中企动力 > 商学院 > 人脸识别图像
  • ?

    人脸识别技术的5个功能模块,你都知道吗?

    Quepos

    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 。

  • ?

    清华大学发布:人脸识别最全知识图谱

    efg222

    展开

    自20世纪下半叶,计算机视觉技术逐渐地发展壮大。同时,伴随着数字图像相关的软硬件技术在人们生活中的广泛使用,数字图像已经成为当代社会信息来源的重要构成因素,各种图像处理与分析的需求和应用也不断促使该技术的革新。计算机视觉技术的应用十分广泛。数字图像检索管理、医学影像分析、智能安检、人机交互等领域都有计算机视觉技术的涉足。该技术是人工智能技术的重要组成部分,也是当今计算机科学研究的前沿领域。经过近年的不断发展,已逐步形成一套以数字信号处理技术。计算机图形图像、信息论和语义学相互结合的综合性技术,并具有较强的边缘性和学科交叉性。其中,人脸检测与识别当前图像处理、模式识别和计算机视觉内的一个热门研究课题, 也是目前生物特征识别中最受人们关注的一个分支。

    人脸识别,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。通常采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。根据资料,2017 年生物识别技术全球市场规模上升到了 172 亿美元,到 2020 年,预计全世界的生物识别市场规模有可能达到 240 亿美元。自 2015 年到 2020 年,人脸识别市场规模增长了 166.6%,在众多生物识别技术中增幅居于首位,预计到 2020 年人脸识别技术市场规模将上升至 24 亿美元。

    本期我们推荐来自清华大学副教授唐杰领导的学者大数据挖掘项目Aminer的研究报告,讲解人脸识别技术及其应用领域,介绍人脸识别领域的国内玩人才并预测该技术的发展趋势。

    人脸识别技术概述

    1、基本概念

    人类视觉系统的独特魅力驱使着研究者们试图通过视觉传感器和计算机软硬件模拟出人类对三维世界图像的采集、处理、分析和学习能力,以便使计算机和机器人系统具有智能化的视觉功能。在过去 30 年间,众多不同领域的科学家们不断地尝试从多个角度去了解生物视觉和神经系统的奥秘,以便借助其研究成果造福人类。自 20 世纪下半叶,计算机视觉技术就在此背景下逐渐地发展壮大。同时,伴随着数字图像相关的软硬件技术在人们生活中的广泛使用,数字图像已经成为当代社会信息来源的重要构成因素,各种图像处理与分析的需求和应用也不断促使该技术的革新。

    计算机视觉技术的应用十分广泛。数字图像检索管理、医学影像分析、智能安检、人机交互等领域都有计算机视觉技术的涉足。该技术是人工智能技术的重要组成部分,也是当今计算机科学研究的前沿领域。经过近年的不断发展,已逐步形成一套以数字信号处理技术、计算机图形图像、信息论和语义学相互结合的综合性技术,并具有较强的边缘性和学科交叉性。其中,人脸检测与识别当前图像处理、模式识别和计算机视觉内的一个热门研究课题, 也是目前生物特征识别中最受人们关注的一个分支。

    人脸识别,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。通常采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。根据中国报告网发布《2018 年中国生物识别市场分析报告-行业深度分析与发展前景预测》中内容,2017 年生物识别技术全球市场规模上升到了 172 亿美元,到 2020 年,预计全世界的生物识别市场规模有可能达到 240 亿美元。自 2015 年到 2020 年,人脸识别市场规模增长了 166.6%,在众多生物识别技术中增幅居于首位,预计到 2020 年人脸识别技术市场规模将上升至 24 亿美元。

    在不同的生物特征识别方法中,人脸识别有其自身特殊的优势,因而在生物识别中有着重要的地位。人脸识别的五个优势:

    非侵扰性。人脸识别无需干扰人们的正常行为就能较好地达到识别效果,无需担心被识别者是否愿意将手放在指纹采集设备上,他们的眼睛是否能够对准虹膜扫描装置等等。只要在摄像机前自然地停留片刻,用户的身份就会被正确识别。

