新闻详情

人脸识别技术原理分析与应用

28
发表时间:2019-09-11 14:25作者:kdacctv

近年来,随着安防行业的不断向前发展,智能化是未来安防行业发展的历史潮流。所谓的人脸识别技术是基于人的面部特征,判断输入的人脸图像或视频流,首先判断是否有人脸。如果有脸,则进一步给出每个主要面部器官的位置,大小和位置信息。基于该信息,进一步提取每个面部中包含的身份特征并与已知面部进行比较以识别每个面部的身份。


一、人脸识别技术原理分析


人脸由于其易采集的特性,受到很多行业客户的关注,特别是智能门锁、公安、海关、商场等。人类每天都在进行人脸识别,因此也能接受这种身份方式。人脸识别的研究始于上世纪中期,经历了数十年的努力,现在已经可以应用在我们的实际生活中,电梯人脸识别,为我们提供各种便利。人脸识别主要分为三个过程:人脸检测,特征提取和人脸识别。

  • 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特征和算法训练级联分类器对图像中的每一块进行分类。如果矩形区域通过级联分类器,则将其识别为人脸图像。

  • 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。一般的人脸特征分为两类,一类是几何特征,另一类是表示特征。几何特征是眼睛、鼻子和嘴巴等面部特征之间的几何关系,如距离、面积和角度。由于算法利用了一些直观的特征,计算量小。但是,由于无法精确选择所需的特征点,因此其应用范围有限。另外,当光照变化、人脸有外物遮挡、面部表情变化时,芜湖人脸识别,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,人脸识别一体机,无法在实际中应用。

特征提取是利用人脸图像的灰度信息,通过一定的算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域,在每个区域的像素640x960邻域中用中心值作阈值化,动态人脸识别,将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的操作获得一组直方图,然后连接所有直方图以形成大直方图并执行用于分类的直方图匹配计算。

  • 人脸识别:人脸识别是狭义的人脸识别,即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,人脸识别软件,因为辨认需要进行海量数据的匹配。常用的分类器有最近邻分类器、支持向量机等。

与指纹应用方式类似,人脸识别技术目前比较成熟的也是智能门锁。因为在人脸识别智能门锁系统中,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。这为人脸识别提供了一个很好的输入源,通常有令人满意的结果。然而,由于光线和角度的问题,在一些公共场所安装的视频监控探头很难成功地与人脸图像进行比较。这也是未来人脸识别技术发展中需要解决的难题之一。


现在已有一些机构、高校在进行人脸识别新领域、新技术的研究。如远距离人脸识别技术,3D人脸识别技术等。远程人脸识别系统面临两大难题。一是如何从远距离获取人脸图像。其次,如果结果数据不理想,如何识别身份。从某种意义上来看,人脸识别系统,远距离人脸识别并不是一个特定的关键技术或基础研究问题。它可以看作是一个应用和系统设计问题。通常有两种方法来获取人脸图像。一种是高清的固定式摄像机,另一种是使用PTZ控制系统多摄像机系统。后者更适合于一般情况,不过其结构更为复杂,造价也更贵。后者需要考虑如何协调多个摄像机的同步。通常,该系统由低分辨率广角相机和高分辨率长焦相机组成。前者用于检测和跟踪目标,而后者用于人脸图像采集和识别。目前,远程人脸识别技术还处于实验室阶段。今后若能解决上述问题,对人事管理的应用将具有重要意义。


人脸识别技术能够很好地克服2D人脸识别遇到的姿态、光照、表情等问题。主要原因是2D图像无法很好地表示深度信息。通常,3d人脸识别方法使用3d扫描技术获取3d人脸,电梯人脸识别,然后建立3d人脸模型并用于识别。不过,3D人脸识别技术的缺点也是很明显的。首先它需要额外的3D采集设备或双目立体视觉技术,电梯人脸识别设备,其次,建模过程需要的计算量较大。相信随着未来芯片技术的发展,当计算能力不再受到制约,电梯人脸识别,采集设备成本大幅下降的时候,施工电梯人脸识别公司,3D人脸识别将会成为热门技术之一。


二、人脸识别在应用中的挑战


从实际测试来看,用户期望与当前技术水平之间的差距仍然比较大。人脸识别技术在动态监测中的应用压力也比较大。


1.用户希望正确报警率要求高。事实是,从理论上讲,接受高假阳性是必要的。在技术上,要达到较高的正确报警率,可以降低阈值,但降低阈值的代价是:虚警率高。为了达到正确报警率,很多算法可能会产生或更高的误报率。

2.监控库往往要求数万或几十万,甚至上百万的监控名单,希望能捕到“大鱼”。现实情况是,大的存储容量必须接受高的错误率。

3.只有大规模成网建设,才能够勾画出被监控人员的活动轨迹。这就要求必须高投入,重新建专用网络和相关硬件。

4.用户希望尽量使用目前的监控设备(摄像机和网络)。现实情况是,现有的相机不够清晰,图像质量差,视频中的人脸太小,无法进行场景监控,网络带宽不足以使用现有的设备。

5. 用户希望少产生误报甚至不产生误报。现实是这样就必将损失正确报警率和减少空库容量,人脸识别与用户的想法相违。

6.光照问题

面对各种环境光源的测试,可能会出现侧光、顶光、背光和高光,而且可能在不同时间的光线会有所不同,而且即使是在监测区的各个地点的光线也会有所不同。

7.人脸姿态和饰物问题

因为监视是不合作的,监视人员以自然的方式通过监视区。因此,可能有各种不正常的面孔,如侧脸、头、头等,以及戴上帽子、黑框眼镜、面具等配件。

8. 摄像机的图像问题

摄像机很多技术参数影响视频图像的质量,这些因素有感光器(CCD、CMOS)、感光器的大小、DSP的处理速度、内置图像处理芯片和镜头等,同时摄像机内置的一些设置参数也将影响视频质量,如曝光时间、光圈、动态白平衡等参数。

9.丢帧和丢脸问题

网络的标识和系统的标识可能导致视频的帧和面部的丢失,特别是在流量大的区域中。


分享到:
关注我们: