人體識別演算法

㈠ 人體追蹤，人體追蹤

在很多交互場景中，機器需要通過識別人體位置的移動去實時追蹤活動中的人體，人體追蹤就可用於視頻中連續的追蹤人體的位置以及移動方向，用於實現對人體的跟隨。
同時人在移動過程中，可能會短暫被其他物體遮擋，使得圖像中人體圖像丟失，

閱面科技的人體識別演算法可以實現在跟蹤過程中短暫跟蹤中斷後恢復追蹤。

㈡ 計算機視覺：隨機森林演算法在人體識別中的應用

摘 要

人體識別是計算機視覺領域的一大類熱點問題，其研究內容涵蓋了人體的監測與跟蹤、手勢識別、動作識別、人臉識別、性別識別和行為與事件識別等，有著非常廣泛的應用價值。隨機森林以它自身固有的特點和優良的分類效果在眾多的機器學習演算法中脫穎而出。隨機森林演算法的實質是一種樹預測器的組合，其中每一棵樹都依賴於一個隨機向量，森林中的所有的向量都是獨立同分布的。本文簡單介紹了隨機森林的原理，並對近幾年來隨機森林在姿勢識別和人臉識別中的應用進行討論。

1.人體識別概述

人體識別是計算機視覺領域的一大類熱點問題，其研究內容涵蓋了人體的監測與跟蹤、手勢識別、動作識別、人臉識別、性別識別和行為與事件識別等。其研究方法幾乎囊括了所有的模式識別問題的理論與技術，例如統計理論，變換理論，上下文相關性，分類與聚類，機器學習，模板匹配，濾波等。人體識別有著非常廣泛的應用價值。

絕大多數人臉識別演算法和人臉表情分析演算法在提取人臉特徵之前,需要根據人臉關鍵點的位置(如眼角,嘴角)進行人臉的幾何歸一化處理。即使在已知人臉粗略位置的情況下,人臉關鍵點精確定位仍然是一個很困難的問題,這主要由外界干擾和人臉本身的形變造成。

當前比較流行的演算法有：基於啟發式規則的方法、主成分分析(PCA)、獨立元分析(ICA)、基於K-L 變換、彈性圖匹配等。

2.隨機森林綜述

隨機森林顧名思義，使用隨機的方式建立一個森林，森林裡面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的。在得到森林之後，當有一個新的輸入樣本進入的死後，就讓森林的每一棵決策樹分別進行一下判斷，看看這個樣本應該屬於哪一類（對於分類演算法），然後看看哪一類能被選擇最多，就預測這個樣本為那一類。

隨機森林是一種統計學習理論，其隨機有兩個方面：首先是在訓練的每一輪中，都是對原始樣本集有放回的抽取固定數目的樣本點，形成k個互不相同的樣本集。第二點是：對於每一個決策樹的建立是從總的屬性中隨機抽取一定量的屬性作分裂屬性集，這樣對於k個樹分類器均是不相同的。由隨機生成的k個決策樹組成了隨機森林。

對於每一個決策樹來講，其分裂屬性是不斷的選取具有最大信息增益的屬性進行排列。整個隨機森林建立後，最終的分類標准採用投票機製得到可能性最高的結果。

下圖是隨機森林構建的過程：

圖1 隨機森林構建過程

3.隨機森林在人體識別中的應用

3.1 隨機森林應用於姿勢識別

以[1]一文來討論，論文中所涉及到的人體識別過程主要分為兩步，首先是，身體部位標記：對於從單張景深圖像中對人體進行分段，並標記出關鍵節點。之後進行身體關節定位，將標記的各個人體部分重新映射到三維空間中，對關鍵節點形成高可靠的空間定位。

圖2 深度圖像-身體部位標記-關節投影

文的最主要貢獻在於將姿勢識別的問題轉化成了物體識別的問題，通過對身體不同部位的空間位置的確定來實現，做到了低計算消耗和高精確度。在身體部位標記的過程中，將問題轉化成了對每個像素的分類問題，對於每個像素點，從景深的角度來確定該點的局域梯度特徵。該特徵是點特徵與梯度特徵的良好結合。