    便捷性。采集设备简单,使用快捷。一般来说,常见的摄像头就可以用来进行人脸图像的采集, 不需特别复杂的专用设备。图像采集在数秒内即可完成。

    友好性。通过人脸识别身份的方法与人类的习惯一致,人和机器都可以使用人脸图片进行识别。而指纹,虹膜等方法没有这个特点,一个没有经过特殊训练的人,无法利用指纹和虹膜图像对其他人进行身份识别。

    非接触性。人脸图像信息的采集不同于指纹信息的采集,利用指纹采集信息需要用手指接触到采集设备,既不卫生,也容易引起使用者的反感,而人脸图像采集,用户不需要与设备直接接触。

    可扩展性。在人脸识别后,下一步数据的处理和应用,决定着人脸识别设备的实际应用,如应用在出入门禁控制、人脸图片搜索、上下班刷卡、恐怖分子识别等各个领域,可扩展性强。

    正是因为人脸识别拥有这些良好的特性,使其具有非常广泛的应用前景,也正引起学术界和商业界越来越多的关注。人脸识别已经广泛应用于身份识别、活体检测、唇语识别、创意相机、人脸美化、社交平台等场景中。

    2、发展历程

    早在 20 世纪 50 年代,认知科学家就已着手对人脸识别展开研究。20 世纪 60 年代,人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构,通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法简单直观,但是一旦人脸姿态、表情发生变化,精度则严重下降。

    20世纪90年代:1991 年,著名的“特征脸”(Eigenface)方法第一次将主成分分析和统计特征技术引入人脸识别,在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大, 例如,Belhumer 成功将 Fisher 判别准则应用于人脸分类,提出了基于线性判别分析的Fisherface 方法。

    2000-2012年:21 世纪的前十年,随着机器学习理论的发展,学者们相继探索出了基于遗传算法、支持向量机(Support Vector Machine,SVM)、boosting、流形学习以及核方法等进行人脸识别。2009 年至 2012 年,稀疏表达(Sparse Representation)因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。与此同时,业界也基本达成共识:基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。

    Gabor 及 LBP 特征描述子是迄今为止在人脸识别领域最为成功的两种人工设计局部描述子。这期间,对各种人脸识别影响因子的针对性处理也是那一阶段的研究热点,比如人脸光照归一化、人脸姿态校正、人脸超分辨以及遮挡处理等。

    也是在这一阶段,研究者的关注点开始从受限场景下的人脸识别转移到非受限环境下的人脸识别。LFW 人脸识别公开竞赛(LFW 是由美国马萨诸塞大学发布并维护的公开人脸数集,测试数据规模为万)在此背景下开始流行,当时最好的识别系统尽管在受限的 FRGC 测试集上能取得 99%以上的识别精度,但是在 LFW 上的最高精度仅仅在 80%左右,距离实用看起来距离颇远。

    2013年:微软亚洲研究院的研究者首度尝试了 10 万规模的大训练数据,并基于高维LBP 特征和 Joint Bayesian 方法在 LFW 上获得了 95.17%的精度。这一结果表明:大训练数据集对于有效提升非受限环境下的人脸识别很重要。然而,以上所有这些经典方法,都难以处理大规模数据集的训练场景。

    2014年:2014 年前后,随着大数据和深度学习的发展,神经网络重受瞩目,并在图像分类、手写体识别、语音识别等应用中获得了远超经典方法的结果。香港中文大学的 Sun Yi 等人提出将卷积神经网络应用到人脸识别上,采用 20 万训练数据,在 LFW 上第一次得到超过人类水平的识别精度,这是人脸识别发展历史上的一座里程碑。自此之后,研究者们不断改进网络结构,同时扩大训练样本规模,将 LFW 上的识别精度推到 99.5%以上。人脸识别发展过程中一些经典的方法及其在 LFW 上的精度,都有一个基本的趋势:训练数据规模越来越大,识别精度越来越高。

    ▲人脸识别技术发展历程

    3、中国政策支持

    2015 年以来,国家密集出台了《关于银行业金融机构远程开立人民币账户的指导意见(征求意见稿)》,给人脸识别普及打开了门缝;其后,《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等法律法规,为人脸识别在金融、安防、医疗等领域的普及打下了坚实的基础,扫清了政策障碍。同时,2017 年人工智能首次写入国家政府报告,作为人工智能的重要细分领域,国家对人脸识别相关的政策支持力度在不断的加大。2017 年 12 月发布的《促进新一代人工智能产业发展三年行动计划(2018-2020 年)》规划“到 2020 年,复杂动态场景下人脸识别有效检出率超过 97%,正确识别率超过 90%”。

