山世光——人脸识别技术概述
人脸识别技术简介 ppt课件
识别过程
未知样本
特征 抽取
特征 比对
识别结果
已知样本 类别
特征 抽取
模板库
训练过程
9
人脸识别问题的困难性：
不同人的人脸图象具有相似的结构，相同人的人脸图象受 各种变化因素的影响很大。
1、采集设备 2、表情 3、饰物 4、发型 5、姿态 6、光照 7、年龄
……
10
多姿态人脸检测结果示例：
11
多姿态人脸检测结果示例：
人脸识别系统简介
ppt课件
1
目录
引言 人脸识别技术的基本原理 人脸识别系统简介 国际上人脸识别技术的发展趋势 总结
2
引言（I）
基于生物特征的身份认证(Biometrics)：
通过计算机利用人体所固有的生理特征或行为特征来进行个人身 份识别认证。
生物特征=生理特征+行为特征 生理特征(what you are?) 与生俱来，如DNA、脸像、指纹等 行为特征(what you do?)
网吧
售票窗口 车站安检口 银行柜台 小区出入口
场景
刷卡者长什么样？是否是本人？周围还有些什么人？
功能
刷卡信息与现场视频做标签绑定； 通过证件条件查询录像； 身份证信息黑名单布控； 人脸正面图片1:1、1:N 比对。
提供快速查找录像的手段，提高工作效率；
用途 人脸黑名单报警，防患于未然。
2、采集设备成本 很低，容易采 集；
3、普遍性好，人 人都有。
5
人脸识别系统分类：
识别（identification）： 这是谁？
1对多比对，从计算机存储的人脸图像库中找出与输入人脸图像相
似的若干图像。
人脸识别ppt
➢这些生物特征本身固有的特点决定了其在生物认证中 所起的作用是不同的.
基于先验形状的水平集图像分割
XDZX
➢优势：既包括使全局形状一致的隐含曲面约 束 ,又保持了水平集捕捉局部形变的能力 。
➢经典处理过程：首先在水平集空间利用一样 本集构造一个形状模型 , 此形状模型使用变 分框架由隐含函数来描述先验形状的变化 。 然后模型引入能量函数作为先验形状项 ,该 项的目的是使演化曲线与形状模型的距离最 小。
2 基于相关匹配的方法
XDZX
➢基于相关匹配的方法包括模板匹配法和等强 度线方法。
➢①模板匹配法：Poggio和Brunelli专门比较了 基于几何特征的人脸识别方法和基于模板匹 配的人脸识别方法。
➢②等强度线法：等强度线利用灰度图像的多级 灰度值的等强度线作为特征进行两幅人脸图 像的匹配识别。
3 基于神经网络的方法
三.基于水平集的图像分割方法
XDZX
定义：水平集方法是将n维曲面的演化问题转化为n+1维空 间的水平集函数曲面演化的隐含方式来求解。
优势：非参数化、自动处理拓扑结构的变化、捕捉局部形 变、提供一个自然的方法来估计演化曲线的几何特 性
劣势：不能有效的处理有噪声、不完整数据的图像
水平集方法研究现状
XDZX
虹膜 High High High Medium High Low High
视网膜 High High Medium Low High Low High
人脸识别技术研究
引言人脸识别技术研究1 引言1.1 选题背景目前，在个人身份鉴别中主要依靠ID卡和密码等传统手段，这些传统手段的安全性能较低，且都是基于，“What he Dossesses”或“What he remembers”的简单身份鉴别，离真真意义上的身份鉴别“Who he is”还相差甚远。
依靠传统方法来确认个人身份越来越不适应现代科技的发展和社会的进步。
生物特征识别技术给可靠的身份鉴定带来了可能。
最近，国际生物特征组织(IBG)对生物特征识别技术做了较详细的市场分析和预测，其结果显示，全球生物特征识别技术2014年的产值约为69亿美元，预计到2016年将超过93亿美元，市场潜力非常巨大…。
生物识别技术是指利用一个人特有的生理和行为特征进行自动的身份认证。
只有满足以下几个条件的生理或行为特征才能被用做生物识别特征1)普遍性。
即每个人都要具备这种特征。
2)唯一性。
即不同的人应该具备不同的这种特性。
3)持久性。
即这种特征不随时间地点的改变而变化。
4)可采集性。
即该特征可以被定量地测量。
研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。
基于这些特征，人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。
在所有的生物特征识别技术中，利用人脸特征进行身份识别是最自然、最直接和最友好的于段。
与其它生物特征识别技术相比，人脸的获取非常容易，几乎可以在被采集对象无意识的状态下获取人脸图像，这样的取样方式没有“侵犯性”。
人脸识别技术是种重要的生物特征识别技术，应用非常广泛。
人脸是自然界存在的一种特殊的复杂视觉模式，它包含及其丰富的信息。
首先，人脸具有一定的不变性和唯一性，人脸识别是人类在进行身份确认时使用最为普遍的一种方式，人脸图像还能够提供一个人的性别、年龄、种族等有关信息。
其次，人脸也人脸识别技术研究具有多样的变化能力，从人脸的不同表情人们可以感知到一个人的情绪、感受、甚至秉性和气质。
人脸识别技术的发展及应用
人脸识别技术的发展及应用随着社会的发展，安全问题也日益成为人们关注的焦点。
在各种安全保障技术中，人脸识别技术受到越来越多的关注和应用。
人脸识别技术是一种将图像处理、计算机视觉和模式识别技术相结合的技术，通过对输入的图像和视频中的人脸进行分析，进行人脸识别、检测、跟踪和识别等相关工作。
从最初的只能识别大面积黑白照片到后来的可见光、多视角、3D和细节识别等，人脸识别技术已经经历了一个相当艰难的发展历程，并取得了卓越的成果，目前已经进入了一个全新的发展时期。
一、人脸识别技术的分类目前，人脸识别技术的分类主要有三种：2D人脸识别、3D人脸识别和多模态人脸识别。
2D人脸识别是最常见和常用的一种人脸识别技术，它通过利用人脸的特征信息，如人脸轮廓、眼睛、鼻子和嘴巴等特征来识别出目标人物。
由于二维人脸图像很容易获取，而且计算简单，所以2D人脸识别技术具有较高的实际应用价值。
3D人脸识别与2D人脸识别相比，可以获取更多的人脸几何信息，从而提高识别的准确率。
它能够对人脸深度、形状、表面纹理等多种信息进行刻画，也能够适应面部表情和光照变化等情况。
然而，3D人脸识别技术需要使用相对较昂贵的设备进行采集，因此，成本仍然是一个问题。
多模态人脸识别技术则是将2D和3D人脸识别技术相结合，采用多种感知模态和算法来进行人脸识别。
这种技术可以综合多种人脸信息，如声音、手势等，从而提高识别的准确率和鲁棒性。
二、人脸识别技术的应用人脸识别技术在安防、金融、互联网和娱乐等领域中有广泛的应用。
在安防领域，人脸识别技术可以用来监测和识别不法分子，提高公共安全。
在金融领域，人脸识别技术可以用来识别和认证客户的身份，从而防止诈骗和洗钱等违法活动的发生。
在互联网领域，人脸识别技术可以用来验证用户的身份和提供更好的个性化服务。
在娱乐领域，人脸识别技术可以用来制作特效和人脸融合等有趣的应用。
其中，人脸识别技术最为广泛地应用于公安安防系统。
通过将人脸识别技术应用于视频监控系统中，能够通过摄像头获取目标人物的人脸信息，并采用人脸识别算法进行实时识别，从而迅速锁定目标并提高工作效率。
3d结构光人脸识别技术原理
3d结构光人脸识别技术原理宝子们！今天咱们来唠唠超酷的3D结构光人脸识别技术原理，可有趣啦。
咱先说说啥是3D结构光。
你可以把它想象成一个超级神奇的光影魔术手。
简单来讲呢，就是它会发射出一种特殊的光线图案。
这种光线图案就像一个精心编织的光网一样，密密麻麻又很有规律地投射到人的脸上。
这就好比是给脸穿上了一件由光线做成的定制衣服。
那为啥要投射这个光线图案呢？这可就很关键啦。
当光线投射到脸上之后，因为人脸是立体的嘛，有高有低，有鼻子有眼睛啥的，不同的部位就会对光线产生不同的反射和扭曲。
就像你把一个平整的网扔到一个有山有水有坑洼的地方，这个网肯定就会变得奇形怪状啦。
人脸也是这个道理，鼻子那里可能就把光线顶起来了，眼睛那里可能就凹下去让光线拐个弯。
然后呢，就到了接收光线这个环节啦。
有专门的传感器就像一个超级灵敏的小眼睛一样，在旁边等着接收被人脸改变后的光线图案。
这个传感器可厉害着呢，它能非常精确地捕捉到光线的每一个细微变化。
就好像是一个超级侦探，不放过任何一点小线索。
接下来就是数据处理的部分啦。
传感器接收到的光线图案信息被传送到一个像超级大脑一样的处理系统里。
这个系统就开始像拼拼图一样，根据光线的变化来计算人脸各个部位的深度、形状这些信息。
它会算出你的鼻子有多高，眼睛有多深，脸有多宽等等。
这就像是在给你的脸画一幅超级详细的3D地图一样。