舉個例子，對於不同點的相同屬性值的判別，如下圖，圖a中的兩個測量點的像素偏移間均具有較大的景深差，而圖b中的景深差則明顯很小。由此看出，不同位置像素點的特徵值是有明顯差別的，這就是分類的基礎。

圖3 景深圖像特質示例

文中對於決策樹的分裂屬性的選擇來說。由於某兩個像素點、某些圖像特徵選取的隨意性，將形成大量的備選劃分形式，選擇對於所有抽樣像素對於不同的分裂屬性劃分前後的信息熵增益進行比較，選取最大的一組ψ=(θ, τ)作為當前分裂節點。（信息增益與該圖像塊最終是否正確地分類相關，即圖像塊歸屬於正確的關鍵特徵點區域的概率。）

圖4 決策時分類說明

決策樹的建立後，某個葉子節點歸屬於特定關鍵特徵點區域的概率可以根據訓練圖像最終分類的情況統計得到，這就是隨機森林在實際檢測特徵點時的最重要依據。

在人體關節分類中，我們由形成的決策森林，來對每一個像素點的具體關節屬性進行判斷，並進行顏色分類。隨機森林這種基於大量樣本統計的方法能夠對由於光照、變性等造成的影響，實時地解決關鍵特徵點定位的問題。

如圖所示，是對於景深圖像處理後的結果展示。

圖5 姿勢識別處理結果

應該這樣說，這篇文章在演算法的層面對隨機森林沒有太大的貢獻。在劃分函數的形式上很簡單。這個團隊值得稱道的地方是通過計算機圖形學造出了大量的不同體型不同姿勢的各種人體圖像，用作訓練數據，這也是成為2011年CVPR Best Paper的重要原因。正是因為論文的成果運用於Kinect，在工業界有著巨大的作用，落實到了商用的硬體平台上，推動了隨機森林在計算機視覺、多媒體處理上的熱潮。

3.2 隨機森林應用於人臉識別

基於回歸森林的臉部特徵檢測通過分析臉部圖像塊來定位人臉的關鍵特徵點，在此基礎上條件回歸森林方法考慮了全局的臉部性質。對於[2]進行分析，這篇論文是2012年CVPR上的論文，本文考慮的是臉部朝向作為全局性質。其主要描述的問題是如何利用條件隨機森林，來確定面部10個關鍵特徵點的位置。與之前不同的是，在隨機森林的基礎上，加入了面部朝向的條件約束。

圖6 臉部10個特徵點

對於面部特徵標記的問題轉化成了對大量圖像塊的分類問題。類似於人體識別中的局域梯度特徵識別。本文中，對於每一個圖像塊來說，從灰度值、光照補償、相位變換等圖像特徵，以及該圖像塊中心與各個特徵點的距離來判斷圖像塊的位置特徵。在決策樹的分裂屬性確定過程，依然使用「最大信息熵增益」原則。

圖7 條件隨機森林演算法說明

文中提出了更進一步基於條件隨機森林的分類方法，即通過設定臉部朝向的約束對決策樹分類，在特徵檢測階段能夠根據臉部朝向選擇與之相關的決策樹進行回歸，提高准確率和降低消耗。此論文還對條件隨機森林，即如何通過臉部朝向對決策進行分類進行了說明，但這與隨機森林演算法沒有太大關系，這里就不再繼續討論了。隨機森林這種基於大量樣本統計的方法能夠對由於光照、變性等造成的影響，實時地解決關鍵特徵點定位的問題。

另一篇文章[3]對於臉部特徵標記，提出了精確度更高、成本更低的方法。即，基於結構化輸出的隨機森林的特徵標記方式。文中將面部劃分為20個特徵點，對於各個特徵點來說，不僅有獨立的圖像塊分類標記，還加入了例如，點4，對於其他嘴唇特徵點3,18,19的依賴關系的判斷。這樣的方法使特徵點標記准確率大大增加。

該方法依然是使用隨機森林的方法，有所不同的是引入了如式中所示的與依賴節點之間的關系。對於決策樹的建立依然是依賴信息熵增益原則來決定，葉子節點不僅能得到特徵的獨立劃分還會得到該特徵對依賴特徵的貢獻，最終特徵節點的判斷會綜合原始投票及空間約束。

