中企动力 > 商学院 > 人脸图像识别
  • ?

    这7个关键技术,是人脸识别技术的核心!

    尤葶

    展开

    这7个关键技术,是人脸识别技术的核心!

    1、人脸检测

    “人脸检测”的作用就是要检测出图像中人脸所在位置。人脸检测算法的输入是一张图像,输出是人脸框坐标序列,具体结果是0个人脸框或1个人脸框或多个人脸框。输出的人脸坐标框可以为正方形、矩形等。

    2、人脸配准

    “人脸配准”所实现的目的是定位出人脸上五官关键点坐标。人脸配准算法的输入是“一张人脸图像”和“人脸坐标框”,输出是五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值,常见的有5点、68点、90点等等。

    3、人脸属性识别

    “人脸属性识别”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。这在有些相机APP中有所应用,可以自动识别摄像头视野中人物的性别、年龄等特征并标注出来。

    4、人脸提特征

    “人脸提特征”是将一张人脸图像转化为可以表征人脸特点的特征,具体表现形式为一串固定长度的数值。人脸提特征过程的输入是 “一张人脸图”和“人脸五官关键点坐标”,输出是人脸相应的一个数值串。人脸提特征算法实现的过程为:首先将五官关键点坐标进行旋转、缩放等等操作来实现人脸对齐,然后在提取特征并计算出数值串。

    5、人脸比对

    “人脸比对”算法实现的目的是衡量两个人脸之间相似度。人脸比对算法的输入是两个人脸特征人脸特征由前面的人脸提特征算法获得,输出是两个特征之间的相似度。

    6、人脸验证

    “人脸验证”是判定两个人脸图是否为同一人的算法。它的输入是两个人脸特征,通过人脸比对获得两个人脸特征的相似度,通过与预设的阈值比较来验证这两个人脸特征是否属于同一人。

    7、人脸识别

    “人脸识别”是识别出输入人脸图对应身份的算法。它的输入为一个人脸特征,通过和注册在库中N个身份对应的特征进行逐个比对,找出“一个”与输入特征相似度最高的特征。将这个最高相似度值和预设的阈值相比较,如果大于阈值,则返回该特征对应的身份,否则返回“不在库中”。

  • ?

    用于黑暗环境的人脸识别技术

    杨书芹

    展开

    来源:美国陆军研究实验室(U.S. Army Research Laboratory)

    图片来源:Eric Proctor,William Parks和Benjamin S. Riggan

    像FLIR这样的热成像仪或前视红外传感器主要用于高空飞行器、地面车辆、监视塔和检查站以进行监视。最近,热成像仪正逐步变为可穿戴设备。使用这种热成像摄像机在夜间进行自动人脸识别,有助于士兵发现目标人物,比如被列入监视名单上的人。

    该技术由美国陆军研究实验室的博士Benjamin S. Riggan,Nathaniel J. Short和Shuowen“Sean”Hu开发,这项技术旨在提高自动和人工匹配能力。

    研究科学家Riggan说:“这项技术可以在热成像图和现有的仅包含可见面部图像的生物识别人脸数据库监视名单之间进行匹配。”该技术通过热成像面部合成,为我们提供了一种可见面部图和面部热成像之间的图像匹配方法。”

    他表示,在夜间或光线不足时,常规的照相机无法正常拍摄出可用于面部图像识别的照片;但如果使用闪光灯或聚光灯,则又会暴露监视照相机的位置。然而,捕捉活性皮肤组织自然产生的热信号的红外线摄像头却非常适合这种情况。

    Riggan说:“当使用热成像仪捕捉面部图像时,主要挑战是捕捉的热成像图必须与监视名单或图库匹配,而这些名单和图库仅包含来自已知的且被关注的传统可见图像。“因此,这个问题就涉及到了所谓的互谱(cross-spectrum)或异质(heterogeneous)的人脸识别,在这种情况下,一种模式下获取的面部探测图像需要与其他使用不同成像模式获取的图库数据库相匹配。”