你知道吗？3D结构光人脸识别技术还有一个很厉害的地方，就是它能够区分出真脸和假脸。
比如说，要是有人想用照片或者面具来糊弄它，那可就没门儿啦。
因为照片和面具都是平面的，没有真正人脸的那种立体结构，在光线投射上去之后，反射出来的图案和真脸的差别可大了。
就像你拿一个假的苹果模型，虽然看起来有点像苹果，但真苹果的那种圆润、有坑洼的感觉是模仿不来的。
而且啊，3D结构光人脸识别技术在很多地方都大显身手呢。
像咱们的手机，现在好多手机都有这个功能啦。
你只要看一眼手机，它就能快速识别出你是不是手机的主人，然后就欢快地解锁啦。
人脸识别技术的应用与前景
人脸识别技术的应用与前景随着科技的发展，人脸识别技术在各个领域得到了广泛应用，并取得了令人瞩目的成就。
从最初的安防领域，到现在的金融、零售、医疗等多个领域，人脸识别技术正在改变着我们的生活。
本文将从应用场景、技术优势以及未来发展方向等多个方面来探讨人脸识别技术的应用与前景。
一、应用场景1. 安防领域人脸识别技术最早应用于安防领域，可帮助判断陌生人员，监控可能的违法行为。
基于人脸识别技术的门禁系统、智能锁、监控设备等已经普及到了大众的生活中。
在一些公共场合，例如机场、车站、商场等，都安装了人脸识别的安全检测设备，以提高人员安全。
2. 金融领域在金融领域中，人脸识别技术也得到了广泛应用。
人脸识别技术可作为一种身份验证方式，可以有效减少由于复杂的人工操作而引发的客户投诉。
尤其是在移动支付及数字金融等领域，人脸识别技术更是被广泛应用，为用户提供了更加安全、便捷的支付方式。
3. 零售领域在零售行业中，人脸识别技术可以用于商品的智能化识别、用户画像分析等方面。
例如在一些商场中，通过人脸识别的方式了解用户的购物行为，为用户提供更加精准的推荐和服务。
4. 医疗领域人脸识别技术也在医疗领域中发挥了重要作用。
例如在医院的挂号、诊断等环节中，可以应用人脸识别技术对病人的身份进行准确识别，以提高医患沟通的效率和准确性。
二、技术优势1. 高可靠性相较于传统的身份识别方式，人脸识别技术具有更高的可靠性。
人脸识别技术不受传统身份识别方式的限制，通过数字处理技术高精度准确地识别出用户的身份信息。
2. 低误识率人脸识别技术在处理过程中，利用深度学习等技术，不断优化识别算法，极大地降低了误识率。
在实际应用中，人脸识别技术已经达到了极高的准确率。
3. 高安全性人脸识别技术具有高度的个性化和不可复制性，通过对人脸细节、表情、造型等多方面进行识别，可以有效防止身份伪造、冒领等安全问题。
三、未来发展方向1. 人脸识别技术的优化随着人脸识别技术的不断发展，未来人脸识别技术将不断优化，提高技术的灵敏性和准确度。
人脸识别技术介绍课件 PPT
人像验证 输入两张照片，确定它们是否来自于 持证人身份核实、电子政务、电子商务、移动设
Verification 同一个人。
备访问控制等。
-15-
1 : 1 的验证过程
-16-
1 : N 的辨识过程（N : N）
-17-
人脸识别应用场景
根据对公安现有的业务现状及系统分析，我们可以归纳为两类应用： 静态和动态两种应用模式。其中某些管理工作可以两种模式共同应用。
选择一张经人像识别系统比对后的相片打印在成绩单上。
-23-
监管
数据采集及核查：公安监管部门在采集人员身份信息时，只有身份证号等字符信息确定唯 一身份，缺乏相片比对等辅助手段，常遇到被监管人员不报或谎报信息、送押单位核实难等问 题，造成了人员信息不完整不真实、数据复用效果不佳，且容易引起公民身份被冒用的上访事 件。现有人工核查手段单一繁琐，被监管人员存疑数据量大，导致了监所核查工作难度大、效 率低。建议开发接口，使人像比对系统增加人口库信息，并与监所业务系统对接，以便较准确 完整地采集和核查信息。
深挖犯罪：隐瞒个人真实信息的被监管人员往往存在劣迹或在逃信息，是监所开展深挖犯 罪工作的重要打击对象。建议通过与在逃人员库进行相片信息比对碰撞，可有效加强深挖犯罪 工作。
安全管理：在监所日常管理中，可增加门禁管理、外来人员管理等系统的人像比对功能， 把好出入口关。
-24-
出入口（监狱/劳教/看守所）
人脸识别技术介绍
目录
第一部分 第二部分 第三部分
人脸识别原理 人脸识别的应用场景 人脸识别算法
-1-
生物识别技术
生物特征
生理特征 what you have?