    ▲人脸识别相关政策

    4、发展热点

    研究通过对以往人脸识别领域论文的挖掘,总结出人脸识别领域的研究关键词主要集中在人脸识别、特征提取、稀疏表示、图像分类、神经网络、目标检测、人脸图像、人脸检测、图像表示、计算机视觉、姿态估计、人脸确认等领域。

    下图是对人脸识别研究趋势的分析,旨在基于历史的科研成果数据的基础上,对技术来源、热度甚至发展趋势进行研究。图 2 中,每个彩色分支代表一个关键词领域,其宽度表示该关键词的研究热度,各关键词在每一年份的位置是按照这一时间上所有关键词的热度高度进行排序。起初,Computer Vision(计算机视觉)是研究的热点,在 20 世纪末期,Feature Extraction(特征提取)超越 CV,成为研究的新热点,其后在 21 世纪初期被 Face Recognition 超过,至今一直处在第二的位置上。

    ▲人脸识别相关热点

    此外,研究根据最近两年发表于 FG(International Conference on Automatic Face and Gesture Recognition)的论文中提取出来的关键词发现,Face Recognition 出现频率最高,为118 次,Object Detection 排在第二位,为 41 次,Image Classification 和 Object Recognition 以36 次并列第三,出现次数超过十次的词汇还有 Image Segmentation(32)、Action Recognition(32)、Sparse Representation(28)、Image Retrieval(27)、Visual Tracking(24)、SingleImage(23)。词云图如下所示:

    ▲人脸识别词云分析

    5、人脸识别相关会议

    计算机视觉(CV)界三大顶级国际会议:

    ICCV: IEEE International Conference on Computer Vision

    该会议由美国电气和电子工程师学会(IEEE, Institute of Electrical & Electronic Engineers)主办,主要在欧洲、亚洲、美洲的一些科研实力较强的国家举行。作为世界顶级的学术会议,首届国际计算机视觉大会于 1987 年在伦敦揭幕,其后两年举办一届。 ICCV 是计算机视觉领域最高级别的会议,会议的论文集代表了计算机视觉领域最新的发展方向和水平。 论文接受率在 20%左右。方向为计算机视觉、模式识别、多媒体计算等。

    近年来,全球学界愈来愈关注中国人在计算机视觉领域所取得的科研成就,这是因为由中国人主导的相关研究已取得了长足的进步——2007 年大会共收到论文 1200 余篇,而获选论文仅为 244 篇,其中来自中国大陆,香港及台湾的论文有超过 30 篇,超过大会获选论文总数的 12%。作为最早投入深度学习技术研发的华人团队,在多年布局的关键技术基础之上,香港中文大学教授汤晓鸥率领的团队迅速取得技术突破。2012 年国际计算视觉与模式识别会议(CVPR)上仅有的两篇深度学习文章均出自汤晓鸥实验室,而在 2013 年国际计算机视觉大会(ICCV)上全球学者共发表的 8 篇深度学习领域的文章中,有 6 篇出自汤晓鸥实验室。

    CVPR:IEEE Conference on Computer Vision and Pattern Recognition

    该会议是由 IEEE 举办的计算机视觉和模式识别领域的顶级会议。每年召开一次,录取率在 25%左右。方向为计算机视觉、模式识别、多媒体计算等。

    香港中文大学教授汤晓鸥率领的团队在全球范围内做出了大量深度学习原创技术突破:2012 年国际计算视觉与模式识别会议(CVPR)上仅有的两篇深度学习文章均出自其实验室;2011—2013 年间在计算机视觉领域两大顶级会议 ICCV 和 CVPR 上发表了 14 篇深度学习论文,占据全世界在这两个会议上深度学习论文总数(29篇)的近一半。他在 2009 年获得计算机视觉领域两大最顶尖的国际学术会议之一 CVPR 最佳论文奖,这是 CVPR 历史上来自亚洲的论文首次获奖。

    ECCV:European Conference on Computer Vision

    ECCV 是一个欧洲的会议,每次会议在全球范围录用论文 300 篇左右,主要的录用论文都来自美国、欧洲等顶尖实验室及研究所,中国大陆的论文数量一般在 10-20 篇之间。ECCV2010 的论文录取率为 27%。两年召开一次,论文接受率在 20%左右。方向为计算机视觉、模式识别、多媒体计算等。2018 年的 ECCV 于 2018 年 9 月 8 日-14 日在德国慕尼黑举办。

    亚洲计算机视觉会议:

    ACCV:Asian Conference on Computer Vision

    ACCV 即亚洲计算机è§...