圖8 臉部特徵標記

圖9 決策樹依賴關系

例如當對下圖中人臉特徵點進行分類時，使用簡單的隨機森林方法，經過判斷會將各個點進行標注，可以看到 紅色的點，標注出的鼻子特徵。如果利用依賴節點進行判斷，鼻子的點會被局限在其他鼻子特徵點的周圍，進行疊加後，得到了這個結果。顯然，對於此節點的判斷，利用結構輸出的方式，准確度更高了。

圖10 結構化輸出結果

4.隨機森林總結

大量的理論和實證研究都證明了RF具有很高的預測准確率，對異常值和雜訊具有很好的容忍度，且不容易出現過擬合。可以說，RF是一種自然的非線性建模工具，是目前數據挖掘演算法最熱門的前沿研究領域之一。具體來說，它有以下優點：

1.通過對許多分類器進行組合，它可以產生高准確度的分類器；

2.它可以處理大量的輸入變數；

3.它可以在決定類別時，評估變數的重要性；

4.在建造森林時，它可以在內部對於一般化後的誤差產生不偏差的估計；

5.它包含一個好方法可以估計遺失的資料，並且，如果有很大一部分的資料遺失，仍可以維持准確度。

6.它提供一個實驗方法，可以去偵測變數之間的相互作用；

7.學習過程是很快速的；

8.對異常值和雜訊具有很好的容忍度，且不容易出現過擬合；

隨機森林的缺點：

1.對於有不同級別的屬性的數據，級別劃分較多的屬性會對隨機森林產生更大的影響，所以隨機森林在這種數據上產出的屬性權值是不可信的；

2.單棵決策樹的預測效果很差：由於隨機選擇屬性，使得單棵決策樹的預測效果很差。

參考文獻：

[1] Shotton, J.; Fitzgibbon, A.; Cook, M.; Sharp, T.; Finocchio, M.; Moore, R.; Kipman, A.; Blake, A., 「Real-time human pose recognition in parts from single depth images,」Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on , vol., no., pp.1297,1304, 20-25 June 2011

[2] Dantone M, Gall J, Fanelli G, et al. Real-time facial feature detection using conditional regression forests[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 2578-2585.

[3] Heng Yang, Ioannis Patras, 「Face Parts Localization Using Structured-output Regression Forests」, ACCV2012， Dajeon, Korea.

本文轉自：http://dataunion.org/12046.html，僅供學習交流

㈢ 幾種人體運動檢測演算法的比較分析

引言人體運動分析是目前一個研究熱點,在智能安全監控系統、體育運動分析、醫療診斷等領域具有廣泛的應用前景。它主要涉及計算機視覺、模式識別、圖像處理以及人工智慧等領域,是跨學科的研究課題。其研究核心是從視頻中檢測和跟蹤人體,獲取人體運動數據,以此為基礎重建人體的三維運動,進而描述和理解人體運動。其中人體運動目標檢測的檢測效果直接影響後期的目標識別、跟蹤及行為理解等工作,因此運動人體檢測技術是計算機視頻圖像處理中最基礎、最關鍵的技術,對運動檢測演算法進一步研究具有深遠意義。人體運動檢測是指在輸入視頻圖像中確定運動人體的位置、尺度大小和姿態的過程[1]。目前採用比較多、比較經典的人體運動檢測方法有時間差分法、背景減除法、光流法等。筆者扼要闡述OGHMs法的理論依據,在現有演算法的基礎上,引入圖形學的腐蝕運算,應用於最後獲得的檢測結果,實驗證明腐蝕運算的引入使最終的運動檢測效果更好。同時對其他幾種常用的方法進行介紹和實際應用,根據得到的實驗結果,對這幾種方法以及OGHMs法進行分析和比較,並指出其優點和不足。所有的實驗都是