-人像 -DNA -虹膜 -指纹 “与生俱来”
人脸识别PPT课件
资金是运动的价值，资金的价值是随 时间变 化而变 化的， 是时间 的函数 ，随时 间的推 移而增 值，其 增值的 这部分 资金就 是原有 资金的 时间价 值
2 图像预处理
➢ 灰度化
将彩色图像转换为灰度图，其中有三种方法：最大值法、平均值法、以及加权平均法。
➢ 几何变换
通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差。
资金是运动的价值，资金的价值是随 时间变 化而变 化的， 是时间 的函数 ，随时 间的推 移而增 值，其 增值的 这部分 资金就 是原有 资金的 时间价 值
4 人脸识别
主流的人脸识别技术基本上可以归结为三类：
基于几何特征的方法
基于模板的方法
• 特征脸方法 • 线性判别分析方法 • 奇异值分解方法 • 神经网络算法 • 动态连接匹配
资金是运动的价值，资金的价值是随 时间变 化而变 化的， 是时间 的函数 ，随时 间的推 移而增 值，其 增值的 这部分 资金就 是原有 资金的 时间价 值
1 应用场景
身份证查验，证据留存
当前主要是通过扫描或者复印身份证信 息，人工比对身份证照片。扫描或复印身份 证只是作为备案，并不能有效核实身份证真 伪。要确保是采用真实身份证办理业务，必 须有某种技术手段对办事人提供的身份证进 行查验。
2 几何变换
定义：图像空间变化，将一幅图的坐标位置映射到另一幅图像中的新坐标上。 目的：通过适当的几何变换，消除几何因素（视角，方位等）造成的图像外观变化。
➢ 图像平移 ➢ 图像转置 ➢ 图像旋转 ➢ 图像缩放
资金是运动的价值，资金的价值是随 时间变 化而变 化的， 是时间 的函数 ，随时 间的推 移而增 值，其 增值的 这部分 资金就 是原有 资金的 时间价 值
人脸识别技术的现状和发展趋势
与 信息发展
人脸识别技术的现状和发展趋势
□
摘
侯
鲲
贾隆嘉
王赫宁
（东北师范大学计算机科学与信息技术学院 吉林・长春 130117） 要：人脸识别技术作为图像分析中最成功的应用近几年得到了高度重视， 而我国关于这项技术的应用研究 还处于起步阶段。 通过介绍国内外人脸识别技术的发展现状以及目前所取得的成果， 对该项技术的发展趋势进 行了判断， 这为人脸识别技术的发展提供了良好的依据。 关键词：人脸识别 中图分类号：TP1 发展现状 发展趋势 文献标识码：A 文章编号：1007-3973（2010）011-043-02 我国许多研究机构、大专院校应经在图像处理和模态分析等 方面都取得了较多的研究成果，对包括人脸识别在内的人体 生物特征识别技术的基础研究和应用开发工作进行了大量的 研究，相信我国在这一研究领域的研究和产品开发取得世界 领先地位的目标指日可待。总之，人脸自动识别系统会对人 们的生产生活取得巨大的影响，而人脸识别技术也会有着非 常广阔的应用前景。 2 人脸识别常用技术 人脸不同的特征，分别具有相应的计算模型及算法。而 如何应用计算机确定人脸特征是目前研究的重点。 2.1 人脸特征 （1） 灰度特征 人脸模式的特征包括灰度特征和肤色特征。轮廓是人头 部的重要特征， 而人脸区域内的各个器官(如双眼、 鼻子、 嘴等) 具有自己独特的灰度分布特征。我们可以将人脸区域的灰度 本身作为特征模板， 选取仅包含鼻子、 双眼和嘴的面部中心区 域的某些特性参数， 作为人脸特征模板的共性特征， 并且忽略 头发、脸颊等会产生很大变化的部分。基于统计学习的人脸 检测方法会经常用到这种方法。 （2） 肤色特征 肤色不依赖于面部的细节特征， 它是人脸的重要信息， 并 且不会由于表情的变化而产生变化，具有相对的稳定性。所 以， 人脸检测中通常采用肤色特征进行检验。一般情况下， 主 要由肤色特征来对肤色模型进行描述，而肤色模型的选择又 需要依据色度空间变化。我们通常可以从色度空间中的“肤 色” “非肤色” 与 区域重叠的多少、 “肤色” 描述 区域的分布两个 方面来选择色度空间。而混合高斯模型、高斯模型和直方图 模型是我们通常采用的肤色模型。 2.2 识别算法 （1） 肤色区域分割与人脸验证方法 通常情况下， 我们对于彩色图像的图像处理， 首先是在确 定肤色模型之后， 对肤色进行肤色像素检测； 然后在检测出肤 色像素后，按照肤色像素在空间上的相关性和色度上的相似 性上， 分割出可能存在的人脸区域， 然后根据被测区域的灰度、 几何特征等参数， 对是否是人脸进行判断， 以区分具有类似肤 色的其他物体。 区域分割与验证在很多方法中是相辅相成的。 但在某些特定的情况下，肤色区域分割仅仅根据肤色像素的 聚积特性就可以完成。但对于情况较为复杂的条件，则需要