  • ?

    3D人脸识别技术科普

    安南

    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。

    。

  • ?

    人脸识别就是人工智能?别闹了!

    倾迟

    展开

    有人说站在风口上,猪都能飞起来。不错,人工智能站上了风口浪尖。关于人工智能的技术和企业如雨后春笋般冒出来了。2018年世界人工智能大会的召开旨在打造世界顶尖人工智能合作交流平台,推动和主导人工智能产业和技术创新融合发展。 从各个企业来看,大部分企业研究的是关于机器视觉、人脸识别的深度学习算法。那人脸识别就是人工智能吗?

    图片来源于网络

    疯狂的人工智能

    日前,被称为AI独角兽企业之一,8月7日,商汤领投影谱科技13.6亿元D轮融资,创下人工智能影像生产领域单轮最高融资纪录。9月12日,商汤又融资了,在当天宣布获软银中国10亿美元投资后,商汤估值已达60亿美元。云从科技2017年11月完成了B轮融资,据网上最新公开资料,其目前估值200亿元人民币左右。3月8日有消息称,AI独角兽依图科技近期完成最新一轮融资,红杉、高瓴、高榕等前几轮投资方均有跟投,公司整体估值已经突破150亿元。而2017年3月云天励飞宣布,公司获得数千万美元的A轮融资。

    借助于人工智能热潮,这些新兴的AI公司估值动辄数十亿甚至百亿。人工智能就像一把火,熊熊烈火推动了资本热炒,一浪高过一浪。科大讯飞、商汤、旷视、云从科技、依图科技、云天励飞等这些主打AI的公司正成为了资本的宠儿。

    图片来源于网络

    人、车、物深度识别≠人工智能

    人工智能企业融资纵然疯狂,但对于我们来说,人脸识别技术是现阶段生活中应用最为广泛的场景,但是要搞清人工智能并不等于人工智能。

    人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能的实际应用中应包含机器视觉,指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,博弈,自动程序设计,智能控制,机器人学,语言和图像理解,遗传编程等。

    人脸识别,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。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识别的一系列相关技术,通常也叫做人像识别、面部识别。“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术,同时需结合中间值处理的理论与实现,是生物特征识别的最新应用,其核心技术的实现,展现了弱人工智能向强人工智能的转化。

    最终的话可以这样理解:用机器来代替人眼做一些测量跟判断,称为机器视觉,人脸识别技术就是机器视觉所研究的一个方面。而人工智能的研究范围就很大了,机器视觉就是其中之一。

    人工智能 道阻且长

    正如百度李彦宏所说:“人工智能是一个30年到50年的机会。”

    2018中国(深圳)IT领袖峰会上,美国斯坦福大学物理系讲座教授张首晟表示,整个人工智能虽然有突飞猛进的改变,但还处在非常早期的阶段。现在人工智能是在简单模仿人的神经原,但是更应该思考的是在这里面有基础科学重大突破的机会,就是真正去理解智慧和智能的基本的原理、基本的数学原理,这样可以使人工智能突飞猛进地变化。

    李开复曾在公开场合坦言,现在人工智能的投资和估值存在泡沫。虽然经常媒体报道到某某人工智能公司在图像识别或上路测试中取得新进展,但那些算法限定于某种特定场景下识别率能提升百分之零点几。这只能表明在技术上是一个重大进步,但在实际的应用场景中不一定可行。复杂的应用环境、全面完善数据的缺乏、高性能芯片的研发进度等因素,决定了感知智能技术距离应用普及还需要至少5年到10年。

    中国科学院自动化研究所研究员王金桥撰文指出,人工智能被过高期待,泡沫不少。他表示,人工智能当前的热潮得益于学术界上一轮深度学习算法的突破,但应用红利总有用尽之日,认知层的技术突破和基础资源积累才是长期重点。人工智能毫无疑问是未来,但只有当相关技术真正成熟,可被广泛应用于大多数行业时,我们才能迎来真正没有泡沫的人工智能时代。

    目前而言,人工智能技术还处在一个初级阶段。人工智能发展,道阻且长,未来可期。

  • ?