㈣ 人臉識別的演算法

1、人體面貌識別技術的內容
人體面貌識別技術包含三個部分：
（1） 人體面貌檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法：
①參考模板法
首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；
②人臉規則法
由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉；
③樣品學習法
這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特徵子臉法
這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。
值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。
（2）人體面貌跟蹤
面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。
此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。
（3）人體面貌比對
面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要採用特徵向量與面紋模板兩種描述方法：
①特徵向量法
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。
②面紋模板法
該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。
此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。
人體面貌識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。
2、人體面貌的識別過程
一般分三步：
（1）首先建立人體面貌的面像檔案。即用攝像機採集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，並將這些面像文件生成面紋（Faceprint）編碼貯存起來。
（2）獲取當前的人體面像
即用攝像機捕捉的當前出入人員的面像，或取照片輸入，並將當前的面像文件生成面紋編碼。
（3）用當前的面紋編碼與檔案庫存的比對
即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的「面紋編碼」方式是根據人體面貌臉部的本質特徵和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辯認出某個人。
人體面貌的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

㈤ 人臉識別有什麼優化演算法還請各位大神賜教，簡單一點的。謝謝

人臉識別技術概述
廣義的人臉識別主要分為人臉檢測(face detection)、特徵提取(feature extraction)和人臉識別(face recognition)三個過程，如圖1所示。
人臉,人臉識別,人臉識別技術
圖1 典型的人臉識別過程
其中，第三步提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特徵與資料庫中人臉的特徵進行對比，根據相似度判別分類。而人臉識別又可以分為兩個大類：一類是確認(verification)，這是人臉圖像與資料庫中已存的該人圖像比對的過程，回答你是不是你的問題;另一類是辨認(identification)，這是人臉圖像與資料庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。在辨認過程中，海量數據的處理、特徵提取和分類演算法的選擇變得非常重要。識別率和識別速度是人臉識別技術中主要的衡量演算法性能的指標。本文後面提到的人臉識別，主要指的是人臉辨認。
人臉識別技術原理
人臉識別演算法發展到今天，大致上可以分為兩類：基於特徵的人臉識別演算法和基於外觀的人臉識別演算法。其中，多數基於特徵的人臉識別演算法屬於早期的人臉識別演算法，現在已經不再使用。不過近些年出現了一些新的基於特徵的演算法，並取得不錯的效果。而基於外觀的人臉識別演算法是由於實現簡單，受到廣泛關注。接下來將分別介紹兩類人臉識別演算法。
基於特徵的人臉識別演算法：早期的人臉識別演算法主要是基於特徵模板和幾何約束來實現的。這一類演算法首先對輸入圖像進行處理，提取出如眼睛、鼻子和嘴等面部特徵和外觀輪廓。然後計算這些面部特徵之間的幾何關系，如距離、面積和角度等。這樣將輸入圖像轉換為幾何特徵向量後，使用標準的統計模式識別技術進行匹配分類。由於演算法利用了一些直觀的特徵，計算量小。不過，由於其所需的特徵點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特徵變化較大。所以說，這類演算法只適合於人臉圖像的粗略識別，無法在實際中應用。
人臉,人臉識別,人臉識別技術
圖2 一些典型的面部幾何特徵示意圖
以上這些方法都是通過一些特徵模板和幾何約束來檢測特定的面部特徵，並計算特徵之間的關系。還有一些方法使用了圖像的局部表示來提取特徵。其中最受關注的方法是局部二值模式(LBP)演算法。LBP方法首先將圖像分成若干區域，在每個區域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP運算元。LBP運算元的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然後將所有的直方圖連起來組成一個大的直方圖並進行直方圖匹配計算進行分類。
人臉,人臉識別,人臉識別技術
圖3 LBP運算元
基於特徵的人臉識別演算法主要的優勢在於對姿態、尺度和光照等變化魯棒。由於多數特徵是基於手動選擇和先驗知識，受圖像本身的成像質量影響較少。另外，提取出的面部特徵往往維數較低，匹配速度快。這些方法的缺點是自動特徵提取的難度較大。如果特徵集的鑒別能力弱，再多的後續處理也無法補償本身的不足。
基於外觀的人臉識別演算法：基於外觀的人臉識別演算法也稱為整體方法。它們使用圖像的全局信息來辨識人臉。最簡單的整體方法是用二維數組來存放圖像的灰度值，然後直接對輸入圖像和資料庫中的所有圖像進行相關性比較。這種方法的缺點非常多，如易受環境影響、計算耗時等。其中一個重要的問題是這樣的分類是在一個非常高維的空間中進行的。為了克服維數問題，一些演算法使用統計降維方法來獲取和保留更有用的信息，最典型的演算法就是主成分分析(PCA)演算法和線性鑒別分析(LDA)演算法。
PCA演算法指出任何特定的人臉可以由一個低維的特徵子空間表示，並可以用這個特徵子空間近似地重建。將輸入人臉圖像投影到特徵子空間上得到的特徵與已知的資料庫進行比對來確定身份。PCA演算法選取的特徵最大化了人臉樣本間的差異，但也保留了一些由於光照和面部表情產生的不必要的變化。而同一個人由於光照產生的變化可能會大於不同人之間的變化，如圖4所示。LDA演算法在最大化不同個體之間的樣本差異的同時，最小化同一個體內部的樣本差異。這樣達到了人臉特徵子空間的劃分。圖5是PCA和LDA演算法的示例。其中，PCA的特徵臉是由組成PCA特徵子空間的特徵向量按二維圖像來排列得到的類似人臉的圖像。LDA的Fisher臉也是同樣道理。經過特徵臉和Fisher臉重構得到的人臉圖像在第四行。可以看到，PCA重構臉與輸入人臉差異較小，但LDA的Fisher臉很難辨認，但突出了該個體的顯著特徵。PCA和LDA方法都假設存在一個最優的投影子空間。這個子空間的每個區域對應唯一的一個人。然而，事實上在人臉空間中許多人經常會映射到相同的區域中，因此這種假設並不成立。