人脸识别技术综述_论文
人脸识别技术综述[摘要]随着社会信息化，网络化得不断发展，个人身份趋于数字化，隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。
人脸识别，一种应用比较广泛的生物识别方法，在基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯罪等，有着重大的经济和社会意义。
本文主要研究了人脸识别在图像检测识别方面的一些常用的方法。
由于图像处理的好坏直接影响着定位和识别的准确率，因此本文对图像的一些识别算法做了着重的介绍，例如基于二维Gabor小波矩阵表征人脸的识别算法，基于模型匹配人脸识别算法等。
此外，本文还提及了一般人脸识别系统的设计，并着重介绍了图像预处理环节的光线补偿，图像灰度化等技术，使图像预处理模块在图像处理过程中能取到良好的作用，提高图像识别和定位的准确率。
[主题词]：人脸识别；特征提取；图像预处理；光线补偿1.3国内外现状与趋势1.3.1 人脸识别的发展阶段[1]第一阶段（1964年----1990年）该阶段人脸识别技术还只是作为一个一般性的模式识别问题来研究，基于人脸几何结构特征（Geometric feature based）的方法是该阶段主要的技术方案。
在剪影（Profile）方面，人们大量研究了面部剪影曲线的结构特征，提取并分析。
布莱索（Bledsoe），戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等是较早从事自动人脸识别AFR研究的研究人员。
总的说来，该阶段是人脸识别研究的初级阶段，没有多少很重要的成果，也基本没有获得什么实际应用。
第二阶段（1991年-----1997年）该阶段尽管时间比较短暂，但却是人脸识别研究的高峰期，取得了很多成果，比如诞生了一些代表性的人脸识别算法，并出现了一些商业化运作的人脸识别系统（比如较著名的Visionics的FaceIt系统）。
3D人脸识别技术相关识别技术原理
3D人脸识别技术相关识别技术原理对于刷脸消费、刷脸解锁这些“黑科技”，人们其实一点都不陌生，但如果要深入其中，普通人也只能说出一个关键词：人脸识别。
而人脸识别技术实际上可以区分为2D和3D两种。
1、2D人脸识别：2D人脸识别是目前最为常见的人脸识别技术之一，其工作原理是后期人脸识别系统对图片中的人脸进识别，通过设定数百或数千个点，并记录点与点之间的函数，该函数即为此人的面部信息。
2、3D人脸识别：3D人脸识别是采用3D结构光技术，通过3D结构光内的数万个光线点对人脸进行扫描后，从而提供更为精确的面部信息，而这类面部信息并不会受到口红、粉底等化妆品的影响。
与2D人脸识别相比，3D人脸识别将提供更为精确的面部数据，最终让数据更加安全可靠。
“普通视觉传感设备让万物看到世界，而3D传感技术则让万物能像人一样‘看清’世界。
”3D传感技术原理要谈3D传感技术，就必须先弄清楚光学测量分类以及其原理。
光学测量分为主动测距法和被动测距法。
主动测距方法的基本思想是利用特定的、人为控制光源和声源对物体目标进行照射，根据物体表面的反射特性及光学、声学特性来获取目标的三维信息。
其特点是具有较高的测距精度、抗干扰能力和实时性，具有代表性的主动测距方法有结构光法、飞行时间法、和三角测距法。
主动测距法结构光法根据投影光束形态的不同，结构光法又可分为光点式结构光法、光条式结构光法和光面式结构光法等。
目前应用中较广，且在深度测量中具有明显优势的方法是面结构光测量法。
面结构光测量将各种模式的面结构投影到被测物体上，例如将分布较密集的均匀光栅投影到被测物体上面，由于被测物体表面凹凸不平，具有不同的深度，所以表面反射回来的光栅条纹会随着表面不同的深度发生畸变，这个过程可以看作是由物体表面的深度信息对光栅的条纹进行调制。
所以被测物体的表面信息也就被调制在反射回来的光栅之中。
通过被测物体反射回来的光栅与参考光栅之间的几何关系，分析得到每一个被测点之间的高度差和深度信息。
人脸识别技术的发展现状与前景
人脸识别技术的发展现状与前景一、人脸识别技术的背景与发展历程人脸识别技术是指根据人体颜面的生物特征，通过数学算法对其进行识别鉴别，并进行个体判别、身份验证等相关应用。
自20世纪50年代美国研究人员对人脸进行了传统模式的方式进行物理问卷和统计分析，到上世纪70年代出现了数字图像处理技术，人脸识别技术在一定程度上得到了发展。