    人脸识别的应用场景和技术盘点

    Lennon

    展开

    肯德基的“微笑付款”系统,Iphone X 的Face ID,银行ATM机的“刷脸取款”,支付宝和京东钱包的“刷脸”解锁,微信钱包微证券产品推荐用户“刷脸”开户........近年来,伴随身份证、银行卡、微信和支付宝账号纷纷与“脸”绑定在一起,“刷脸时代”正大步流星地向我们走来。刷脸支付、刷脸门禁、刷脸解锁、刷脸取款、刷脸入住等,掀起了一股刷脸大潮,勾画出了未来人脸识别取代钥匙、银行卡甚至身份证的远景。有数据显示,2016年我国人脸识别行业市场规模已超过10亿元,预计到2021年将达到51亿元左右。

    相比容易复制的“指纹识别”、黑暗中准确率容易降低的“虹膜识别”等生物识别技术,人脸识别由于其识别过程友好、可快捷隐蔽地进行身份确认等优势,大有后来居上,成为安全认证主力的势头。如今,人脸识别技术的应用正在从金融、安防等领域逐渐应用到消费和生活场景中。

    其中,在零售、餐饮等商业领域,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销售;另一方面,通过对不同人群感兴趣内容的观察和学习,可逐步提升对目标人群推送内容的匹配精准度。

    本文笔者盘点了人脸识别的应用场景及主要技术服务商。

    应用场景一 KFC的刷脸支付

    阿里巴巴旗下的蚂蚁金服在杭州推出“Smile to Pay”这项服务,并与肯德基店进行合作。该支付过程不需要使用智能手机来进行操作,但前提是客户需提前在支付宝APP进行注册,并启用面部识别功能。在支付过程中,显示屏上的3D摄像机对顾客的脸部进行扫描,以验证其身份,此外还需通过号码验证以增强其安全性。

    与KFC的合作是全球首个技术商业应用。KFC的母公司百胜公司是市场上最大的快餐连锁店,拥有超过7685家网点。自去年从其美国母公司百胜公司脱离后,百胜中国便致力于开拓中国市场,增加其营业额,但受中国食品安全恐慌和消费者品味的变化,其业绩并不是很好。

    阿里巴巴作为百胜中国的投资者,通过与KFC合作,旨在刺激中国新一代年轻人的消费。百胜中国总裁Joey Wat表示:“该店面向年轻人,尤其是那些对科技感兴趣或是热衷于接受新的口味与创新的消费者。”

    应用场景二、淘宝购物节上的“淘咖啡”

    7月8日在杭州的街头,马云的第一家无人超市“淘咖啡”开业了,只要使用手机淘宝或者支付宝扫码便可以直接进店,扫码完成后闸机门就会自动打开,深度结合了物联网技术,包括入口的人脸识别,店内的 3D 客流统计摄像头,都是在确保用户身份的前提下来监督用户行为。

    整个超市没有一个售货员,各种商品应有尽有,玩具、公仔、日用品、饮料,等等商品,拿起就走,一切看起来和传统超市基本没什么区别,但是如果你想把商品放进口袋,浑水摸鱼带出去,在人脸识别黑科技面前那是不可能的,一切都会被识别出来。

    在“淘咖啡”无人超市中我们可以发现店内有一个触屏桌面,桌子由三部分物件构成:带有多点可触的桌面式屏幕、桌面上方四个人脸识别摄像头、四把普通椅子,顾客坐在椅子上,人脸识别摄像头会自动识别顾客身份,桌面屏幕打开顾客淘宝帐号,并自动切换店内虚拟库存商品清单,顾客划屏点击商品添加购物车,手机淘宝APP购物车内同步显示添加成功。选完商品,顾客可以选择送货上门,然后离店,无需通过自动结算通道离开。

