯一性,精准、便捷的实现参保人身份真实性的有效核查,减少保险金发放的漏洞,最大限度的避免骗保、冒领等问题。
人脸识别技术的应用,不仅能有效遏止养老金流失,大大减少工作量,提高工作效率;同时还能优化经办工作服务质量,减少服务摩擦,极大地方便了离退休人员,真正起到一箭三雕,一石三鸟的作用。
智慧安检:随着现在都市生活节奏的加快和生活水平的不断提高,飞机和铁路安全受到越来越多的重视。现今许多机场已经开始使用高清人脸证件比对系统,以此辅助机场人工查验工作。当乘客准备进入候机大厅时,位于安检口的摄像头会自动捕捉人脸图像,人脸识别系统会自动将乘客证件照片与之进行比对,以识别乘客身份。当发现证件信息与持证人员不一致时,系统会自动提示安检人员加强人工核查工作。人脸识别系统采集的人脸图像还可以作为非常重要的监控数据被记录下来,存储在数据库中,作为事后检索的索引,或者与公安、安全部门的数据库接驳,进行取证、认定。
而在铁路安全上,虽然火车票实名制有效阻止了不法分子进入车站,但是,目前铁路客运安全检查,基本还是靠安检员来检查票、证、人是否一致,而证件照片往往是多年前的照片,安检员很难辨认,辨别度很低。而人脸识别技术,准确度高、便捷性好,运用于铁路安防系统,将极大的提高安防系统,强化通关,让不法分子无空子可钻。
智慧城市:随着人类社会的不断发展,未来城市将承载越来越多的人口,为实现城市可持续发展,建设智慧城市已成为当今世界城市发展不可逆转的历史潮流。而在智慧城市的建设过程中,需注重对信息的结构化存储、分析挖掘,人脸的结构化云识别储存是构建整个智慧城市基础数据之一,是智慧城市云储存体系中的不可或缺的一部分。通过智慧城市的高速数据传输链及结构化的数据筛选,可将人脸大数据与智慧城市中其它的大数据之间碰撞出火花,更加凸显出人脸识别“用”的价值。
智慧监狱:人们对于监狱的印象都是高墙深院,戒备森严,但近年来,随着监狱在经费和人员上的缺失造成越狱案的出现。如何从技术“加固”监狱高墙,成为解决监狱管理的重要方向。为了严防监犯逃脱、外人非法进入,违禁物品持有和带入带出等,通过人脸识别技术,对家属、律师等相关公务人员到访、社会团体参观、相关服务人员等进行身份识别、人脸登记,确保出入人员符合探视要求。外出服刑人员的管理,将内部和外出管理相结合,最后与监狱现有的视频监控系统和人脸识别等系统结合联动,形成完整、有效的全方位监狱管理体系。
另一方面,监狱干警常年和犯人生活在一起,很容易产生麻痹思想,特别是对于那些伪装积极的罪犯,更容易放松警惕性,当犯人出现在敏感区域,智能识别技术自动发生警报,能有效的避免恶性案件的发生。
结语:如今安防领域对人脸识别的探索更多的是将被动安防转化成主动安防的新应用,上述的几点应用仅仅是现有的人脸识别新应用的部分。在这个“看脸”的时代,人脸识别技术将会越来越备受瞩目,而应用也会越来越广泛。
- ?
中国最强黑科技人脸识别技术2秒识别,生活中哪些地方应用了?
清雨
展开
导言:凌晨12点,正是国内很多城市夜生活的开始,特别是在一些外国人眼中,只有在中国才敢在深夜穿着超短裙上街。为什么?因为五年来人脸识别技术的应用,使中国八类严重暴力犯罪案件数下降了42.7%。2016年全球犯罪与安全指数显示,中国更是治安保障最好的国家之一。
人脸识别技术
人脸识别技术是指利用分析比较的计算机技术识别人脸,是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。人脸识别技术还包括人脸追踪侦测,自动调整影像放大,夜间红外侦测,自动调整曝光强度等技术。人脸识别技术,即便遇上雾霾天气,在城市监控摄像头里,依然可以看清楚车身颜色、车牌以及人脸细节。
人脸识别技术的应用
人脸识别技术能从海量的数据中,识别出嫌疑人,并找到他的活动轨迹,助警方破案。上个月4号下午,浙江某派出接到市民报警,称家里的摩托车被偷,警方随即调取了报案人居住地附近多路监控,在一条乡间道路上,一个高清卡口拍到了两名嫌疑人骑着被盗的摩托车经过。警方截取视频画面,利用人脸识别系统搜索后,很快就掌握嫌疑人的基本轨迹和身份信息,几秒之后,系统自动发出预警,显示嫌疑人在织里某地出现,警方立即前往将嫌疑人抓获。
安防“黑科技”助交管部门解决行人闯红灯的棘手难题。人脸识别技术针对闯红灯的行人,智能抓取,识别时间只需要2秒,其对应的违规信息、身份信息以及头像都在电子屏幕上实时公示出来,达到有效的警示效果。据悉,深圳、南京、济南、芜湖、泰州、海口、上海、菏泽、苏州等很多城市都已经应用了该系统。
人脸识别将成中国人身份密码
人脸识别作为一种身份确认方式的认可程度在不断提升,许多城市的火车站、酒店、机场、旅游、银行都利用人脸识别系统,缓解城市压力。人脸识别技术在生活中应用更广泛,比如吃饭刷脸、支付购物刷脸、手机开机刷脸等等,就连寄递邮、快件也可以进行人脸识别。目前人脸识别系统已经在100多座城市落地,覆盖了公安、交通、政府部门、学校、医院、企业等多个行业。
中国的人脸识别技术世界第一
今年5月,国际权威人脸识别数据库LFW(Labeled Faces in the Wild)最新公布的测试结果显示,平安科技的“脸谱技术”(人脸识别技术)以99.8%的识别精度和最低的波动幅度领先国内外知名公司,位居世界第一。
在短短几年时间,中国的视频监控经历了从数字化到网络化,再到当前人脸识别技术智能化的技术进程,有关部门更称要建设全球最强人脸识别系统。有外媒曾报道:全球安防看中国,中国某些城市对于人脸识别技术的应用即将达到临界点,中国的人脸识别技术更可能成为安防的终极追踪器。中国制造的“黑科技”人脸识别技术让世界惊讶,为中国制造点赞!