而人脸识别技术在1991年，由MIT Professor Turk 和Pentland提出，成为了现代科技的热门前沿技术之一，其成熟的应用和推广，为安全管理、金融交易、公共服务等众多领域提供了更好的解决方案。
在现代的科技条件下，该技术比传统的物理过程方式更加快速、有效，迅速得到了商业应用、教育领域、政府应用以及监控安全管理等多个领域所接受和应用。
二、人脸识别技术的技术原理和分类人脸识别技术的原理是利用数字图像处理技术对人脸特征进行分析、测量、比较或拟合，核心是将人脸的图形特征以一种能为计算机所识别的方式，进行记录、存储和比较。
主要分为：基于特征匹配的方法、基于神经网络的方法、基于支持向量机的方法、基于深度学习的方法。
1.基于特征匹配的方法：该方法是通过图像处理进行特征提取，通过模板匹配的方式进行识别。
主要采用矩阵代数、概率统计及图像处理技术，对人脸进行建模。
典型的基于特征匹配的方法为PCA(主成分分析法)，主要原理是将人脸图像转成一组特征向量，来表示用户的信息。
2.基于神经网络的方法：其基本原理是通过人工神经网络对人脸特征进行识别。
该方法通过归一化处理后，提取出相关特征进行训练，通过网络进行判断，层次结构简单，分类效果较好。
采用神经网络进行训练所需数据量，与特征匹配方法的数据量相比，大大减少。
3.基于支持向量机的方法: 支持向量机(SVMs)是一种二分类模型；即输入数据被归为两个类别或类型，是一种比较成熟的计算机识别方案。
该方法通过计算不同类数据之间的间隔，将数据间分割成不同的区域，对新数据给出分类标签。
人脸识别技术的发展和应用
人脸识别技术的发展和应用人脸识别技术是指通过摄像头、算法和数据库等工具，对人脸进行检测、识别和验证的过程。
随着技术的不断发展，人脸识别技术已经广泛应用于各个领域，如安防、金融、教育等。
今天，我们将从技术的发展、应用场景和未来发展趋势等方面探讨人脸识别技术的发展和应用。
一、技术的发展人脸识别技术的发展可以追溯到二十世纪五十年代初期，当时研究人员使用最简单的数学方法，只能进行基本的人脸检测。
经过数十年的研究和发展，如今的人脸识别技术已经能够实现“1：N”人脸识别，即在一个大规模的数据库中，能够在短时间内识别出目标人物的信息。
技术的发展主要得益于三个因素：一是算法的改进。
随着深度学习、卷积神经网络等算法的不断优化，人脸识别技术的精度和速度大大提高。
二是硬件设备的进步。
高清晰度的摄像头、专业的芯片和高效的存储介质，为人脸识别技术提供了可靠的基础。
三是数据的积累。
在大数据的时代，海量的人脸数据为算法的训练提供了强有力的支持，也给人脸识别技术的发展注入了新的活力。
二、应用场景人脸识别技术的应用场景非常广泛，主要包括安防、金融、教育等。
在安防领域，人脸识别技术已经成为安防系统的重要组成部分，能够实现门禁控制、警戒监控等功能。
在金融领域，人脸识别技术主要用于身份认证和交易安全等方面。
在教育领域，学校可以使用人脸识别技术对学生出勤情况进行监控，也能够实现人脸考勤等功能。
除了以上应用场景，人脸识别技术也可以应用于广告投放、智能家居、人脸支付等领域，为用户提供更为便捷、智能的服务。
三、未来发展趋势人脸识别技术作为一种新兴的技术，其未来发展也具有很大的潜力。
未来，人脸识别技术的发展趋势将主要体现在以下三个方面：一是技术的多元化。
未来，人脸识别技术将会与其他技术相结合，如语音识别、行为识别等，构建更为复杂的智能识别系统。
二是应用场景的拓展。
未来，人脸识别技术将会在更多的应用场景中得到应用，包括医疗、交通、军事等领域。
三是个性化服务的提升。
人脸识别技术概述
人脸识别技术概述
人脸识别技术是一种利用计算机视觉、图像处理和模式识别等学科技术来识别和管理
人脸信息的技术。
人脸识别技术主要基于人脸特征进行分类和识别，通过采集、分析和比对人脸图像，
实现对图像中的人脸进行准确的识别和验证。
其主要应用领域包括安全检测、人员管理、
金融支付、智能家居、智能手机、智慧城市等。
人脸识别技术的主要流程包括图像采集和预处理、特征提取和比对。
其中，图像采集
和预处理阶段主要包括对人脸图像的采集、预处理（包括图像去噪、裁剪和矫正）和标准
化等；特征提取阶段主要是将人脸图像转化为数字化的特征向量，其中包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等；比对阶段则主要是对人脸特征向量进行比对，判断是否匹配。
人脸识别技术的发展受到了技术、安全、隐私等因素的制约。
目前，人脸识别技术存
在的主要挑战包括：1、图像质量不佳或受到不同环境干扰导致的识别精度下降；2、人员