來源：海鑫科金
http://www.hisign.com.cn/news/instry/2699.html

㈥ 監測人臉識別系統的原理是什麼

人臉識別系統的技術原理是以人臉識別技術為核心，是一項新興的生物識別技術，是當今國際科技領域攻關的高精尖技術。它廣泛採用區域特徵分析演算法，融合了計算機圖像處理技術與生物統計學原理於一體，利用計算機圖像處理技術從視頻中提取人像特徵點，利用生物統計學的原理進行分析建立數學模型，具有廣闊的發展前景。
用人臉識別會議簽到系統正是應用先進的面部自動識別技術來實現與會人員的自主簽到，智能化辦公，提高辦事效率，增加與會人員身份准確定位，從而大大提高了會前會務組織、會中會議簽到和會後數據查詢統計速度，並節省經費。
迎賓機系統會議簽到應用方案是現代會議管理中的一項重要環節，會議簽到流程一改傳統簽到的弊端，與會人員只需從攝像機前走過，利用人體生物特徵的唯一性進行身份認證，即時完成到會簽到，還能有效識別假冒人員，同時，能即時統計、列印出到會人員名單。縮短到會人員簽到時間，減輕工作人員與會人數統計強度，統計數准確、快捷。
3系統設計
3.1系統結構
本方案可應用於各種企事業單位和會議中心，用於與會人員的簽到管理，主要由攝像機、顯示設備、人臉識別分析盒、管理客戶端組成。
在會議室入口簽到處安裝一台網路攝像機，通過交換機將採集圖像傳輸到迎賓主機，主機可通過串口數據線連接會議室門禁系統，以識別結果通過串口信息來控制門禁打開，有效防止會議無關人員進入，同時連接到顯示設備上，在顯示器上實時顯示識別結果，以及設置的歡迎致辭或提示信息，或用於會議宣傳內容播放等。
以上設備通過區域網內的客戶端進行管理和配置信息的下發，在客戶端可進行人臉識別庫的建立，會議簽到統計等功能。系統拓撲如下：

㈦ 數碼相機人臉檢測的原理。

簡單的：：
。人臉識別系統主要是根據眼睛和嘴的相對位置以及臉部的大概形狀來判斷，兩隻眼睛和嘴是人臉上最突出的3個元素，而它們的三角形布局關系更是判斷的核心。記得我們在測試第一代富士人臉識別數碼先機FinePix F31時，它曾經把類似布局的3個點識別為人臉。不過隨著識別技術的不斷改進，目前，誤判斷的可能已經少多了。也正是因為這個原因，如果這3個點中少一個，相機都無法識別人臉。例如，對於側面的人臉，目前的技術無法識別；你如果戴著口罩，相機無法識別；但戴眼鏡沒有問題，因為那更強化了眼睛這個元素。

專業的：：
人體面貌識別技術的原理
1、人體面貌識別技術的內容
人體面貌識別技術包含三個部分：
（1） 人體面貌檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法：
①參考模板法
首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；
②人臉規則法
由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉；
③樣品學習法
這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特徵子臉法
這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。
值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。
（2）人體面貌跟蹤
面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。
此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。
（3）人體面貌比對
面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要採用特徵向量與面紋模板兩種描述方法：
①特徵向量法
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。
②面紋模板法
該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。
此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。
人體面貌識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。
2、人體面貌的識別過程
一般分三步：
（1）首先建立人體面貌的面像檔案。即用攝像機採集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，並將這些面像文件生成面紋（Faceprint）編碼貯存起來。
（2）獲取當前的人體面像
即用攝像機捕捉的當前出入人員的面像，或取照片輸入，並將當前的面像文件生成面紋編碼。
（3）用當前的面紋編碼與檔案庫存的比對
即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的「面紋編碼」方式是根據人體面貌臉部的本質特徵和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辯認出某個人。
人體面貌的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

AF：：

「af」是英文〔audio frequency〕的縮寫，意思是〔視頻〕〔illuminator〕中文意思是〔照明〕，整體意思應該是〔增加視頻亮度〕

㈧ openpose人體姿態識別優點

隨著計算機視覺的發展及其在日常生活中的廣泛應用，基於各種演算法的行為檢測和運動識別項目在實踐中得到越來越多的應用，並在相關領域得到了廣泛的研究。在行為監控方面，不僅僅是圖形、溫濕度、聲音等信息。用於監控蜜蜂的行為，但更多的應用集中在對人類行為的監控。人體姿態識別作為行為監控的重要參考，已經廣泛應用於視頻採集、計算機圖形學等領域。其中，傳統的人體姿態識別方法有RMPE模型和掩膜R-CNN模型，這兩種方法都是自頂向下的檢測方法。Openpose作為姿態識別的經典項目，是自底向上的檢測方法，主要應用於行為監測、姿態修正和動作分類，在智能家居、自動駕駛、智能監控等領域具有重要的研究意義和應用價值。

在多人目標的手勢識別方面，歷史上常用的方法有自上而下搜索候選關鍵點，用空間連接優化演算法進行人的匹配，通過建立部分親和場由關鍵點檢測人體骨架連接等。

針對當前行為監測中准確率低、效率低的問題，該項目結合openpose手勢識別技術，通過不同肢體之間的協調關系構建分類演算法。通過比較不同的分類演算法，選擇最優模型構建多目標分類方法，最終實現手勢顯示、目標檢測和多目標分類的實時顯示。在該模型中，調用輕量級openpose模型來識別人體姿態。主要方法是通過openpose獲取人體骨骼的關鍵點，然後通過歐氏距離匹配兩塊骨骼，檢測出每個人。對於常見檢測中缺少的關鍵點，可以用前一幀的骨骼信息來填充。

㈨ 人臉識別 用照片能解鎖嗎

面部識別是利用前置攝像頭拍攝人臉照片，與手機中已經錄入的面部數據進行對比，當相似度達到一定值時，可能會被面貌、外形與您相近的人或物品解鎖，目前還不能完全避免。如果存在擔心，建議使用密碼解鎖或指紋解鎖。

㈩ 想問一下有沒有比較方便的人臉識別演算法，求推薦

主流的人臉識別技術基本上可以歸結為三類，即：基於幾何特徵的方法、基於模板的方法和基於模型的方法。
1. 基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他演算法結合才能有比較好的效果；
2. 基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網路方法、動態連接匹配方法等。
3. 基於模型的方法則有基於隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。
1. 基於幾何特徵的方法
人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以做為人臉識別的重要特徵。幾何特徵最早是用於人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，並由這些顯著點導出一組用於識別的特徵度量如距離、角度等。Jia 等由正麵灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。
採用幾何特徵進行正面人臉識別一般是通過提取人眼、口、鼻等重要特徵點的位置和眼睛等重要器官的幾何形狀作為分類特徵,但Roder對幾何特徵提取的精確性進行了實驗性的研究，結果不容樂觀。
可變形模板法可以視為幾何特徵方法的一種改進，其基本思想是 :設計一個參數可調的器官模型 (即可變形模板),定義一個能量函數，通過調整模型參數使能量函數最小化，此時的模型參數即做為該器官的幾何特徵。
這種方法思想很好，但是存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數優化過程十分耗時，難以實際應用。 基於參數的人臉表示可以實現對人臉顯著特徵的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，採用一般幾何特徵只描述了部件的基本形狀與結構關系，忽略了局部細微特徵，造成部分信息的丟失，更適合於做粗分類，而且目前已有的特徵點檢測技術在精確率上還遠不能滿足要求，計算量也較大。
2. 局部特徵分析方法（Local Face Analysis）
主元子空間的表示是緊湊的，特徵維數大大降低，但它是非局部化的，其核函數的支集擴展在整個坐標空間中，同時它是非拓撲的，某個軸投影後臨近的點與原圖像空間中點的臨近性沒有任何關系，而局部性和拓撲性對模式分析和分割是理想的特性，似乎這更符合神經信息處理的機制，因此尋找具有這種特性的表達十分重要。基於這種考慮，Atick提出基於局部特徵的人臉特徵提取與識別方法。這種方法在實際應用取得了很好的效果，它構成了FaceIt人臉識別軟體的基礎。
3. 特徵臉方法（Eigenface或PCA）
特徵臉方法是90年代初期由Turk和Pentland提出的目前最流行的演算法之一，具有簡單有效的特點, 也稱為基於主成分分析(principal component analysis,簡稱PCA)的人臉識別方法。
特徵子臉技術的基本思想是：從統計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協方差矩陣的特徵向量，以此近似地表徵人臉圖像。這些特徵向量稱為特徵臉(Eigenface)。
實際上，特徵臉反映了隱含在人臉樣本集合內部的信息和人臉的結構關系。將眼睛、面頰、下頜的樣本集協方差矩陣的特徵向量稱為特徵眼、特徵頜和特徵唇，統稱特徵子臉。特徵子臉在相應的圖像空間中生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。
基於特徵分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特徵的形狀參數或類別參數等一起構成識別特徵向量，這種基於整體臉的識別不僅保留了人臉部件之間的拓撲關系，而且也保留了各部件本身的信息，而基於部件的識別則是通過提取出局部輪廓信息及灰度信息來設計具體識別演算法。現在Eigenface(PCA)演算法已經與經典的模板匹配演算法一起成為測試人臉識別系統性能的基準演算法；而自1991年特徵臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分析，FERET'96測試結果也表明，改進的特徵臉演算法是主流的人臉識別技術，也是具有最好性能的識別方法之一。
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。Turk和Pentland提出特徵臉的方法，它根據一組人臉訓練圖像構造主元子空間，由於主元具有臉的形狀，也稱為特徵臉 ,識別時將測試 圖像投影到主元子空間上，得到一組投影系數，和各個已知人的人臉圖像比較進行識別。Pentland等報告了相當好的結果，在 200個人的 3000幅圖像中得到 95%的正確識別率，在FERET資料庫上對 150幅正面人臉象只有一個誤識別。但系統在進行特徵臉方法之前需要作大量預處理工作如歸一化等。