    这种方法利用了基于深度神经网领域中先进的适应性技术。基本方法由两个关键部分组成:一个是非线性回归模型,它将给定的;另一个是优化问题模型,它将抽象图转换为常规可视图像。

    这项工作的详细内容见于在3月份发表的技术论文《使用多个区域的人脸热图像可视化合成》(Thermal to Visible Synthesis of Face Images using Multiple Regions)中,该论文发表在IEEE计算机视觉应用冬季会议(IEEE Winter Conference on Applications of Computer Vision)上,此会议在美国内华达州塔霍湖市举办,与会来宾包括来自学术界、工业界和政府的学者与科学家。

    在会议上,陆军研究人员证明,将全局信息(例如整个脸部的特征)与局部信息(例如来自识别性基准区域的特征,例如眼睛,鼻子和嘴巴)相结合,增强了合成图像的可区分性。他们通过展示热成像图向可见光图的转换过程,证实了利用全局与局部区域成图合成精确面部图像的可行性。

    合成图像的优化问题试图共同保留整个脸部的形状和局部基准细节的外观。使用合成的热变图像和现有的可见图库图像,他们利用常见的开源深度神经网络架构进行人脸验实验,用于人脸识别。算法架构中用于人脸识别的部分采用了显式设计。令人惊讶的是,他们所用方法的匹配效果,比处理常规照片所用的生成对抗网络方法更好。

    Riggan将这一结果归因于GAN的游戏理论目标,尽管此目标有时忽略保留识别特征的事实,但是其能够立即生成在动态范围和类似于照片的外观上与训练图像足够相似的图像,他解释道。由ARL开发的方法保留了身份信息以增强可辨识性,例如,提高了自动人脸识别算法和人工识别准确性。

    作为论文演示的一部分,ARL研究人员展示了这项技术的近实时演示。概念验证演示包括使用FLIR Boson 320热成像摄像头和接近实时运行算法的笔记本电脑。该演示向观众展示了一个人被采集的热图像在现场合成为可见图像。这项工作在此次会议的面孔/生物识别分会上70多篇被提交的论文中脱颖而出,获得了最佳论文奖。

    Riggan说,他和同事们将继续在国防取证和生物识别机构(Defense Forensics and Biometrics Agency)的赞助下扩大这项研究,为士兵开发强大的夜间人脸识别设备而继续努力。

    翻译:温尔雅

    审稿:林然

    原文链接:

  • ?

    人脸识别技术是通过面部器官的位置信息

    铭记心

    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。

  • ?

    人脸识别技术的5个功能模块,你都知道吗?

    严幼旋

    展开

    人脸识别技术的5个功能模块,你都知道吗?

    1、人脸捕捉与跟踪功能

    人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来,并自动地将其保存。人像跟踪是指利用人像捕获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。

    2、人脸识别比对

    人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指,从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。

    3、人脸的建模与检索

    可以将登记入库的人像数据进行建模提取人脸的特征,并将其生成人脸模板保存到数据库中。在进行人脸搜索时,将指定的人像进行建模,再将其与数据库中的所有人的模板相比对识别,最终将根据所比对的相似值列出最相似的人员列表。

    4、真人鉴别功能

    系统可以识别得出摄像头前的人是一个真正的人还是一幅照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。

    5、图像质量检测

    图像质量的好坏直接影响到识别的效果,图像质量的检测功能能对即将进行比对的照片进行图像质量评估,并给出相应的建议值来辅助识别 。

  • ?

    “人脸识别”是怎么实现的?

    李文

    展开

    人脸识别技术是一种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一系列比对的、基于人的脸部特征信息进行身份识别的生物识别技术,通常也叫人像识别或面部识别。

    一、人脸识别技术原理分析

    人脸识别主要分为人脸检测、特征提取和人脸识别三个过程。

    1、人脸检测

    人脸检测是指从输入图像中检测并提取人脸图像,通常采用haar特征和Adaboost算法训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器,则被判别为人脸图像。

    人脸检测结果举例(绿色框为人脸检测结果)

    2、特征提取

    特征提取是指通过一些数字来表征人脸信息,这些数字就是我们要提取的特征。

    常见的人脸特征分为两类,一类是几何特征,另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系,如距离、面积和角度等。由于算法利用了一些直观的特征,计算量小。