数量庞大导致的识别速度慢；3、跨领域人脸识别问题，如跨种族或跨年龄段等问题；4、
人员信息隐私和数据安全问题。
因此，在应用人脸识别技术时，需要考虑其应用场景和需求，同时合理设置认证流程、确保信息安全、保护用户隐私等。
人脸识别发展历程
人脸识别发展历程人脸识别技术是一种利用计算机视觉和模式识别技术来识别和验证人脸特征的技术。
它已经经历了多年的发展。
以下是人脸识别技术的发展历程：1. 1970s-1980s年代：人脸识别技术起步阶段人脸识别技术起源于20世纪70年代，但当时由于计算机处理能力和算法限制，人脸识别的准确性和可靠性相对较低。
此阶段的主要研究内容包括边缘检测和特征提取等基础工作。
2. 1990s年代：研究重点由二维转向三维20世纪90年代，人脸识别技术开始关注三维面部数据的采集和识别。
这个时期涌现出了一些基于模型匹配和投影算法的研究成果，但仍然存在许多困难，如获取三维数据的成本高昂和传感器的限制。
3. 2000年代：特征提取和分类算法的突破进入21世纪，人脸识别技术取得了重大突破。
研究者们提出了一系列更加精确和高效的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等，并结合支持向量机（SVM）、人工神经网络等分类算法，提高了人脸识别的准确率。
同时，计算机计算能力的提高和摄像头技术的进步也为人脸识别的实际应用奠定了基础。
4. 2010年代：深度学习的崛起随着人工智能和深度学习技术的进步，人脸识别技术得到了极大的发展。
深度学习方法，特别是卷积神经网络（CNN），在人脸检测、人脸对齐和人脸识别等方面取得了显著的成果。
此外，大规模数据集的建立和云计算技术的应用进一步推动了人脸识别技术的发展和应用。
5. 当前及未来：多模态和真实场景下的应用目前，多模态人脸识别（如结合语音和人脸）和在真实场景下（如低光、姿态变化）的人脸识别成为研究的热点。
此外，随着人脸识别技术的广泛应用，相关的法律、隐私和伦理问题也越来越受到关注，需要在技术发展的同时加强相关政策和规范的制定。
综上所述，人脸识别技术经历了从起步阶段到深度学习时代的发展过程。
随着技术的发展和应用场景的拓展，人脸识别技术有望在安全监控、金融服务、智能门禁等领域发挥更大的作用。
人脸识别技术介绍课件-PPT
测试以及2008年6月出入境管理1000万人库算法性能报告佐证
-29-
Thank you
深挖犯罪：隐瞒个人真实信息的被监管人员往往存在劣迹或在逃信息，是监所开展深挖犯 罪工作的重要打击对象。建议通过与在逃人员库进行相片信息比对碰撞，可有效加强深挖犯罪 工作。
安全管理：在监所日常管理中，可增加门禁管理、外来人员管理等系统的人像比对功能， 把好出入口关。
-24-
出入口（监狱/劳教/看守所）
影响人脸识别的因素：光线
• 现时的技术，光线仍有颇大程度的影响 • 一般而言，无须特殊的照片及背景 • 入库照片与识别照片的光线环境越接近，识
别越准确 • 包括：色温、光线强度、光源的角度 • 曝光不足比过度曝光好 • 阳光的直射容易引致过度曝光 • 头顶的照明容易引致面部出现阴影 • 平均而分散的照明最佳
名称
应用方法
应用领域
人像检索 输入一张照片，在人像图像数据库内 公安应用中犯罪嫌疑人身份调查；出入境管理中 DB-SCAN 检索出与之相似的照片供人工确认。 人员身份核实；消费者、旅行者身份核实等。
人像监控 从视频流中检测人像，并与人像数据 公安应用中的案犯追逃；重要部门出入口控制与 Watchlist 库进行比对，自动确认人员身份。 考勤等。
选择一张经人像识别系统比对后的相片打印在成绩单上。
-23-
监管
数据采集及核查：公安监管部门在采集人员身份信息时，只有身份证号等字符信息确定唯 一身份，缺乏相片比对等辅助手段，常遇到被监管人员不报或谎报信息、送押单位核实难等问 题，造成了人员信息不完整不真实、数据复用效果不佳，且容易引起公民身份被冒用的上访事 件。现有人工核查手段单一繁琐，被监管人员存疑数据量大，导致了监所核查工作难度大、效 率低。建议开发接口，使人像比对系统增加人口库信息，并与监所业务系统对接，以便较准确 完整地采集和核查信息。
人脸识别技术的原理与实现
人脸识别技术的原理与实现随着科技的不断发展，人脸识别技术已成为了当今社会一个非常热门的话题，这项技术在安防、支付、门禁等领域已得到广泛应用，极大地方便了人们的生活，提高了安全性，但是，对于这项技术的具体实现和原理，却并不是人们都能够清晰地了解。