    淘咖啡体验店内遍布摄像头,不同于一般店内的监控摄像头,淘咖啡店内的摄像头背后是一套自助检测与跟踪系统。从消费者进店起,淘咖啡店内的摄像头就开始捕捉并追踪消费者在店内的所有行为:比如通过消费者拿到商品时的表情和肢体语言,商家可以判断某款商品是否符合消费者的心意;再比如捕捉到消费者每一个货架前的停留时间、商品选购和行动路线,都可以指导商家来调整店内货物的陈列方式和服务装置。

    这些数据实际上反映的是消费者的消费习惯和需求,当积累了一定量的运营数据之后,这种技术就可以服务于线下,形成一套基于用户行为的分析体系,为消费者提供更加个性化的服务和消费体验。商家可以通过人脸识别软件云平台深度学习,不断优化调整店内陈列和商品优化,提升商家的零售效能。

    应用场景三、京东无人超市

    京东无人超市通过人脸识别、图像识别等技术,打造了全场景、即拿即走、数字化运营的完整无人店方案。

    首先,京东将人脸识别作为用户进门凭证,初次进入时绑定用户身份和支付信息。

    然后,京东给每个货架上都装有智能传感器和人脸识别摄像头。智能传感器设于货架底部,用户在货架前拿走商品后,会触发智能感应器及人脸识别摄像头,实现人货绑定。期间,店内的传感器可以感知消费者行走的路线,所观察的商品,哪些商品被拿起以及看了几秒。后台对这些数据进行分析后,可以帮助超市运营人员进行精准营销。每个商品上都贴有RFID标签,鉴于这种技术相对成熟,目前国内无人店均采用这种方式进行自助结算买单。

    最后,挑选好货物,通过结算通道走出超市即可,走出通道时,人脸识别、智能摄像头、智能价签等技术会帮你从绑定的京东账号付款。

    无人超市通过人脸识别、图像识别等技术,打造全场景、即拿即走、数字化运营的完整无人店方案,有效推动线下店在成本、效率、用户体验方面的优化。无疑此次京东无人超市的启动,展现了东在技术领域、特别是物联网和智能化领域的全面布局。据京东内部人员透露,此次推出无人超市不仅是对相关智能科技进行展示而是有盈利需求的,希望能够带来良好的经济效益,明年6月18日前预计将在各地推出100家。

    应用场景四、Amazon Go无人超市

    亚马逊无人超市——Amazon Go所采用的的是机器视觉识别技术。消费者进入Amazon Go购物,需要一个亚马逊帐号,并下载app。在入口处会对顾客进行人脸识别,确认用户身份。当消费者在货架前停留并选择商品时,摄像头会通过图像、手势识别判断顾客是否将货物置于购物篮(购买)还是只是看看然后放回原处(未购买)。

    通过货架上的红外传感器、压力感应装置(确认哪些商品被取走)及荷载传感器(用于记录哪些商品被放回原处),扫描并记录下消费者购买的商品,实时传输至Amazon Go的信息中枢,然后自动在顾客亚马逊账户上结算,用户购物完成,直接离店。

    然而,当商品与原本位置不一致时,Amazon Go此时往往无法很好地对商品进行识别。此外,根据外媒的报道,一旦选购人数超过20人,Amazon Go就很难追踪用户以及手头上选购的商品,因此这项技术目前的测试环境仅能容纳少量用户,或者要求用户放慢移动速度,这可能是Amazon Go推广计划延迟的原因。

    目前针对亚马逊的内部员工内测。未来,因为必须统一使用亚马逊账户结算而无法对接国内占据市场主导的支付宝微信钱包等,可想而知,其线下门店主要服务的也是亚马逊原有的线上用户。

    亚马逊并未透露其门店搭建成本,但根据推断,Amazon Go造价不菲,一个门店的投入成本可能高达千万美元级别。

    技术不成熟,造价高昂,可能都是Amazon Go仍然停留在概念店阶段,难以大幅推广的原因。

    应用场景五、亚马逊利用面部识别系统改善排队顾客体验

    在超市购物,长时间不挪寸步的排队令顾客心烦意乱,这时有超市员工面带微笑,询问有什么需要帮忙,并帮顾客解决了问题,你会否瞬间感到宾至如归,暗暗打定主意下回再来?