    不过,由于其所需的特征点不能精确选择,限制了它的应用范围。另外,当光照变化、人脸有外物遮挡、面部表情变化时,特征变化较大。所以说,这类算法只适合于人脸图像的粗略识别,无法在实际中应用。

    人脸提特征过程(最右侧数值串为“人脸特征”)

    3、人脸识别

    将待识别人脸所提取的特征与数据库中人脸的特征进行对比,根据相似度判别分类。而人脸识别又可以分为两个大类:一类是确认,这是人脸图像与数据库中已存的该人图像比对的过程,回答你是不是你的问题;另一类是辨认,这是人脸图像与数据库中已存的所有图像匹配的过程,回答你是谁的问题。显然,人脸辨认要比人脸确认困难,因为辨认需要进行海量数据的匹配。

    与指纹应用方式类似,人脸识别技术目前比较成熟的也是考勤机。因为在考勤系统中,用户是主动配合的,可以在特定的环境下获取符合要求的人脸。这就为人脸识别提供了良好的输入源,往往可以得到满意的结果。但是在一些公共场所安装的视频监控探头,由于光线、角度问题,得到的人脸图像很难比对成功。这也是未来人脸识别技术发展必须要解决的难题之一。

    二、人脸识别技术特点

    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:

    1、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”;

    2、非接触性

    :用户不需要和设备直接接触就能获取人脸图像;

    3、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。

    三、人脸识别步骤

    人脸识别目前来讲具体分为以下几个步骤:

    根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸,即在一幅图像或一系列图像(比如视频)中判断是否有人脸,若有则返回人脸的大小、位置等信息。

    2、人脸图像预处理

    系统获取的原始图形由于受到各种条件的限制和随机干扰,必须在图像处理的早期阶段进行灰度校正、噪声过滤图像预处理。人脸图像预处理主要包括:人脸对准,人脸图像增强,以及归一化等工作。

    人脸对准是为了人脸位置端正的人脸图像

    图像增强是为了改善人脸图像的质量,不仅在视觉上更加清晰,而且使图像更利于计算机的处理与识别

    归一化的工作的目标是取得尺寸的一致,灰度取值范围相同的标准化人脸图像

    3、人脸图像特征提取

    人脸识别提取就是针对人脸的某些特征进行的。人脸特征也称人脸表征,它是对人脸进行特征建模的过程

    4、人脸图像匹配与识别

    人脸识别就是将待识别的人脸特征与已得到的人脸的特征模板进行比较,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:

    一类是人脸确认,是一对一进行图像比较的过程,根据其相似程度来判断是否是同一个人,相似程度一般以能否超过某以量化阈值为依据。

    另一类是人脸辨认,是一对多进行图像对比,将某人面像与数据库中的多人的人脸进行对比,并根据比对结果来鉴定此人身份,或找到其中最相似的人脸,并按照相似程度的大小输出检测结果。乌镇互联网大会中的刷脸注册系统,百度大厦的闸机,人停留1到2秒即可通过,这就是1:N的人脸识别。

    三、人脸识别技术应用前景

    1、企业、住宅安全和管理

    。如人脸识别门禁考勤系统,人脸识别防盗门等。

    2、电子护照及身份证。

    这或许是未来规模最大的应用,国际民航组织(ICAO)已确定,从2010年起,其118个成员国家和地区,必须使用机读护照,人脸识别技术是首推识别模式,该规定已经成为国际标准。

    3、公安、司法和刑侦。

    如利用人脸识别系统和网络,在全国范围内搜捕逃犯。

    4、自助服务。

    如银行的自动提款机,如果用户卡片和密码被盗,就会被他人冒取现金。如果同时应用人脸识别就会避免这种情况的发生。

    5、信息安全。

    如计算机登录、电子政务和电子商务。

    感谢您关注皓联科技!

    文章来源:整理自网络

  • ?

    3D人脸识别技术科普

    菲什加德

    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。

    。

  • ?

