什麽是人臉識別？

人臉識別是指通過分析和比較面部視覺特征信息進行身份認證的計算機技術。人臉識別是計算機技術的壹個熱點研究領域，屬於生物識別技術，是通過生物特征來區分個體和生物體。廣義的人臉識別實際上包括構建人臉識別系統的壹系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認和身份搜索。狹義的人臉識別是指通過人臉進行身份確認或身份搜索的技術或系統。生物識別技術研究的生物特征包括人臉、指紋、掌紋、虹膜、視網膜、靜脈、聲音（語音）、身體形狀、紅外溫度光譜、耳朵形狀、氣味、個人習慣（如打字的力度和頻率、簽名、步態）等。相應的識別技術包括人臉識別、指紋識別、掌紋識別、虹膜識別和視網膜識別。人臉識別方法的幾何特征幾何特征可以是眼睛、鼻子、嘴巴等的形狀。以及它們之間的幾何關系（如它們之間的距離）。這些算法識別速度快、內存小，但識別率低。基於特征臉（PCA）的人臉識別方法特征臉方法是壹種基於KL變換的人臉識別方法，KL變換是壹種用於圖像壓縮的最佳正交變換。KL變換後的高維圖像空間得到壹組新的正交基，保留了重要的正交基，可以將其變換到低維線性空間。如果假設人臉在這些低維線性空間中的投影是可分離的，則這些投影可以作為識別的特征向量，這就是特征臉方法的基本思想。這些方法需要更多的訓練樣本，並且完全基於圖像灰度的統計特性。目前有壹些改進的特征臉方法。神經網絡的輸入可以是分辨率降低的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這種方法還需要更多的樣本進行訓練，在許多應用中，樣本的數量非常有限。基於彈性圖匹配的人臉識別方法彈性圖匹配方法在二維空間中定義了壹個對常見人臉變形不變的距離，並使用壹個屬性拓撲圖來表示人臉。拓撲圖的任意頂點都包含壹個特征向量來記錄頂點位置附近人臉的信息。該方法結合了灰度特征和幾何因素，可以允許圖像在比較時具有彈性變形，在克服表情變化對識別的影響方面取得了良好的效果，同時不再需要為單個人訓練多個樣本。基於線段Hausdorff距離（LHD）的人臉識別方法心理學研究表明，人類識別等高線圖（如漫畫）的速度和精度並不比識別灰度圖差。LHD基於從人臉灰度圖像中提取的線圖，該線圖定義了兩個線段集之間的距離。不同的是，LHD沒有在不同線段集中的線段之間建立壹壹對應關系，因此它更適合線段圖之間的小變化。實驗結果表明，LHD在不同光照條件和不同姿勢下的識別效果都很好，但在大表情情況下識別效果不佳。支持向量機（SVM）人臉識別方法近年來，支持向量機（SVM）是統計模式識別領域的壹個新熱點，它試圖使學習機器在經驗風險和泛化能力上達成妥協，從而提高學習機器的性能。支持向量機主要解決壹個2-分類問題，其基本思想是試圖將壹個低維線性不可分問題轉化為高維線性可分問題。通常的實驗結果表明，SVM具有良好的識別率，但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，支持向量機的訓練時間長，方法實現復雜，核函數方法沒有統壹的理論。新型人臉識別技術傳統的人臉識別技術主要基於可見光圖像，這也是人們最熟悉的識別方法，已經發展了30多年。但是這種方法存在不可克服的缺陷，特別是當環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需求。解決光照問題的有三維圖像人臉識別和熱成像人臉識別。但目前這兩種技術還遠未成熟，識別效果也不盡如人意。最近，壹種快速發展的解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，並取得了出色的識別性能。系統在準確性、穩定性和速度方面的整體性能超過了三維圖像人臉識別。這項技術在近兩三年發展迅速，使得人臉識別技術逐漸實用化。數碼相機的人臉自動對焦和笑臉快門技術首先是人臉捕捉。它根據人的頭部位置進行判斷，首先確定頭部，然後判斷眼睛和嘴巴等頭部特征，並通過特征庫的比較確認它是人臉，從而完成人臉捕捉。然後聚焦在人臉上進行自動對焦，這樣可以大大提高拍攝照片的清晰度。微笑快門技術基於人臉識別，完成人臉捕捉，然後開始判斷嘴角彎曲和眼睛彎曲的程度，從而判斷是否是微笑。以上所有的捕捉和比對都是在比對特征庫的情況下完成的，因此特征庫是基礎，它包含了各種典型的面部和微笑面部特征數據。