人臉姿態檢測方法

⑴ opencv的人臉識別基於什麼特徵

基於幾何特徵的人臉識別方法

基於特徵的方法是一種自下而上的人臉檢測方法，由於人眼可以將人臉在不此研究人員認為有一個潛在的假設：人臉或人臉的部件可能具有在各種條件下都不會改變的特徵或屬性，如形狀、膚色、紋理、邊緣信息等。基於特徵的方法的目標就是尋找上述這些不變特徵，並利用這些特徵來定位入臉。這類方法在特定的環境下非常有效且檢測速度較高，對人臉姿態、表情、旋轉都不敏感。但是由於人臉部件的提取通常都藉助於邊緣運算元，因此，這類方法對圖像質量要求較高，對光照和背景等有較高的要求，因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響演算法的有效性。

模板匹配演算法首先需要人TN作標准模板(固定模板)或將模板先行參數化(可變模板)，然後在檢測人臉時，計算輸入圖像與模板之間的相關值，這個相關值通常都是獨立計算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度後得出的綜合描述，最後再根據相關值和預先設定的閾值來確定圖像中是否存在人臉。基於可變模板的人臉檢測演算法比固定模板演算法檢測效果要好很多，但是它仍不能有效地處理人臉尺度、姿態和形狀等方面的變化。

基於外觀形狀的方法並不對輸入圖像進行復雜的預處理，也不需要人工的對人臉特徵進行分析或是抽取模板，而是通過使用特定的方法(如主成分分析方法(PCA)、支持向量機(SVM)、神經網路方法(ANN)等)對大量的人臉和非人臉樣本組成的訓練集(一般為了保證訓練得到的檢測器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進行學習，再將學習而成的模板或者說分類器用於人臉檢測。因此，這也是j種自下而上的方法。這種方法的優點是利用強大的機器學習演算法快速穩定地實現了很好的檢測結果，並且該方法在復雜背景下，多姿態的人臉圖像中也能得到有效的檢測結果。但是這種方法通常需要遍歷整個圖片才能得到檢測結果，並且在訓練過程中需要大量的人臉與非人臉樣本，以及較長的訓練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。

基於代數特徵的人臉識別方法

在基於代數特徵的人臉識別中，每一幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數據特徵來表示人臉的特徵。 設人臉圖像 ) , ( y x I 為二維 N M × 灰度圖像，同樣可以看成是 N M n × = 維列向量，可視為 N M × 維空間中的一個點。但這樣的一個空間中，並不是空間中的每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到一個維數較低的空間中去。然後利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。 在基於代數特徵的人臉識別方法中，主成分分析法（PCA）和Fisher 線性判別分析（LDA）是研究最多的方法。本章簡要介紹介紹了PCA。

完整的PCA(PrincipalComponentAnalysis)人臉識別的應用包括四個步驟：人臉圖像預處理；讀入人臉庫，訓練形成特徵子空間；把訓練圖像和測試圖像投影的上一步驟中得到的子空間上；選擇一定的距離函數進行識別。詳細描述如下：

4.1讀入人臉庫

一歸一化人臉庫後，將庫中的每個人選擇一定數量的圖像構成訓練集，設歸一化後的圖像是n×n，按列相連就構成n2維矢量，可視為n2維空間中的一個點，可以通過K-L變換用一個低維子空間描述這個圖像。

4.2計算K．L變換的生成矩陣

訓練樣本集的總體散布矩陣為產生矩陣，即

或者寫成:

式中xi為第i個訓練樣本的圖像向量，|l為訓練樣本的均值向量，M為訓練樣本的總數。為了求n2×n2維矩陣∑的特徵值和正交歸一化的特徵向量，要直接計算的話，計算量太大，由此引入奇異值分解定理來解決維數過高的問題。

4.3利用奇異值分解(AVD)定理計算圖像的特徵值和特徵向量

設A是一個秩為r的行n×r維矩陣，則存在兩個正交矩陣和對角陣：

其中凡則這兩個正交矩陣和對角矩陣滿足下式：

其中為矩陣的非零特徵值，

4.4 把訓練圖像和測試圖像投影到特徵空間每一副人臉圖像向特徵臉子空間投影，得到一組坐標系數，就對應於子空間中的一個點。同樣，子空間中的任一點也對應於～副圖像。這組系數便可作為人臉識別的依據，也就是這張人臉圖像的特徵臉特徵。也就是說任何一幅人臉圖像都可以表示為這組特徵臉的線性組合，各個加權系數就是K．L變換的展開系數，可以作為圖像的識別特徵，表明了該圖像在子空間的位置，也就是向量