    数字图像处理之人脸检测与识别设计

    新概念

    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。

  • ?

    深度学习之视频人脸识别系列三:人脸表征

    田新晴

    展开

    一、人脸表征

    把人脸图像通过神经网络,得到一个特定维数的特征向量,该向量可以很好地表征人脸数据,使得不同人脸的两个特征向量距离尽可能大,同一张人脸的两个特征向量尽可能小,这样就可以通过特征向量来进行人脸识别。

    二、论文综述

    1.DeepFace:

    2014年论文DeepFace: Closing the Gap toHuman-Level Performance in Face Verification提出了DeepFace算法,第一个真正将大数据和深度学习神经网络结合应用于人脸识别与验证。在该人脸识别模型中分为四个阶段:人脸检测 => 人脸对齐 => 人脸表征 =>人脸分类,在LFW数据集中可以达到97.00%的准确率。

    (1)人脸检测与对齐:该模型使用3D模型来将人脸对齐,该方法过于繁琐,在实际应用中很少使用,经过3D对齐以后,形成的图像都是152×152的图像,具体步骤如下图。

    分为如下几步:

    a. 人脸检测,使用6个基点 b. 二维剪切,将人脸部分裁剪出来 c. 67个基点,然后Delaunay三角化,在轮廓处添加三角形来避免不连续 d. 将三角化后的人脸转换成3D形状 e. 三角化后的人脸变为有深度的3D三角网 f. 将三角网做偏转,使人脸的正面朝前。 g. 最后放正的人脸 h. 一个新角度的人脸(在论文中没有用到)

    (2)人脸表征:人脸表征使用了5个卷积层和1个最大池化层、1个全连接层,如下图所示。前三层的目的在于提取低层次的特征,为了网络保留更多图像信息只使用了一层池化层;后面三层都是使用参数不共享的卷积核,因为主要是因为人脸不同的区域的特征是不一样的,具有很大的区分性,比如鼻子和眼睛所表示的特征是不一样的,但是使用参数不共享的卷积核也增加了模型计算量以及需要更多的训练数据。最后输出的4096维向量进行L2归一化。

    a. Conv:32个11×11×3的卷积核

    b. max-pooling: 3×3, stride=2

    c. Conv: 16个9×9的卷积核

    d. Local-Conv: 16个9×9的卷积核,Local的意思是卷积核的参数不共享

    e. Local-Conv: 16个7×7的卷积核,参数不共享

    f. Local-Conv: 16个5×5的卷积核,参数不共享

    g. Fully-connected: 4096维

    h. Softmax: 4030维

    (3)分类:论文介绍了两种方法进行分类,加权的卡方距离和使用Siamese网络结构,设f1和f2为特征向量,上一个步骤的输出,则有:

    ①加权卡方距离:计算公式如下,加权参数由线性SVM计算得到:

    ②Siamese网络:网络结构是成对进行训练,得到的特征表示再使用如下公式进行计算距离:

    2.DeepID1:

    Deep Representation from Predicting 10,000 Classes一文提出的,是DeepID三部曲的第一篇。DeepID1 使用softmax多分类训练,主要思想第一个是数据集的增大,包括训练集使用celebface,包含87628张图片,5436个人脸,增大了训练集;使用多尺寸输入,通过5个landmarks将每张人脸划分成10regions,每张图片提取60patches=10regions*3scales*2(RGB orgray),第二个是网络结构,DeepID提取的人脸特征就是一个由连接第三层与第四层组成的全连接层特征,如下图所示,每个patches经过这个cnn网络,第四层的特征更加全局化(global),第三层的特征更加细节,因此DeepID连接了两者,以求同时包含全局,细节信息。

    60个patches使用60个CNN,每个CNN提取2*160=320维特征(与水平翻转一起输入),总网络模型如下图所示,最后分别使用联合贝叶斯算法与神经网络进行分类,并比较结果。

    模型最终以CelebFaces+中202,599图像作为训练集, patch数提升为100(10r*10s*2) ,特征数提升为100*160*2=32000 然后使用PCA降为150维 ,使用联合贝叶斯算法进行验证, 最终在LFW上达到97.20%的验证准确率。