- ?
人脸识别技术是通过面部器官的位置信息
Kenda
展开
人脸识别技术是通过面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。人脸识别实际包括构建人脸识别系统的一系列相关技术,例如人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等。目前人脸识别技术主要应用于三大范围;一是实名制验证,证明人与系统证件信息是否统一。二是进行身份判断,即判断某个人是否为特定群体中的一员,用于人员出入管理和城市安防等,有利于治安维护。
人脸识别系统防盗门配有特殊的液晶显示屏。这个显示屏实际上是一台小型电脑,数据库就建在这里。厂家上门安装时,工作人员会用一个摄像头对主人的脸部骨骼进行扫描录入,再将主人的脸部骨骼生成几千位的密码,然后将密码数据库存入防盗门的数据库中,当主人回家时,只要在门前一站,具有自动感应功能的液晶显示屏就会显示门前的人的脸部,防盗门立即开始识别。一旦确认来人是这家的主人,防盗门就会自动打开。
人脸图像匹配与识别:提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程。一般来说,人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身份的人脸图像,以及人脸数据库中的若干已知身份的人脸图象或者相应的编码,而其输出则是一系列相似度得分,表明待识别的人脸的身份。
- ?
人脸识别系统开发
一人留
展开
人脸识别系统开发公司紫鲸互联表示:基于人的脸部特征信息进行身份识别 术,通常也叫做人像识别、面部识别。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。
一、 识别内容
(1)人脸检测
①参考模板法 ②人脸规则法 ③样品学习法 ④肤色模型法 ⑤特征子脸法
(2)人脸跟踪
(3)人脸比对
①特征向量法 ②面纹模板法
二、 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。
三、 识别算法
人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身份的人脸图像,以及人脸数据库中的若干已知身份的人脸识别
四、主要用途
人脸识别主要用于身份识别。由于视频监控
正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求远距离快速确认人员身份,实现智能预警。人脸识别技术无疑人脸识别主要用于身份识别
是最佳的选择,采用快速人脸检测技术可以从监控视频图像中实时查找人脸,并与人脸数据库进行实时比对,从而实现快速身份识别。
五、应用介绍
公安刑侦破案 摄像监视系统 网络应用 身份辨别 支付系统
- ?
天眼+人脸识别技术,让罪犯无处遁形
童颜
展开
人脸识别技术逐步成熟,开始融入和改变着我们的生活,不少机场、高铁站都启用了刷脸登机刷脸进站,开始为人们的出行节省时间,提供方便快捷便的服务和良好体验。这其实不算什么,这种场景属于人脸识别比较初级的应用,技术难度相对不高。在以前的文章里介绍过,人脸识别的核心分为几个步骤:1、生物特征数据的采集;2、生物特征的提取;3、特征匹配。刷脸登机、刷量进站属于人脸识别中1:1人脸验证,也就是将采集的人脸图像与身份证信息系统中存储的图像进行一一比对,技术硬性要求并不高。
天网+人脸识别人脸识别技术真正牛逼的应用场景是1:N等级和N:N等级的人脸识别,也就是单一生物特征对比多个生物特征以及多种特征对比多种特征,这两种等级的人脸识别应用场景的环境更加恶劣,往往在特殊情况下拍摄和录像摄影,角度、光线的复杂度更高,对特征提取、特征对比提出了更大的挑战。
公安人脸识别应用分为几个场景,除了最基础的与刷脸进站类似的场景实现人员身份核查,即通过人脸识别技术实现手持身份证的人员和身份证比对进行人证合一审查外,更为重要的应用场景是:1、重点“关注”人员的实时预警,通过平安城市目前的天网工程天眼系统,视频监控前端不断的抓拍与录像,后端以人脸识别技术对重点“关注”人员进行实时比对监控,匹配成功后通过触发报警方式分区域网格化对目标实时抓捕;2、事中、事后人员身份核查,后端系统对二代证海量信息“打标签”,在突发事件案情分析中,上传目标人脸信息后,后端系统从海量人脸信息中进行特征匹配,筛选嫌疑人身份信息。
天眼无处不在我国平安城市、智慧城市十几年的普及和建设,天网工程天眼无处不在,城市、城乡结合部、甚至部分农村都遍布着摄像头。各个城市政府投资在各个重点区域部设的高清摄像头,再叠加上小区、门店、单位等自筹自建视频监控点,部分还与天网工程形成对接,这些摄像头交织在一起形成天罗地网,成千上万的视频采集设备每天产生着海量的数据信息。
另外,公安系统从1984年开始启用第一代居民身份证,到2004年更换内置非接触IC芯片的第二代居民身份证,至今公安部门已经形成了全国14亿人口的真实身份信息库,并保存有数码照片。这些多年来逐步落实的信息化工作,叠加现在大数据、人工智能的人脸识别技术不断完善,给整个社会的安全治理奠定了坚实基础,为我国公安系统的整个信息化管理水平做出了重要贡献。
人脸识别过去要抓获犯罪嫌疑人,公安只能通过发布通缉信息的方式,靠大量人力摸排走访,耗费人力效率低下;如今依靠无处不在的摄像头,警察可以将监控系统抓拍的嫌疑人图像输入人脸识别系统,人脸识别系统包含全国第二代身份证人像库、在逃人员库等云端信息库,通过1:N或N:N对比识别方式,快速查找定位嫌疑人,人脸识别已经是人民警察破案和打击犯罪的重要倚重和常规手段,天网工程+人脸识别为我国社会治安的平安稳定、打击犯罪提供了有力的技术支持。
- ?
最近火爆的3D人脸识别,你需要知道的都在这
柳之云
展开
人脸识别发展史
人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术,其可以定义为:输入查询场景中的静图像或者视频,使用人脸数据库识别或验证场景中的一个人或者多个人,通常也被称为面部识别、人像识别。人脸识别技术拥有一个不算漫长的历史,该技术研究最早可追溯到 19 世纪法国人Galton的工作。现代研究始于20世纪60年代末70年代初,并随着科学技术而发展。自90年代以来一直是研究热点,各种算法层出不穷,相关杂志上发表的有关论文数以千计。
国内在这方面的研究起步于20世纪80年代,受到了国家 863计划的大力扶持,发展很快。2000年以来,每年一届的“中国生物识别学术会议”极大地推动了包括人脸识别在内的生物识别技术水平的发展。
从技术角度来说,人脸识别经历了三大阶段:
第一阶段(1950s-1980s),人脸识别被当作一个一般性的模式识别问题,主流技术基于人脸的几何结构特征。
第二阶段(1990s),人脸识别迅速发展,出现了很多经典的方法,例如Eigen Face, Fisher Face和弹性图匹配,此时主流的技术路线为人脸表观建模。
第三阶段(1990s末期到现在),人脸识别的研究不断深入,研究者开始关注面向真实条件的人脸识别问题。
主要包括以下四个方面的研究:1)提出不同的人脸空间模型,包括以线性判别分析为代表的线性建模方法,以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。2)深入分析和研究影响人脸识别的因素,包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。3)利用新的特征表示,包括局部描述子(Gabor Face, LBP Face等)和深度学习方法。4)利用新的数据源,例如基于视频的人脸识别和基于素描、近红外图像的人脸识别。
人脸识别技术的难点
虽然人脸识别技术经历了较长的研究阶段,但至今还是被认为是生物特征识别技术中较为困难的研究课题之一,其原因在于: 1.背景环境的复杂多样
在进行人脸识别前需要先对监控场景中的人脸进行定位,即人脸检测。人脸检测的正确与否直接影响人脸识别性能。当监控场景的背景较为复杂时,人脸检测率也会随之降低,因此能够适应复杂背景环境的人脸检测算法是人脸识别技术的难点之一。 2.光照条件的复杂多变
在智能视频监控系统的实际应用中,会由于监控环境光线的变化造成检测到的人脸图像存在不同的阴暗变化,如图1所示。FRVT2006测试表明,不同光照条件下人脸识别虽然在性能上比FRVT2002有显著提高,但是还没在根本上克服光照对识别率的影响。
图:光线变化对采集到的人脸影响示意图 3.人脸表情的多样性
在实际应用过程中,人脸的表情随时都可能发生变化。下图给出了部分表情变化的人脸图像。从下图可以看出,当人的表情发生变化时,可能会引起人脸轮廓以及纹理的变化,同时由于面部肌肉的牵引,面部的特征点的位置也会随之改变。不同的表情引起面部的变化都不同,此外,不同的人的相同表情影响也不相同,因此很难用统一的标准来精确划分各种表情对不同人的影响。
图:人脸表情变化多样性示意图 4.采集人脸的角度多样性
人脸的角度多样性主要是指由于拍摄角度的不同导致检测到的人脸图像的旋转,包括平面旋转和深度旋转。图3列出了部分不同角度拍摄的人脸图像。从下图可以看出,与表情变化对人脸图像的影响相同,拍摄角度的变化同样会导致人脸轮廓的变化,除此之外,由于角度的变化,可能会导致人脸的部分特征无法被正确提取,进一步导致人脸的错误识别。
图:采集人脸的角度多样性示意图 5.遮挡问题 即使是非人为故意遮挡,在实际应用时检测到的人脸图像也经常会出现如帽子、眼镜等遮挡物,除了这些,胡子以及刘海的变化也直接影响人脸的特征提取。当人脸图像发生遮挡时,人脸的很多信息会丢失,导致人脸识别算法出错或失效。
传统人脸识别系统的步骤
人脸识别系统主要包括四个组成部分:人脸图像检测、人脸识别预处理、人脸特征提取以及特征匹配与识别。 1.人脸图像检测
人脸图像检测是人脸识别过程的关键环节之一。人脸检测是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果有,则返回检测到的人脸图像的位置、大小以及姿态。人脸检测主要利用人脸图像的直方图特征、颜色特征、模板特征、结构特征以及haar特征等。 2.人脸图像预处理
预处理是指在进行人脸识别前,为了提高识别率,通过图像处理技术对检测得到的人脸图像进行的一系列图像质量提高。这些处理主要包括灰度校正、噪声过滤、光线补偿、直方图均衡化、归一化等。 3.人脸特征提取
人脸特征提取是对人脸进行特征建模的过程,提取方法主要分为两大类:基于知识的表征方法和基于代数特征或统计学习的表征方法。目前人脸识别技术中使用的人脸特征主要包括视觉特征、人脸图像变换系数特征,人脸图像代数特征等。其中基于知识的表征方法主要是根据人脸五官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常是使用特征点间的欧几里得距离、曲率或角度等。基于几何特征的表征方法是指利用人脸五官之间的结构关系的几何描述进行人脸表征的方法。 4.人脸匹配与识别 匹配与识别是指利用上一步提取到的人脸特征,与样本库中存储的特征模板进行搜索匹配,在这个过程中,需要预先定义一个阈值,当相似度超过该阈值,则输出匹配结果。
手机人脸识别产业链
人脸识别方法大致可以分为两类:基于2D人脸图像的人脸识别和基于3D人脸图像的人脸识别。其中2D人脸识别是通过2D摄像头平面成像,无法接收物理世界中的第三位信息(尺寸和距离等几何数据),即使算法及软件再先进,在有限的信息接收状态下,,安全级别终究不够高,通过照片//视频/化妆/人皮面具等方式可以很容易进行破解,无法满足智能手机安全级别的需求。
3D人脸识别则是通过3D摄像头立体成像,能够识别视野内空间每个点位的三维坐标信息,从而使得计算机得到空间的3D数据并能够复原完整的三维世界,并实现各种智能的三维定位。简单的说就是机器获取的信息多了,分析判断的准确性有了极大的提升,人脸识别功能可以分辨出平面图像/视频/化妆/皮面具/双胞胎等状态,适合金融领域和智能手机等安全级别要求高的应用场景。
1、三种主流的3D成像技术
(1)结构光(Structured Light):结构光投射特定的光信息到物体表面后,由摄像头采集。根据物体造成的光信号的变化来计算物体的位置和深度等信息,进而复原整个三维空间。
(2)TOF(Time Of Flight,飞行时间):通过专有传感器,捕捉近红外光从发射到接收的飞行时间,判断物体距离。
(3)双目测距(Stereo System):利用双摄像头拍摄物体,再通过三角形原理计算物体距离。
在这三种技术当中,哪种技术更适合智能手机的应用呢?
由上图可知,三种技术当中只有双目视觉不适合昏暗环境使用,也就是说我们的智能手机在夜间无法实现人脸识别解锁,首先就被排除了。
下面再来看看TOF技术和结构光技术。
TOF技术具有响应时间更快,抗光照表现尚可,深度信息精确度高、识别距离远等优势,但是其也有着分辨率低、成本高、功耗高、模块太大的劣势。
而结构光技术优势则在于低光下表现良好,分辨率更高,成本、功耗适中,主要缺点是易受阳光影响,识别距离短,相应时间稍慢的缺点。
不过就应用于智能手机上的人脸识别功能,结构光技术应该是要比TOF技术更有优势。因为通过智能手机的前置3D系统来进行面部识别这种应用场景本身识别的距离就很近,所以不存在需要支持更远的识别距离的问题。另外结构光相比TOF技术,短距离的精度更高,也更适合用在手机前置摄像头上。而且其分辨率、相应时间已经足以应对手机端面部识别的需求(采用TOF技术的Project Tango手机是后置3D系统,其作用也不是主要用于面部识别)。
另外,就两种技术所产生的深度图来看,TOF深度图会存在多重反射产生的噪音、边缘精细度过低、时域滤波导致滞后等问题。而结构光的深度图则只有边界线清晰度略低的问题。最后,由于是用在智能手机这样的消费类移动设备上,所以成本、功耗也都是需要考虑的因素。