可用於人臉檢測，如果它大於某個閾值，可以認為f是人臉圖像，否則就認為不是。這樣原來的人臉圖象識別問題就轉化為依據子空間的訓練樣本點進行分類的問題。

基於連接機制的人臉識別方法

基於連接機制的識別方法的代表性有神經網路和彈性匹配法。

神經網路(ANN)在人工智慧領域近年來是一個研究熱門，基於神經網路技術來進行人臉特徵提取和特徵識別是一個積極的研究方向。神經網路通過大量簡單神經元互聯來構成復雜系統，在人臉識別中取得了較好的效果，特別是正面人臉圖像。常用的神經網路有：BP網路、卷積網路、徑向基函數網路、自組織網路以及模糊神經網路等n¨。BP網路的運算量較小耗時也短，它的自適應功能使系統的魯棒性增強。神經網路用於人臉識別，相比較其他方法，其可以獲得識別規則的隱性表達，缺點是訓練時間長、運算量大、收斂速度慢且容易陷入局部極小點等。Gutta等人結合RBF與樹型分類器的混合分類器模型來進行人臉識別乜螂1。Lin等人採用虛擬樣本進行強化和反強化學習，採用模塊化的網路結構網路的學習加快，實現了基於概率決策的神經網路方法獲得了較理想結果，。此種方法能較好的應用於人臉檢測和識別的各步驟中。彈性匹配法採用屬性拓撲圖代表人臉，拓撲圖的每個頂點包含一個特徵向量，以此來記錄人臉在該頂點位置周圍的特徵信息¨引。拓撲圖的頂點是採用小波變換特徵，對光線、角度和尺寸都具有一定的適應性，且能適應表情和視角的變化，其在理論上改進了特徵臉演算法的一些缺點。

基於三維數據的人臉識別方法

一個完整的人臉識別系統包括人臉面部數據的獲取、數據分析處理和最終結果輸出三個部分。圖2-1 顯示了三維人臉識別的基本步驟：1 、通過三維數據採集設備獲得人臉面部的三維形狀信息；2 、對獲取的三維數據進行平滑去噪和提取面部區域等預處理；3 、從三維數據中提取人臉面部特徵，通過與人臉庫中的數據進行比對；4 、用分類器做分類判別，輸出最後決策結果。

基於三維數據的方法的代表性是基於模型合成的方法和基於曲率的方法。

基於模型合成的方法，它的基本思想為：輸入人臉圖像的二維的，用某種技術恢復(或部分恢復)人臉的三維信息，再重新合成指定條件下的人臉圖像。典型代表是3D可變形模型和基於形狀恢復的3D增強人臉識別演算法。3D可變形模型首先通過200個高精度的3D人臉模型構建一個可變形的3D人臉模型，用這個模型來對給定的人臉圖像擬合，獲得一組特定的參數，再合成任何姿態和光照的人臉圖像n卜捌。基於形狀恢復的3D增強人臉識別演算法是利用通用的3D人臉模型合成新的人臉圖像，合成過程改變了一定的姿態與光源情況。

曲率是最基本的表達曲面信息的局部特徵，因而最早用來處理3D人臉識別問題的是人臉曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，將人臉深度圖中凸的區域分割出來。

如果你是開發者的話，可以去Tel一下colorreco，更好地技術解答。

⑵ 人臉識別技術小知識有哪些

人臉識別技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。

人臉識別技術屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。

(1)人臉檢測

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空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)人臉跟蹤

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)人臉比對

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。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。

人臉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。

識別過程

一般分三步：

(1)首先建立人臉的面像檔案。即用攝像機採集單位人員的人臉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」方式是根據人臉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辨認出某個人。人臉的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

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。

人臉檢測過程中使用Adaboost演算法挑選出一些最能代表人臉的矩形特徵(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

人臉圖像預處理

人臉圖像預處理：對於人臉的圖像預處理是基於人臉檢測結果，對圖像進行處理並最終服務於特徵提取的過程。系統獲取的原始圖像由於受到各種條件的限制和隨機 干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、雜訊過濾等圖像預處理。對於人臉圖像而言，其預處理過程主要包括人臉圖像的光線補 償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

人臉圖像特徵提取

人臉圖像特徵提取：人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數 特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大 類：一種是基於知識的表徵方法；另外一種是基於代數特徵或統計學習的表徵方法。

基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分 量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特 征，這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。

人臉圖像匹配與識別

人臉圖像匹配與識別：提取的人臉圖像的特徵數據與資料庫中存儲的特徵模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸 出。人臉識別就是將待識別的人臉特徵與已得到的人臉特徵模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一 進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。

衡量人臉識別的演算法能力：拒識率、誤識率、通過率，准確率。

⑶ 有沒有人臉識別技術

廈門雲脈人臉識別技術，通過人臉檢測、特徵庫建立和人臉比對來判定是否為本人特徵。
准確度——證件照首位命中率100%；當前的視頻截圖、網吧截圖命中率75%。
速度——大容量資料庫中，單伺服器檢索速度平均達到18秒。
適應牲——樣本照片的光線角度不一，眼鏡及輕化妝，人臉姿態在上下15度左右旋轉30 度以內無顯著變化。

