人員檢測演算法方案

① 行人檢測

參考資料：

行人檢測演算法

行人檢測是使用計算機視覺技術來判斷圖像或視頻中是否存在行人。可以通過跟行人跟蹤，行人重識別技術，來應用於人工智慧系統，車輛輔助駕駛系統、智能交通等領域

① 處理數據

② 訓練模型

③ 輸出目標位置

① 外觀差異大。包括視覺、姿態、服飾和附著物、光照、成像距離等。行人不同的運動姿態、角度，都會顯示出不同的外觀，而且成像距離遠近不一，也會造成外觀大小不同

② 遮擋問題，在行人密集的地方，會發生行人被遮擋的問題，或者是被周圍的建築物遮擋住

③ 背景復雜，有些物體的外觀、造型、顏色、紋理等都比較接近人體，例如雕塑或人像廣告牌、假人等。之前就有個新聞說紅綠燈行人越線檢測時，把公共汽車上的代言人廣告中的代言人也檢測了出來

④ 檢測速度，行人檢測一般使用了比較復雜的模型，運算量相當大，要達到實時非常困難，一般需要大量的優化

Faster R-CNN

文獻[16]分析了Faster R-CNN在行人檢測問題上的表現，結果表明，直接使用這種演算法進行行人檢測效果並不滿意。作者發現，Faster R-CNN中的RPN網路對提取行人候選區域是相當有效的，而下游的檢測網路表現的不好。作者指出了其中的兩個原因：對於小目標，卷積層給出的特徵圖像太小了，無法有效的描述目標；另外，也缺乏難分的負樣本挖掘機制。作者在這里採用了一種混合的策略，用RPN提取出候選區域，然後用隨機森林對候選區域進行分類。這一結構如下圖所示：

DeepParts

文獻[21]提出了一種基於部件的檢測方案，稱為DeepParts，致力於解決遮擋問題。這種方案將人體劃分成多個部位，分別進行檢測，然後將結果組合起來。部位劃分方案如下圖所示：

整個系統的結構如下圖所示：

RepLoss

RepLoss[14]由face++提出，主要目標是解決遮擋問題。行人檢測中，密集人群的人體檢測一直是一個難題。物體遮擋問題可以分為類內遮擋和類間遮擋兩類。類內遮擋指同類物體間相互遮擋，在行人檢測中，這種遮擋在所佔比例更大，嚴重影響著行人檢測器的性能。

針對這個問題，作者設計也一種稱為RepLoss的損失函數，這是一種具有排斥力的損失函數，下圖為RepLoss示意圖：

RepLoss 的組成包括 3 部分，表示為：

其中L_Attr 是吸引項，需要預測框靠近其指定目標；L_RepGT 和 L_RepBox 是排斥項，分別需要當前預測框遠離周圍其它的真實物體和該目標其它的預測框。系數充當權重以平衡輔助損失。

HyperLearner

文獻[25]提出了一種稱為HyperLearner的行人檢測演算法，改進自Faster R-CNN。在文中，作者分析了行人檢測的困難之處：行人與背景的區分度低，在擁擠的場景中，准確的定義一個行人非常困難。

作者使用了一些額外的特徵來解決這些問題。這些特徵包括：

apparent-to-semantic channels

temporal channels

depth channels

為了將這些額外的特徵也送入卷積網路進行處理，作者在VGG網路的基礎上增加了一個分支網路，與主體網路的特徵一起送入RPN進行處理：

其他的基本上遵循了Faster R-CNN框架的處理流程，只是將anchor參數做了改動。在實驗中，這種演算法相比Faster R-CNN有了精度上的提升。

從上面的回顧也可以看出，與人臉檢測相比，行人檢測難度要大很多，目前還遠稱不上已經解決，遮擋、復雜背景下的檢測問題還沒有解決，要因此還需要學術界和工業界的持續努力。

② 人臉識別測距原理

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

中文名
人臉識別
別名
人像識別、面部識別
工具
攝像機或攝像頭
傳統技術
可見光圖像的人臉識別
處理方法
人臉識別演算法

人臉識別技術有濫用趨勢
10月13日，小蠻腰科技大會在廣州開幕。在「後疫情時代的大數據應用與隱私保護」分論壇上，南方都市報人工智慧倫理課題組和App專項治理工作組發布了《人臉識別應用公眾調研報告（2020）》。《報告》顯示，六成受訪者認為人臉識別技術有濫用趨勢，三成受訪者表示已因人臉信息泄露、濫用而遭受隱私或財產損失。
新華網 2020-10-19
快速
導航
技術特點

技術流程

識別演算法

識別數據

配合程度

優勢困難

主要用途

應用前景

主要產品

應用示例
發展歷史
人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。[1]
技術特點

人臉識別
傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在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要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。
迅速發展起來的一種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，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。
人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：
非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」；
非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；
並發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；
除此之外，還符合視覺特性：「以貌識人」的特性，以及操作簡單、結果直觀、隱蔽性好等特點。
技術流程
人臉識別系統主要包括四個組成部分，分別為：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。
人臉圖像採集及檢測
人臉圖像採集：不同的人臉圖像都能通過攝像鏡頭採集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的採集。當用戶在採集設備的拍攝范圍內時，採集設備會自動搜索並拍攝用戶的人臉圖像。
人臉檢測：人臉檢測在實際中主要用於人臉識別的預處理，即在圖像中准確標定出人臉的位置和大小。人臉圖像中包含的模式特徵十分豐富，如直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵等。人臉檢測就是把這其中有用的信息挑出來，並利用這些特徵實現人臉檢測。
主流的人臉檢測方法基於以上特徵採用Adaboost學習演算法，Adaboost演算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。

③ 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。

④ 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：

⑤ 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