人脸识别是怎么进行的

在众多的人工智能技术中，人脸识别商用较为成熟且落地应用更为广泛。它作为基于脸部特征信息进行身份识别的一种生物识别技术，已经广泛应用于各行各业，比如说汽车站、地铁、机场等各出入口。

但很多人对于人脸识别技术不是很了解，不知道摄像头是怎么进行人脸识别的，今天小编带大家一探究竟，看看人脸识别是怎么进行的，又怎么准确识别到人脸的！

人脸识别的步骤

（1）人脸检测：即从各种不同的场景中检测出人脸的存在并确定其位置。

（2）人脸规范化：校正人脸在尺度、光照和旋转等方面的变化。将人脸对齐，进行人脸校准。

（3）人脸校验：采取某种方式表示检测出人脸和数据库中的已知人脸，确认两张脸是否是同一个人。

（4）人脸识别：将待识别的人脸与数据库中的已知人脸比较，得出给你的脸是库里的谁。

人脸识别的办法

（1）几何特征的人脸识别方法

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系。

（2）基于特征脸（PCA）的人脸识别方法

特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。

（3）神经网络的人脸识别方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

（4）弹性图匹配的人脸识别方法

弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

（5）线段Hausdorff距离（LHD）的人脸识别方法

心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

（6）支持向量机（SVM）的人脸识别方法

近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

人脸自动识别技术已取得了巨大的成就，随着科技的发展，在实际应用中仍然面临困难，不仅要达到准确、快速的检测并分割出人脸部分，而且要有效的变化补偿、特征识别、准确的分类的效果，还需要注重和提高以下几个方面：

（1）人脸的局部和整体信息的相互结合能有效地描述人脸的特征，基于混合模型的方法值得进一步深入研究，以便能准确描述复杂的人脸模式分布。

（2）由于人脸为非刚体性，人脸之间的相似性以及各种变化因素的影响，准确的人脸识别仍较困难。为了满足自动人脸识别技术具有实时要求，在必要时需要研究人脸与指纹、虹膜、语音等识别技术的融合方法。

（3）表面纹理识别算法是一种最新的算法，有待于我们继续学习和研究出更好的方法。

总之，人脸识别仅仅采用一种现有方法难以取得良好的识别效果，如何与其它技术相结合，如何提高识别率和识别速度、减少计算量，提高精准性，如何采用嵌入式及硬件实现，如何实用化都需要不断学习和融合新技术，才能使人脸识别真正为生活带来便利。
责任编辑：YYX