在眾多的人工智能技術(shù)中，人臉識(shí)別商用較為成熟且落地應(yīng)用更為廣泛。它作為基于臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)，已經(jīng)廣泛應(yīng)用于各行各業(yè)，比如說汽車站、地鐵、機(jī)場(chǎng)等各出入口。

但很多人對(duì)于人臉識(shí)別技術(shù)不是很了解，不知道攝像頭是怎么進(jìn)行人臉識(shí)別的，今天小編帶大家一探究竟，看看人臉識(shí)別是怎么進(jìn)行的，又怎么準(zhǔn)確識(shí)別到人臉的！

人臉識(shí)別的步驟

（1）人臉檢測(cè)：即從各種不同的場(chǎng)景中檢測(cè)出人臉的存在并確定其位置。

（2）人臉規(guī)范化：校正人臉在尺度、光照和旋轉(zhuǎn)等方面的變化。將人臉對(duì)齊，進(jìn)行人臉校準(zhǔn)。

（3）人臉校驗(yàn)：采取某種方式表示檢測(cè)出人臉和數(shù)據(jù)庫中的已知人臉，確認(rèn)兩張臉是否是同一個(gè)人。

（4）人臉識(shí)別：將待識(shí)別的人臉與數(shù)據(jù)庫中的已知人臉比較，得出給你的臉是庫里的誰。

人臉識(shí)別的辦法

（1）幾何特征的人臉識(shí)別方法

幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系。

（2）基于特征臉（PCA）的人臉識(shí)別方法

特征臉方法是基于KL變換的人臉識(shí)別方法，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設(shè)人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識(shí)別的特征矢量，這就是特征臉方法的基本思想。

（3）神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法

神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類方法同樣需要較多的樣本進(jìn)行訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很有限的。

（4）彈性圖匹配的人臉識(shí)別方法

彈性圖匹配法在二維的空間中定義了一種對(duì)于通常的人臉變形具有一定的不變性的距離，并采用屬性拓?fù)鋱D來代表人臉，拓?fù)鋱D的任一頂點(diǎn)均包含一特征向量，用來記錄人臉在該頂點(diǎn)位置附近的信息。該方法結(jié)合了灰度特性和幾何因素，在比對(duì)時(shí)可以允許圖像存在彈性形變，在克服表情變化對(duì)識(shí)別的影響方面收到了較好的效果，同時(shí)對(duì)于單個(gè)人也不再需要多個(gè)樣本進(jìn)行訓(xùn)練。

（5）線段Hausdorff距離（LHD）的人臉識(shí)別方法

心理學(xué)的研究表明，人類在識(shí)別輪廓圖（比如漫畫）的速度和準(zhǔn)確度上絲毫不比識(shí)別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個(gè)線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對(duì)應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。實(shí)驗(yàn)結(jié)果表明，LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn)，但是它在大表情的情況下識(shí)別效果不好。

（6）支持向量機(jī)（SVM）的人臉識(shí)別方法

近年來，支持向量機(jī)是統(tǒng)計(jì)模式識(shí)別領(lǐng)域的一個(gè)新的熱點(diǎn)，它試圖使得學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力上達(dá)到一種妥協(xié)，從而提高學(xué)習(xí)機(jī)的性能。支持向量機(jī)主要解決的是一個(gè)2分類問題，它的基本思想是試圖把一個(gè)低維的線性不可分的問題轉(zhuǎn)化成一個(gè)高維的線性可分的問題。通常的實(shí)驗(yàn)結(jié)果表明SVM有較好的識(shí)別率，但是它需要大量的訓(xùn)練樣本（每類300個(gè)），這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。而且支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng)，方法實(shí)現(xiàn)復(fù)雜，該函數(shù)的取法沒有統(tǒng)一的理論。

人臉自動(dòng)識(shí)別技術(shù)已取得了巨大的成就，隨著科技的發(fā)展，在實(shí)際應(yīng)用中仍然面臨困難，不僅要達(dá)到準(zhǔn)確、快速的檢測(cè)并分割出人臉部分，而且要有效的變化補(bǔ)償、特征識(shí)別、準(zhǔn)確的分類的效果，還需要注重和提高以下幾個(gè)方面：

（1）人臉的局部和整體信息的相互結(jié)合能有效地描述人臉的特征，基于混合模型的方法值得進(jìn)一步深入研究，以便能準(zhǔn)確描述復(fù)雜的人臉模式分布。

（2）由于人臉為非剛體性，人臉之間的相似性以及各種變化因素的影響，準(zhǔn)確的人臉識(shí)別仍較困難。為了滿足自動(dòng)人臉識(shí)別技術(shù)具有實(shí)時(shí)要求，在必要時(shí)需要研究人臉與指紋、虹膜、語音等識(shí)別技術(shù)的融合方法。

（3）表面紋理識(shí)別算法是一種最新的算法，有待于我們繼續(xù)學(xué)習(xí)和研究出更好的方法。

總之，人臉識(shí)別僅僅采用一種現(xiàn)有方法難以取得良好的識(shí)別效果，如何與其它技術(shù)相結(jié)合，如何提高識(shí)別率和識(shí)別速度、減少計(jì)算量，提高精準(zhǔn)性，如何采用嵌入式及硬件實(shí)現(xiàn)，如何實(shí)用化都需要不斷學(xué)習(xí)和融合新技術(shù)，才能使人臉識(shí)別真正為生活帶來便利。
責(zé)任編輯：YYX