在傳統特徵臉的基礎上，研究者注意到特徵值大的特徵向量 (即特徵臉 )並不一定是分類性能好的方向，據此發展了多種特徵 (子空間 )選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實上，特徵臉方法是一種顯式主元分析人臉建模，一些線性自聯想、線性壓縮型BP網則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權和，這些向量是訓練集叉積陣的主特徵向量，Valentin對此作了詳細討論。總之，特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的演算法，但由於它在本質上依賴於訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。
基於KL 變換的特徵人臉識別方法
基本原理:
KL變換是圖象壓縮中的一種最優正交變換，人們將它用於統計特徵提取，從而形成了子空間法模式識別的基礎，若將KL變換用於人臉識別，則需假設人臉處於低維線性空間，且不同人臉具有可分性，由於高維圖象空間KL變換後可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓練樣本集的統計特性來獲得，KL變換的生成矩陣可以是訓練樣本集的總體散布矩陣，也可以是訓練樣本集的類間散布矩陣，即可採用同一人的數張圖象的平均來進行訓練，這樣可在一定程度上消除光線等的干擾，且計算量也得到減少，而識別率不會下降。
4. 基於彈性模型的方法
Lades等人針對畸變不變性的物體識別提出了動態鏈接模型 (DLA)，將物體用稀疏圖形來描述 (見下圖)，其頂點用局部能量譜的多尺度描述來標記，邊則表示拓撲連接關系並用幾何距離來標記，然後應用塑性圖形匹配技術來尋找最近的已知圖形。Wiscott等人在此基礎上作了改進，用FERET圖像庫做實驗，用 300幅人臉圖像和另外 300幅圖像作比較，准確率達到 97.3%。此方法的缺點是計算量非常巨大 。
Nastar將人臉圖像 (Ⅰ ) (x，y)建模為可變形的 3D網格表面 (x，y，I(x，y) ) (如下圖所示 )，從而將人臉匹配問題轉化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形，並根據變形的情況判斷兩張圖片是否為同一個人。這種方法的特點在於將空間 (x，y)和灰度I(x,y)放在了一個 3D空間中同時考慮，實驗表明識別結果明顯優於特徵臉方法。
Lanitis等提出靈活表現模型方法，通過自動定位人臉的顯著特徵點將人臉編碼為 83個模型參數，並利用辨別分析的方法進行基於形狀信息的人臉識別。彈性圖匹配技術是一種基於幾何特徵和對灰度分布信息進行小波紋理分析相結合的識別演算法，由於該演算法較好的利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特徵點的功能，因而具有良好的識別效果，適應性強識別率較高，該技術在FERET測試中若干指標名列前茅，其缺點是時間復雜度高，速度較慢，實現復雜。
5. 神經網路方法（Neural Networks）
人工神經網路是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網路方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個主元，然後用自相關神經網路將它映射到 5維空間中，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好；Intrator等提出了一種混合型神經網路來進行人臉識別，其中非監督神經網路用於特徵提取，而監督神經網路用於分類。Lee等將人臉的特點用六條規則描述，然後根據這六條規則進行五官的定位，將五官之間的幾何距離輸入模糊神經網路進行識別，效果較一般的基於歐氏距離的方法有較大改善，Laurence等採用卷積神經網路方法進行人臉識別，由於卷積神經網路中集成了相鄰像素之間的相關性知識，從而在一定程度上獲得了對圖像平移、旋轉和局部變形的不變性，因此得到非常理想的識別結果，Lin等提出了基於概率決策的神經網路方法 (PDBNN),其主要思想是採用虛擬 (正反例 )樣本進行強化和反強化學習，從而得到較為理想的概率估計結果，並採用模塊化的網路結構 (OCON)加快網路的學習。這種方法在人臉檢測、人臉定位和人臉識別的各個步驟上都得到了較好的應用，其它研究還有 :Dai等提出用Hopfield網路進行低解析度人臉聯想與識別，Gutta等提出將RBF與樹型分類器結合起來進行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用於人臉識別，國內則採用統計學習理論中的支撐向量機進行人臉分類。
神經網路方法在人臉識別上的應用比起前述幾類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網路方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。因此人工神經網路識別速度快，但識別率低 。而神經網路方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。
PCA的演算法描述：利用主元分析法 (即 Principle Component Analysis,簡稱 PCA)進行識別是由 Anderson和 Kohonen提出的。由於 PCA在將高維向量向低維向量轉化時，使低維向量各分量的方差最大，且各分量互不相關，因此可以達到最優的特徵抽取。