    3.DeepID2:

    Deep Joint Identification-Verification一文提出的,对DeepID1进行了进一步的改进,提出了contrastive loss,在分类任务,我们需要的是减少类内差距(同一人脸),增加类间差距(不同人脸),softmax loss分类的监督信号可以增大类间差距,但是却对类内差距影响不大,所以DeepID2加入了另一个loss,contrastive loss,从而增加验证的监督信号,就可以减少类内差距。

    网络结构类似DeepID1,不同之处在于使用了两种不同的损失函数,网络结构如下图所示。

    损失函数:

    ①分类信号,Softmax loss。

    ②验证信号,contrastiveloss,使用l2范数距离表示,m为阈值不参与训练,括号内的θve={m},该损失函数可以让类间的距离给定一个限制margin,即m大小的距离。

    两loss的组合方式: 首先使用2个输入,计算Softmax loss和contrastive loss,总损失为二者通过λ加权求和,通过总损失来执行梯度下降更新卷积参数,通过Softmax loss来更新softmax层的参数。

    整个模型使用celebrate+数据集训练,每张图片使用了21 facial landmarks,分成200patches(20regions*5scales*2RGB&Gray),水平翻转后变为400patches,使用了200个卷积神经网络,提取400(200*2)个Deepid2特征,使用贪婪算法降为25个Deepid2特征,使用PCA将25*160Deepid2特征降为180维,最后使用联合贝叶斯算法进行验证,最终在LFW上得到的最终准确率是98.97%,使用7组25个Deepid2特征,SVM融合可得到准确率为99.15% 。Deep 的浪潮。

    4.DeepID2+:

    Deep are sparse, selective, and robust,DeepID2+是对DeepID2的改进。①卷积层在原来基础上再增加128维,第四层全连接层从160增加到512,训练数据增加了CelebFaces+ dataset,WDRef等,有12000个人脸的大约290,000张图片; ②每个卷积层的后面都加了一个512为的全连接层,并添加contrastive loss监督信号,而不仅在第四层全连接层上有 。网络结构如下图所示。

    最终在LFW数据集上准确率为99.47%。

    5.DeepID3:

    DeepID3源于2015年的Deepid3:Face recognition with very deep neural networks论文,该论文探究了复杂神经网络对人脸识别的作用。论文研究VGG与GoogleNet用于人脸识别的效果,论文在VGG和GooLeNet的基础上进行构建合适的结构,使得方便人脸识别。结果发现DeepID3的结果和DeepID2+相当,可能是由于数据集的瓶颈,需要更大的数据才能有更好的提升,两个网络结构如下图所示。

    网络输出使用PCA降维到300维的向量,使用联合贝叶斯算法进行验证,最终在LFW上得到的最终准确率是99.53%。

    6.FaceNet:

    FaceNet由论文Facenet: A unified embedding forface recognition and clustering提出,这篇 2015 年来自 Google 的 论文同样具有非常大的影响力,不仅仅成功应用了 TripletLoss 在 benchmark 上取得state-of-art 的结果,更因为他们提出了一个绝大部分人脸问题的统一解决框架,即:识别、验证、搜索等问题都可以放到特征空间里做,需要专注解决的仅仅是如何将人脸更好的映射到特征空间。FaceNet在Deep 改进为 Triplet Loss,去掉softmaxloss。FaceNet实验了ZFNet类型网络和Inception类型网络,最终Inception类型网络效果更好,网络结构如下图所示。

    FaceNet没有使用PCA降维,而是在网络中直接训练输出128维的向量,用全连接层来完成降维,最后的128维的向量经过Triplet Loss。

    Triplet Loss输入不再是 Image Pair,而是三张图片(Triplet),分别为 Anchor Face(xa),Negative Face(xn)和 Positive Face(xp)。Anchor 与 Positive Face 为同一人,与 Negative Face 为不同人,在特征空间里 Anchor 与 Positive 的距离要小于 Anchor 与 Negative 的距离,且相差超过一个 Margin Alpha。

    loss的目标为:

    总loss公式为:

    Contrastive Loss与Triplet Loss的比较, Contrastive Loss目标是减少类内差距(两个蓝点),增加类间差距(蓝点与红点);Triplet Loss则是输入三张图片,Anchor 与 Positive 的距离要小于 Anchor 与 Negative 的距离,且相差超过一个 Margin Alpha,即Triplet Loss同时约束了两个距离。

    最后FaceNet在LFW数据集上达到了99.63%的准确率。

    基于 ContrastiveLoss 和 Triplet Loss 的 MetricLearning 符合人的认知规律,在实际应用中也取得了不错的效果,但同时也有很多问题,由于ContrastiveLoss 和 Triplet Loss 的训练样本都基于pair 或者 triplet 的,可能的样本数是 O(N2) 或者 O (N3) 的,所以模型需要很久的计算才能拟合并且训练集需要足够大。

    三、总结

    本期文章主要介绍人脸表征相关算法和论文综述,主要是2014年到2016年的研究成果, ContrastiveLoss 和 Triplet Loss在实际应用中也取得了很好的效果,但是也有很多问题,由于Contrastive Loss 和 Triplet Loss 的训练样本都基于 pair 或者 triplet 的,可能的样本数是 O (N2) 或者 O (N3) 的,所以模型需要很久的计算才能拟合并且训练集要足够大,所以在之后的人脸识别研究中,大部分在于loss函数的研究,这部分将会在下一期给大家介绍。

    参考文献:

    【1】 Taigman Y, Yang M, Ranzato M A, et al.Deepface: Closing the gap to human-level performance in faceverification[C]//Proceedings of the IEEE conference on computer vision andpattern recognition. 2014: 1701-1708.

    【2】Sun Y, Wang X, Tang X. Deep learning facerepresentation from predicting 10,000 classes[C]//Proceedings of the IEEEconference on computer vision and pattern recognition. 2014: 1891-1898.

    【3】Sun Y, Chen Y, Wang X, et al. Deeplearning face representation by joint identification-verification[C]//Advancesin neural information processing systems. 2014: 1988-1996.

    【4】Sun Y, Liang D, Wang X, et al. Deepid3:Face recognition with very deep neural networks[J]. arXiv preprintarXiv:1502.00873, 2015.

    【5】Simonyan K, Zisserman A. Very deepconvolutional networks for large-scale image recognition[J]. arXiv preprintarXiv:1409.1556, 2014.

    【6】Szegedy C, Liu W, Jia Y, et al. Goingdeeper with convolutions[C]//Proceedings of the IEEE conference on computervision and pattern recognition. 2015: 1-9.

    【7】Sun Y, Wang X, Tang X. Deeply learned facerepresentations are sparse, selective, and robust[C]//Proceedings of the IEEEconference on computer vision and pattern recognition. 2015: 2892-2900.

    【8】Schroff F, Kalenichenko D, Philbin J.Facenet: A unified embedding for face recognition andclustering[C]//Proceedings of the IEEE conference on computer vision andpattern recognition. 2015: 815-823.

    你也许还想看:

    ● 推荐 | 身边的程序员朋友99.9%都关注了...

    ● 深度学习之视频人脸识别系列(一):简介

    ● 深度学习之视频人脸识别系列(二):人脸检测与对齐

    欢迎扫码关注:

  • ?

    人脸识别技术是如何识别人脸的,你清楚吗?

    贾冷霜

    展开

    人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要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。

    人脸图像特征提取

    人脸识别技术是生物识别技术的一个重要分支,是模式识别和计算机视觉领域内的一个研究热点。与利用指纹、虹膜等其他生物特征识别相比,人脸识别具有直接、友好、方便的特点,是进行身份确认的最自然直接的手段。因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。 人脸识别的较一般的表述为:给定一场景的静止或视频图像,利用已有的人脸数据库,确定场景中的一个或多个人。人脸识别过程包括人脸检测、人脸特征的提取和压缩、以及与人脸特征相配合的模式分类器的构造,从广义上讲还包括表情分析和生理分析。

    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

    遐想2001

    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。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。