所以总的来说,如果是手机前置3D面部识别系统,结构光技术相比TOF技术更具优势。传闻苹果iPhone 8的3D面部识别系统将会采用结构光技术。
国内人脸识别技术厂商
目前,国际巨头Apple、Microsoft、Facebook/Oculus、Intel、Google等早已瞄准3D成像人脸识别技术,近年来收购了十数家这个领域的创业公司并且势头不减。过可惜的是,上述大公司无一例外都在为自己的产品构建核心技术门槛,为内部生态服务,至少目前不会致力于成为深度传感器和技术服务的专业供应商。
不过可以看到这一技术的研究和开发多为国外公司,国内计算视觉方面的公司或创业团队屈指可数,技术上的壁垒相当大。
1. 旷视科技
这家公司最近可谓是风头正盛,支付宝的刷脸支付应用以及小米最新发布的note 3人脸识别解锁功能都是选用了旷视科技的人脸识别方案。据悉,Note 3 的整个刷脸解锁过程只需 500 毫秒,这种非接触式的解锁方式从体感上更是快过指纹解锁。旷视科技全名叫做北京旷视科技有限公司,其代表产品为Face++,是新一代云端视觉服务平台,提供一整套世界领先的人脸检测、人脸识别、面部分析的视觉技术服务。
旷视科技的团队很年轻、很极客范,基本上是一群85后。公司三位创始人都来自于清华大学,其中一位创始人印奇拥有美国哥伦比亚大学3D相机方向博士学位背景,他曾在微软亚洲研究院工作过四年时间,研发出了微软当时核心的人脸识别系统,最后被广泛应用在微软Xbox和Bing等产品中。,Face++在人脸检测FDDB评测、人脸关键点定位300-W评测和人脸识别LFW评测上,接连拿下了这三项的世界第一。其中尤为值得一提的是,在最重要的互联网图片人脸识别(Face recognition)LFW中,Face++团队更是力压Facebook人脸团队,在极难识别的互联网新闻图片上,获得了97.27%的准确率。
如今,旷视(Face++已经把人脸识别技术渗透到金融、安防、保险、零售、地产、共享出行等各行各业当中,其中也包括手机产业。服务客户包括360搜索、世纪佳缘、美图秀秀、美颜相机、联想、神州智联等。
2、云从科技
云从科技创办于2015年4月,是一家从中科院重庆研究院孵化的专注于计算机视觉与人工智能的企业。创始人周曦,本科和研究生毕业于中国科学技术大学,随后到美国伊利利诺伊大学(UIUC)攻读博士,师从被誉为“计算机视觉之父”的Thomas Huang(黄煦涛)教授,在 2007-2011 年期间,带领UIUC团队六次斩获世界模式识别大赛冠军。
成立2年来,云从科技已经获得两轮融资(全部为人民币架构),天使轮融资6000万元,A轮融资近2亿元。2016年销售额近亿元,2017年上半年就销售过亿元。
云从的客户已经有上百家,客户群体主要集中在金融、公安和商业。截至目前,云从科技在银行市场占有率达到一半以上,核心原因是其拿下了国内60%的总行订单。
3、奥比中光
奥比中光是人脸识别技术的硬件提供商,代表产品为3D结构摄像头。这家公司来头也不小,由手机芯片厂商台湾联发科投资,奥比中光的相关人士表示,目前全球能量产结构光方案3D摄像头的,只有四家公司:苹果,英特尔,微软以及奥比中光。
作为2014年深圳市孔雀计划第一名,奥比中光所推出的3D深度摄像头Astra、Astra Pro、Astra mini早在2015年已经完成量产,并在2016年获得联发科的战略入股。可实现人脸识别、手势识别、人体骨架识别、三维测量、环境感知、避障、跟随、三维地图重建等数十项功能,可广泛运用于电视、手机、机器人、无人机、VR/AR、智能家居安防、汽车驾驶辅助等领据悉,支付宝人脸支付的硬件采用的便是奥比中光的产品。
4、科大讯飞
据官方资料介绍, 科大讯飞股份有限公司成立于1999年,是一家专业从事智能语音及语言技术、人工智能技术研究,软件及芯片产品开发,语音信息服务及电子政务系统集成的国家级骨干软件企业。2008年,科大讯飞在深圳证券交易所挂牌上市,股票代码:002230。
虽说是国内十大人脸识别技术,不过小编查询官网中的“核心技术”一栏,并没有找到关于人脸识别。
不过在2014年12月21日,深圳举行的讯飞人脸识别发布会上,香港中文大学汤晓鸥教授表示:“科大讯飞联手香港中文大学多媒体实验室,已经基于最新的技术突破制作出完整的一套人脸图像处理系统SDK,包括人脸检测,人脸关键点对准,人脸识别,表情识别,性别识别,年龄估计等各种基础技术包,全力助推刷脸时代到来。”有资料显示,科大讯飞将在今年9月份推出人脸识别。
5、汉王科技
据官方介绍,汉王科技股份有限公司成立于1998年,是全球文字识别技术...
- ?