    针对该体验的改善,沃尔玛开发了一种面部识别系统,用来识别那些不开心或者有低落情绪的顾客。通过机器学习技术,面部识别系统能够识别出不同程度的低落情绪。该技术主要针对排队起始到结账过程,摄像机记录下顾客的面部表情和肢体动作,然后分析他们是否不满,一旦检测出有程度高的低落情绪,系统会警告员工,同时管理人员将知会对应员工提高服务水平,缓和用户情绪,让一切防患于未然。随着数据的积累,最终这一系统将能实现分析消费者购买行为趋势。早在2015年,沃尔玛就曾将这项技术用于检测和防盗窃测试。

    应用场景六、见福便利CRM人脸识别

    今年9月福建见福便利店与微软CRM合作,引入人脸识别系统,开启智慧零售新时代。目前,见福便利店是全世界第一家尝试做人脸识别的便利店企业,走在7-11、全家FamilyMart的前面。见福CRM人脸识别系统分为四步:1.顾客走进便利店,立刻被人脸识别系统锁定,一个以顾客为核心的大数据群就会随之无声无息地形成;2.客户选购时,通过鱼眼做热点图分析客户对商品的喜好;3.支付时,收银台上的摄像头对客户进行人脸识别,POS机上让用户的“人脸ID”、消费行为挂钩;4. Microsoft Azure技术可做到12个脸部维度数据,进行客户年龄、表情判定,顾客离店,表情展示的“喜怒哀乐”可了解顾客对购物的满意度,以此调整下次提供商品和服务的策略。

    据了解,见福便利店福建已有1000多家,堪称福建便利店的龙头老,截止至9月18日,见福便利店已完成150家门店的设备安装,其中已有120家门店完成调试,80家门店实现CRM人脸识别认知。到今年底,见福便利店的一千多家门店都将履盖该系统,并投入使用。

    见福便利店引入CRM人脸识别认知不仅方便了顾客;更为重要的是它将促进零售业智慧转型,降低零售业成本,实现千店千面的精细化运营。

    技术提供商

    人脸识别其实是生物识别的一类,其它还包括指纹识别、虹膜识别、声纹识别、步态识别等等。人体是复杂庞大的系统,具有超出人类想象的丰富特征,而基于大量的数据和对算法的设计,机器的识别能力正变得越来越精准。下面我们看一下2017人脸识别技术的技术提供商排名前5位:商汤科技、旷视科技、云从科技、依图科技和百度。

    第一名、商汤科技

    商汤科技,专注于机器视觉和深度学习的AI创业公司,如今备受市场关注。作为一家中国的人工智能领军企业,商汤科技成立至今其实才仅有三年的时间。商汤科技基本是通过汤晓鸥教授以及实验室师兄弟的关系,在创立开始完成了最为重要的原始人才积累。其实验室的许多博士生加入商汤,成为最早的创始团队成员。

    一名AI人才的成熟大概需要5~7年的积累。商汤目前已经有了一支120人组成的博士队伍,未来还会尽可能多地招揽市场上已经成熟的AI人才,公司将大约一半的资金投入到人才招聘方面。

    商汤的视觉分析解决方案,已经为京东、小米、华为、360等客户的产品提供技术,还有前段时间很火的Faceu应用,以及Snow自拍App、花椒直播、美图相机等等这一类产品均使用了商汤科技提供的技术。

    商汤的主要业务板块是智慧金融、智慧商业、智慧安防和互联网+,涉及的领域有很多。目前来看,安防的市场正在逐渐变大,除此之外,金融、商业、互联网都各自占据了一部分比较重要的位置。其原创AI技术的应用场,包括SensePose、SenseFace、SenseVideo、SensePhoto、SenseAR等解决方案。这些人工智能应用产品,未来将在全球多个行业和场景下得到广泛运用,如智慧城市、智慧家居、互联网娱乐、手机、无人驾驶、医疗等领域,未来我们将会看到大量传统的低效率工作被高效的人工智能机器所取代。

    如今,商汤在这个行业中所做的事情,是很多企业所做的目标,信息的连接到最后万物互联。万物互联走向一个万物智能的阶段,商汤要在万物互联这个大势之下,为更多合作伙伴和更多企业提供智能的核心。

    第二名、旷视科技

    2011 年旷视(Face++)成立,成为国内最早一批在计算机视觉领域的创业公司,此后三年间,旷视科技一直致力于打造自己的人工智能开放云平台,提供人脸识别、图像识别的开放服务。