⑷ 人臉識別是怎麼組成的是怎麼運行的

很多人坐高鐵檢票時，會在檢票機上刷臉來認證自己的身份，亦或者是去超市買生活日用品結賬時，不想排長長的隊伍，最好的選擇就是刷臉結賬。這里提到的刷臉就運用到了華科雲人臉識別面部識別技術，很多人知道這項技術的存在，卻不知道如何實現的。面部識別系統，通常是由以下三個模塊組成，且由華科雲製造的人臉識別主板支撐運轉。三個模塊為：
1、面部檢測
面部檢測器是用來鎖定畫面中出現人的面部位置，如果有人的面部存在的話，就會返回含有這張面部信息的邊界框位置。
2、面部對齊
面部對齊的作用是先確定圖像中固定位置，然後進行面部圖像的縮放和裁剪。這個過程是需要一個固定的面部特徵檢測儀器來尋找面部特徵，通常是以2D對齊為主要形式，然後尋找最佳參考點來做仿射轉換。
3、面部匹配
在這個環節中，需要把獲取的面部信息與系統庫里的面部信息進行比較，從而產生相似度的分數，該分數就是為了確保是否為同一人。
單單有技術是無法支撐整個系統的運轉，這時就要提下華科雲製造的人臉識別主板。這塊主板作為除了技術外另一個核心點，是為了保證系統正常運轉，並實現各種功能支撐。不得不說，華科雲製造的硬體都是實打實的好用，就連他們解決出來的方案，也是比同行業的更好。

⑸ 人臉識別中的姿態問題，大家一般是怎麼解決的啊

姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直於圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。使得姿態問題成為人臉識別的一個技術難題。解決姿態問題有三種思路：

第一種思路是學習並記憶多種姿態特徵，這對於多姿態人臉數據可以容易獲取的情況比較實用，其優點是演算法與正面人臉識別統一，不需要額外的技術支持，其缺點是存儲需求大，姿態泛化能力不能確定，不能用於基於單張照片的人臉識別演算法中等。

第二種思路是基於單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下合成該用戶的多個學習樣本，可以解決訓練樣本較少的情況下的多姿態人臉識別問題，從而改善識別性能。

第三種思路是基於姿態不變特徵的方法，即尋求那些不隨姿態的變化而變化的特徵。我們的思路是採用基於統計的視覺模型，將輸入姿態圖像校正為正面圖像，從而可以在統一的姿態空間內作特徵的提取和匹配。

因此，基於單姿態視圖的多姿態視圖生成演算法將是我們要研究的核心演算法，我們的基本思路是採用機器學習演算法學習姿態的2D變化模式，並將一般人臉的3D模型作為先驗知識，補償2D姿態變換中不可見的部分，並將其應用到新的輸入圖像上去。

更多技術解答，Ph一下顏鑒，更好的技術。

⑹ 人臉識別是靠什麼技術實現的

人臉識別門禁技術如今已漸趨成熟，曾經很多企業、社區、景區、工地所依賴的指紋識別門禁、門禁卡門禁、密碼鎖門禁如今正被人臉識別門禁所取代，為各行業領域帶來了極大的便捷。但人臉識別技術作為一種新興的人員身份鑒別技術，大部分人對於這項技術還是相對陌生，關於與人臉識別相關的問題也時有發生，為了讓大家快速學會使用人臉識別門禁系統，今天寶比萬像人臉識別就來教大家如何學會人臉識別門禁的人臉信息錄入使用。
啟動設備
1.默認打開寶比萬像人臉識別門禁考勤設備端APP，進入「寶比萬像人臉識別門禁考勤系統設備端APP」啟動頁
2.默認進入人臉認證頁面。
3.在人臉認證界面，點擊「首頁」按鈕，返回人臉設備主菜單。
人臉驗證
1.在人臉識別主界面點擊「人臉認證」菜單進行人臉驗證
2.人臉認證：通過認證，閘門開啟，並顯示人臉ID，姓名。
3.人臉認證：沒有登記的人臉進行驗證，提示「人臉無登記」。
人臉登記
1.在人臉識別主界面點擊「人臉登記＋」，彈出登錄界面。
2.輸入登錄賬號、密碼（xxxxxx），點擊登錄。
3.輸入姓名，點擊下一步，跳轉到人臉登記界面。
4.人臉登記初始化頁面。提示登記這，請面對攝像頭。
5.人臉登記：拍攝成功後「確認注冊」，提升「人臉登記成功」。
6.點解「重新獲取」，即對需要登記的人臉進行重新拍攝登記。
7.已登記成功的用戶，再次進行人臉登記，則提示；已登記。
8.點擊當前頁面的返回剪頭，即返回到人臉識別設備APP首頁。

⑺ 人臉識別的識別演算法

一般來說，人臉識別系統包括圖像攝取、人臉定位、圖像預處理、以及人臉識別（身份確認或者身份查找）。系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉資料庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。
人臉識別演算法分類
基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。
基於整幅人臉圖像的識別演算法（Appearance-based recognition algorithms）。
基於模板的識別演算法（Template-based recognition algorithms）。
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。
基於光照估計模型理論
提出了基於Gamma灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。
優化的形變統計校正理論
基於統計形變的校正理論，優化人臉姿態；強化迭代理論
強化迭代理論是對DLFA人臉檢測演算法的有效擴展；
獨創的實時特徵識別理論
該理論側重於人臉實時數據的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果

⑻ 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：