数字图像处理之人脸检测与识别设计
羊芷波
展开
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。
人脸检测
源码
img=imread('D:\std_test_images\face3.jpg');
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;
imshow(faceRgn1);
r=double(R)./double(sum(img,3));
g=double(G)./double(sum(img,3));
Y=0.3*R+0.59*G+0.11*B;
faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;
imshow(faceRgn2);
Q=faceRgn1.*faceRgn2;
P=bwlabel(Q,8);
BB=regionprops(P,'Boundingbox');
BB1=struct2cell(BB);
BB2=cell2mat(BB1);
[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))<1.8
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,'edgecolor','r');
hold off;
end
2.处理过程
人脸识别
算法简述
在Matlab 2012a版本中添加了对PCA算法的支持,由于水平有限我选择直接调用。在本次课程设计中,PCA算法又分为样本训练和人脸识别两个过程,在样本训练阶段,将样本库(每组15张共15组人脸图像,对每组前11张进行特征提取用于训练,后4张用于检测)中的人脸图像转换为特征向量表示,并投影到PCA子空间,最终将这些向量数据保存到训练数据库中。而在识别阶段,同样将待识别的人脸图像使用PCA子空间的向量表示,通过计算待识别图像的向量与样本中的向量之间的距离,寻找其中最相近的人脸图像,作为识别结果。
clear
clc
% 样本数量15*11
people_count=15;
face_count_per_people=11;
% 训练比率,设置为75%识别正确率可达100%
training_ratio=.75;
% 能量
energy=90;
training_count=floor(face_count_per_people*training_ratio);
training_samples=[];
path_mask='D:\\pca_face_rec\\%03d\\%02d.jpg';
% 训练
for i=1:people_count
for j=1:training_count
img=im2double(imread(sprintf(path_mask,i,j)));
img=imresize(img,[10 10]); % 归一化至50*50
if ndims(img)==3
img=rgb2gray(img);
training_samples=[training_samples;img(:)'];
mu=mean(training_samples);
[coeff,scores,~,~,explained]=pca(training_samples);
idx=find(cumsum(explained)>energy,1);
coeff=coeff(:,1:idx);
scores=scores(:,1:idx);
% 测试
acc_count=0;
for j=training_count+1:face_count_per_people
img=imresize(img,[10 10]);
score=(img(:)'-mu)/coeff';
[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));
if ceil(idx/training_count)==i
acc_count=acc_count+1;
test_count=(people_count*(face_count_per_people-training_count));
acc_ratio=acc_count/test_count;
fprintf('测试样本数量:%d,正确识别率:%2.2f%%',test_count,acc_ratio*100)
仿真结果及说明
样本库举例:
结果为:测试样本数量:45,正确识别率:100.00%
总结
人脸识别是一个多学科领域的挑战性难题,近30年来人脸识别的研究虽然取得了巨大的进步,但与人类的感知能力相距甚远。人脸识别还涉及到很多理论和技术问题,这一技术的不断进步还需要研究者们的不断创新和努力。本次课程设计让我对人脸识别算法有了初步的认识,了解到了PCA算法,K-L变换及特征向量的提取,最近邻分类器等人脸识别所需要的知识,为我的进一步学习指明了方向。
- ?
盘点人脸识别的技术流程,人脸识别系统你们知道吗?
离癸
展开
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。
折叠人脸图像采集及检测
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。
折叠人脸图像预处理
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,必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言,其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
折叠人脸图像特征提取