    期间,它开始聚焦在两个行业方向:一个是互联网金融,以提供人脸识别认证服务为主,另外一个是泛物联网,具体来说是将线下的摄像头在端上或云上智能化。

    Face++, 2014年,获阿里巴巴旗下蚂蚁金服投资,主攻金融和监控两大行业,有子公司旷视智安;为阿里巴巴提供刷脸服务的旷视(Face++)在2016年4月曾对外公布已经帮助一亿人提供了刷脸服务。

    对着相机微笑就可以自拍,用支付宝“刷脸”就可以完成付款,监控视频可以自动辨别逃犯……这些以前只存在于科幻电影中的场景,旷视科技把它们一一变成了现实。据公司创始人之一印奇介绍,旷视科技的人脸识别技术在世界范围内处于领先水平,目前已经和包括支付宝、camara360、魔漫相机、360搜索、小米金融等热门应用在内的30000多个App建立了合作,其中国外客户占到了30%。

    2014年,旷视科技搭建了Face+...

  • ?

    人脸识别技术主要那几个方面应用呢?

    于寒凝

    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。

  • ?

    数字图像处理之人脸检测与识别设计

    小文

    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。

  • ?

    科普,你不知道的人脸识别原理

    涵蕾

    展开

    说到人脸识别,大部分的人第一反应是“刷脸”,我们来看下人脸识别的定义:人脸识别,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。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。

    从上面这段话,我们能够推断出人脸识别需要:人脸图像采集及检测、人脸图像特征提取以及匹配和识别这四个步骤,同时这也是人脸识别系统的三个组成部分。

    人脸图像采集及检测

      目前主流的人脸检测及采集的方法有Adaboost人脸检测算法、基于特征的方法、基于模板的方法等等。

      主要说说Adaboost人脸检测算法。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。其核心思想是自动从多个弱分类器的空间中挑选出若干个分类器,构成一个分类能力很强的强分类器。

      缺点是在复杂背景中,AdaBoost人脸检测算法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。

    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。

      基于统计理论的方法是指利用统计分析与机器学习的方法分别寻找人脸与非人脸样本特征,利用这些特征构建分类,使用分类进行人脸检测。它主要包括神经网络方法,支持向量机方法和隐马尔可夫模型方法。基于统计理论的方法是通过样本学习而不是根据人们的直观印象得到的表象规律,因此可以减小由于人眼观测不完整和不精确带来的错误而不得不扩大检测的范围,但是这种方法需要大量的统计特性,样本训练费时费力。

    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,简称1:1,另一类是辨认,是一对多进行图像匹配对比的过程,简称1:N。

    1:1意思为“这人是不是某人?”

      比如我们在车站乘车过安检时,检票人员总是拿着身份证跟你本人做对比,证明身份证里面是不是你本人,这种场景就是1:1的场景。

      据相关统计证明人的肉眼识别精准度达到95%左右,但是人的眼睛是有疲劳度的,所以车站安检人员需要定时换班换岗。目的就是为了保持比较平均的识别的准确率。但是,在这种场景下,如果采用人脸识别技术,识别率可达到97%甚至是更高的准确率而且系统设备是没有疲劳度的问题。

    1:N意思为“这人是谁?”

      比如我们现在在车站或一些重要的场所如步行街、城中村等人流密集的场所应用的人脸识别布控系统,其特点是动态和非配合。所谓的动态也就是识别的不是照片,不是图片,而是由前端摄像机采集的动态视频流;非配合是指识别对象不用感知到摄像头的位置并配合完成识别工作,整个识别过程非常方便,不会让人排斥。但1:N会因为使用地点,环境,光线,甚至是玻璃反射都会影响识别的准确性,所以1:N相对更具有挑战性。

      人脸识别技术目前已经广泛应用于金融、司法、军队、公安、边检、安防等领域。随着平安城市、智慧小区、智能楼宇、智能交通的建设和发展,人脸识别技术将越来越深入我们的生活。

    了解更多智慧城市、智慧社区项目信息可见:1号社区yihaoshequ

  • ?

    “人脸识别”是怎么实现的?

    庞翠绿

    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

  • ?

    人脸识别技术是如何识别人脸的,你清楚吗?

    百醇

    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。

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。