人脸图像特征提取:人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取,也称人脸表征,它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法;另外一种是基于代数特征或统计学习的表征方法。
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和它们之间结构关系的几何描述,可作为识别人脸的重要特征,这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
折叠人脸图像匹配与识别
人脸图像匹配与识别:提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程。
- ?
人脸图像处理技术研究——年龄识别
昌秋凌
展开
【摘要】基于人脸图像的生物特征识别研究在近几年来取得了巨大的发展。与其它的生物特征相比,人脸特征具有自然性、不易仿冒性和非强制性等优点,使其在安全监控、身份验证、人机交互、视频检索等方面具有巨大的应用前景。人脸年龄估计的特征提取算法需要提取人脸区域的特征,人脸区域检测是人脸年龄估计的一个重要环节。本文首先介绍了人脸年龄估计的研究背景和国内外研究现状,并提出现阶段该研究所面临的问题。第二章介绍了人脸检测的方法和特征点定位方法,然后使用PCA方法对仿生特征进行数据降维,给出了相关的算法。介绍了bp神经网络,并且以降维后的特征作为神经网络的输入,以图像中人的年龄值作为神经网络的输出,建立神经网络模型,对年龄进行估计。
引言
1、 研究背景
随着计算机科学技术的发展,计算机向着智能机器方向发展,网络化和智能化已经成为信息领域的发展方向。在此基础上,生物特征识别技术得到了快速的发展。所谓生物特征识别是指,利用人体的生理特征和行为特征,通过计算机与各种传感器和生物统计原理等高科技手段密切结合,进行个人身份的认证。
人脸是人类最重要的生物特征之一,在辨别身份和传递感情方面有着重要的作用。人脸图像包含了大量的信息,比如身份、性别、年龄、人种、表情等。生物特征识别技术与传统的身份识别方法相比具有更明显的优势,由于每个个体具有各自独特的生理或行为特征,且每个个体自身拥有唯一、稳定、不易遗忘和随时随地可用的生物特征,因此,生物征识别技术具有更高的安全性、可靠性和便捷性。生物特征识别技术将会很大程度改变人们的生活,逐渐成为一种更加方便、可靠、安全的大众化身份验证手段。基于人脸图像的年龄估计主要解决如下的一些问题:根据人脸图像估计出人脸的准确年龄。随着越来越多的人对此类问题的关注,引起了一些国家的重视并出台了相应的法律法规,如:2008年日本规定了相关的卷烟供应商必须在自动售货机上安装可以进行年龄识别的装置,用来阻止未成年人购买香烟。可以看出基于特定人脸图像年龄估计技术具有广泛的商用前景。
2、 研究意义
自动年龄估计有更广泛的应用前景,主要包括:
(1)可推动人脸识别技术的发展,在人脸年龄识别的研究中,人脸样貌会随着年龄发生变化,导致对象当前面貌与图像库中的图像之间出现差异,从而引起识别率的下降。为减少这种变化所带来的影响,可应用多年龄人脸图像重构方法来模拟年龄变化的效果,提高人脸的识别率,实现人脸面貌的准确识别和预测。
(2)可直接应用在信用卡、驾驶证、护照、身份证等个人身份证明中,进行自动个人身份辩识。由于身份证、护照以及许多其他证件上都有证件所有者的正面免冠照片,虽然证件持有者的样貌已经与照片有一定的差距,但是在检验时,仍能较为准确的识别出对象的身份,减少了人工干预,不需要经常更新照片。此外,还可以有效地打击假姓名、假身份证等违法犯罪行为。
(3)可用于信息采集与分析,例如广告调查等领域,我们可以测定出浏览某个特定广告花费最多时间的年龄群并针对该年龄群设计广告方案;商家对购物中心的顾客进行年龄层次的分析统计,根据各自需求而针对不同的顾客群制定有利于商家自己的经营策略。
一、 国内外研究现状
1、 国内研究现状
国内较少人从事人脸年龄估计的研究,文献[1]研究了基于Boosting RBF神经网络的人脸年龄估计方法,先用非负矩阵分解方法提取人脸特征,然后通过RBF神经网络确定一个人脸图像及其相符年龄之间的估计函数。为提高神经网络的泛化能力和故障诊断的准确性,利用Boosting方法构造了一个基于神经网络的函数序列,将它们组合成一个加强的估计函数,最后进行年龄估计。文献[2]提出一种基于人工免疫识别系统的年龄估计方法,先利用AAM方法自动提取用于年龄估计的人脸特征,之后利用人工免疫识别系统方法进行人脸图的年龄估计。
2、 国外研究现状
国际上,Young和Niels[3]可能是最早提出年龄估计的人。他们早在1994年就提出通过人脸图像进行年龄估计。他们的工作相对较为简单。他们把年龄粗略地分成:老年人、年轻人和小孩三种。Hayashi等[4]研究了基于Hough变换的皱纹纹理和人脸图像肤色分析的年龄和性别识别方法。Lanitis等人[5]提出一种基于脸部外观的统计模型。他们比较了KNN、MLP、SOM分类器的性能,并且认为机器几乎可以和人一样估计出人的年龄。Nakano等人[6]提出利用脖子和脸部皱纹纹理的边缘信息来进行年龄估计。Zhou等人[7]提出用Boosing的方法做为回归方法进行年龄的估计,并用实验表明该方法比基于SVMs的方法还要好。Geng等人[8]提出了衰老模式子空间的方法,通过学习一些代表性的子空间来建模衰老模式,这种衰老模式是用一系列的个人衰老图像定义出来的。对于未知人脸图像,通过用子空间投影的方法重构其衰老模式,从而得到该人脸图像在衰老模式下的位置,由此来估计人脸图像的年龄。最近,Guo等[9]用子空间学习方法得到衰老流形的低维嵌入,从而提取出人脸与衰老相关的特征,并设计了一个局部可调节回归方法用于学习和估计年龄。
二、 年龄识别系统设计
1、 bp神经网络简介
BP 为非循环多级网络的训练算法。Werbos在1974年已经提出了该方法[10];1982年,Paker 完成了相似的工作; BP 神经网络作为一种多层前馈神经网络广泛应用于预测领域。它的一个主要特征就是数据向前传递,误差向后反馈。在向前传递数据的过程中,数据是依次按照输入层、隐含层和输出层的顺序传递。并且每一层的神经元状态只对下一层神经元状态有影响。如果输出层获得的数据与实际数据对比有误差存在,那么转向反向传播过程。根据实际数值与网络输出数据的误差逐级调整神经网络的权值和阀值,从而使得网络的输出数值逐步逼近实际数据值。BP 神经网络的缺点是:其学习速度较慢、局部极小点的逃离问题、算法不一定收敛等问题;其优点是:广泛的适应性和概括性。
2、 bp网络的模型
BP网络是一种多层前馈神经网络,它是J.L.McCelland和D.E.Rumelhart及其研究小组在1986年研究并设计出来的。当前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和它的变化形式,它同时也是前向网络的核心部分,体现了人工神经网络最精髓的部分。BP神经元模型如图所示:
3、bp网络算法的改进
为了克服BP算法的缺点,提高BP网络的性能,提出了一些改进的BP神经网络算法,用来满足解决不同问题的需要。主要的改进算法有动量方法、可变学习速度算法、共轭梯度法等。
例如共轭梯度法,基本BP算法之收敛速度慢有一个重要的原因是采用了瞬时梯度来修正权值,用了目标函数一阶导数的信息,权值的调节只是沿梯度下降最速方向进行,而误差曲面是一个十分复杂的超曲面,有着严重的畸形区域,导致这一梯度下降的最速方向可能极大地偏离指向误差曲面最小点的方向,从而急剧的加长了权值到达最小点位置的搜索路径,除此外在极值点附近,由于梯度较小,收敛速度更是慢。学习过程是一个最优化问题,用瞬时梯度相当于最速下降法,分类器采用二阶梯度法,就可以大大加强收敛性。
三、实验步骤
BP神经网络用于人脸识别的步骤为:首先应对输入图像实行图像预处理,之后进行人脸特征提取,接下来就是BP神经网络训练,最后用训练好的网络进行识别,获得识别结果。图像预处理是为了更易特征提取,特征提取就是将图像中大量的冗余信息去除,即实现数据压缩,降低了神经网络结构的复杂度,提高了神经网络的训练效率和收敛率。本文以指定的标准脸为研究对象,将输入图像进行图像压压缩、图像抽样、输入矢量标准化等图像预处理后,送入 BP神经网络训练,经过竞争选择,获得识别结果。整个识别系统如图所示。
1、 样本选择及特征提取
2、 找到人脸,然后找到年龄特征量,之后和标准人脸做比较,与哪个最相近即使哪个年龄段。比如放三张标准照片,一张小孩,一张中年人,一张老年人。每个年龄段放5张照片和标准照片做对比,进行最相近匹配得到年龄段。
3、 特征提取:
4、 (1)第一图片,转成20*20的矩阵,然后转成200*1的矩阵
5、 (2)每一个图片都转成200*1的矩阵
6、 (3)所有的图片组成矩阵15*200的矩阵,记成矩阵A
7、 (4)类别标签的制作[1 1 1 1 1 2 2 2 2 2 3 3 3 3 3],看成b
8、 (5)然后进行神经网络的预测,对于A是神经网络的输入变量,b是输出向量,
9、 (6)当输入一个图片时候,如果bp神经网络输出1,那么就是第一类,输出2就是第二类
2、matlab实现
(1) 先进行一组老年人的人脸年龄识别,以下是选取的5张照片
一组老年人脸
(2)选取其中的一张照片进行matlab的识别,在页面上显示为待识别
一张老年人脸
(3)下图是进行bp神经网络的训练,显示了迭代次数训练精度训练的时间,训练的梯度下降值
神经网络训练
(4)预测输出的结果是1 2 3这样的类别号码。不是波形,图像的形式是我们的输入数据,当有一定的输入数据进入Bp神经网络的时候,经过训练,由Bp神经网络复杂的网络得出相关的输出,识别结果为老年人
bp识别结果
(5)之后进行一组小孩人脸年龄识别,以下是选取的5张图片
一组小孩脸
(6)选取其中一张图片进行识别
一张小孩脸
(7)如同老年人人脸年龄识别神经网络训练一样的原理
(8)结果显示为小孩
(9)再进行一组中年人人脸年龄识别,选取以下5张图片
一组中年人脸
(10)选取其中一张进行年龄识别
一张中年人脸
(11)图为神经网络训练,原理和老年人人脸年龄识别相同
(12)识别结果为中年
实验结果:能够达到预期效果。输入的三组照片,分别为小孩、中年人、老年人。程序是对BP神经网络进行建立、样本训练。缺点是,只能大概估计年龄段,未能很好的估计出具体年龄。
结论
人脸图像的年龄估计是模式识别领域的一个重要的研究方向,在过去很多年的研究中取得很大的突破。该项研究不但可以提高人脸识别的准确率,并且在刑侦、失踪人口的查找电子客户关系管理等领域都有广泛的应用前景。目前从事年龄估计的国外研究机构主要包括美国的Illinos大学urbana分校, Maryland大学Park分校,North Carolina大学的Wilmington分校,国内的有南京大学、中国科学院计算研究所、清华大学、上海交通大学、天津大学、东南大学等。本文通过bp神经网络进行年估计的研究,主要完成的工作如下:
(1)首先介绍了人脸年龄估计的研究背景和国内外研究现状,并提出现阶段该研究所面临的问题。
(2)介绍了bp神经网络,并且以降维后的特征作为神经网络的输入,以图像中人的年龄值作为神经网络的输出,建立神经网络模型,对年龄进行估计。总共识别三组人群的年龄,分别为老年人,中年人和小孩,每组照片选取5张照片,在matlab中输入任意的照片,查看显示结果是否正确。
由于受时间、知识水平等所限,本文所取得的成果只是阶段性的,离实际应用还有较大的距离,相应的人脸识别系统也只能作出软件设计和部分实现,对于通过对整个系统的实现最终实用化还有很多地方需加强。
今后在以下几个方面还可进一步研究 (1)加强对人脸检测的探究,将人脸从复杂背景中正确的分离出来,进一步提高人脸检测的精确度。 (2)面部特征的自动定位很大程度上影响着人脸建模的精确度和最终识别系统的识别。而现有的多数特征定位算法的定位精准度都随着光照、姿态等外界条件变化而下降,所以,需进一步改进图像预处理方法和人脸器官定位方法,提高识别的正确率。