因此，在本文中，我们将探讨人脸识别技术的具体实现和原理。
一、人脸识别技术的实现人脸识别技术在实现上，主要分为四个步骤：采集、预处理、特征提取与匹配。
1.采集采集就是获取人脸图像的过程，这个过程有很多种方式，如使用摄像头或手机等设备拍摄，或通过人脸识别门禁系统进行采集。
这些设备可以自动捕获人脸图像，也可以由专门的运营人员进行采集。
2.预处理在采集了人脸图像后，需要进行预处理，以提升识别的准确率，主要有以下几个方面：(1)人脸检测：传统的检测方法主要基于Haar特征，一般采用基于AdaBoost的级联检测模型实现。
(2)去除噪声：可以采用高斯滤波器或中值滤波器去除图像中的噪声。
(3)人脸归一化：由于不同人的头部大小、位置、角度等不同，需要将图像调整为同一尺寸和方向，这个过程又叫做人脸对齐。
3.特征提取在经过预处理后，需要对人脸图像进行特征提取，提取出特定数目的特征值，以方便后续处理和匹配。
目前较为常用的人脸识别算法包括：LBP(Local Binary Pattern)、SIFT(Scale-Invariant Feature Transform)、HOG(Histogram of Oriented Gradients)、Deep Learning等。
4.匹配在获取了特征向量后，需要对其进行匹配，在人脸识别中，主要采用以下两种方式：基于特征向量的匹配和基于分类模型的匹配。
基于特征向量的匹配方式比较常用的算法是欧几里得距离和余弦相似度。
而基于分类模型的匹配方式脍炙人口的算法是SVM （支持向量机）和KNN（K最邻近）。
以上就是人脸识别技术实现的主要步骤，下面我们进一步了解一下人脸识别技术的原理。
人脸识别技术的前沿和应用
人脸识别技术的前沿和应用近年来，随着智能科技的快速发展和普及，人脸识别技术已经成为了一个热门话题。
这项技术本质上是将人脸作为一种生物特征通过图像分析进行身份识别。
据不完全统计，目前该技术已经广泛应用于各种场景，包括人脸解锁、犯罪侦查、金融支付等等。
但同时，人脸识别技术也面临着诸多亟待解决的问题，如数据隐私、误识别等方面。
接下来，我们将深入剖析一下人脸识别技术的前沿和应用。
一、前沿技术目前，基于深度学习的人脸识别技术已经成为了主流。
主要特点是将人脸图像处理成向量或者高斯分布等形式，通过神经网络模型进行训练和学习，最终实现高效准确的人脸识别。
同时，近年来比较热门的技术包括“活体检测”和“人脸合成”。
1、活体检测技术机器人“小黄人”在电影《神秘世界历险记》中，可能是目前最著名的“活体检测”应用。
具体来说，该技术是用来识别人脸是否真实存在的，而不是静态照片或者复制品。
该技术的实现方式一般是通过对于目标人脸的多种生理反应进行监测，如瞳孔大小、微表情、呼吸等等。
通过判断目标人物是否存在生理反应，进而判断其是否为真人。
2、人脸合成技术人脸合成技术顾名思义，就是将拍摄到的多张人脸进行合成，生成一张新的人脸图像。
这项技术的应用场景可以非常广泛，如电影特效、游戏动画等等。
目前，Google公司开发的Pixel 4智能手机中就集成了一项名为Sol-MI（Semantic Object Localisation and Mapping）的人脸合成技术。
通过将多张人物照片进行合成，可以生成一张完美无缺的人脸图像。
二、应用场景目前，人脸识别技术已经广泛应用于各个领域，包括政府、金融、安全、教育等。
接下来我们将重点介绍一下几种常见的人脸应用场景。
1、人脸解锁相信大家都用过智能手机的人脸解锁功能。
该应用场景是基于人脸识别技术的，通过对用户面部的识别来实现手机的解锁和授权。
与传统的密码和PIN码不同，人脸解锁功能更加高效、方便。
人脸识别技术的原理和应用
人脸识别技术的原理和应用在互联网时代，人们难以想象没有智能手机、人脸支付等技术。
而这些日常生活场景中的科技背后，离不开人脸识别技术。
人脸识别技术，是一种通过对人脸图像进行识别的技术方法。
它在安防、社交、商业等方面得到了广泛应用。
本文将介绍人脸识别技术的原理和应用。
一、人脸识别技术的原理人脸识别技术研究领域主要涉及图像处理、模式识别等学科。
人脸识别技术的应用广泛，涵盖面广。
它最早是为了安全检测和犯罪侦查而设计的。
后来，随着科技进步，它在支付、闸机等日常场景中得到了广泛应用。
人脸识别技术的原理基于机器视觉理论，包括人脸检测、人脸图像归一化、特征提取和匹配等四个主要步骤。
人脸检测，是指识别图像中是否存在人脸；人脸图像归一化，指对人脸图像进行像素缩放、旋转、光阴度等预处理步骤，以使得图像特征更加突出；特征提取，是指从人脸图像中提取具有标识人脸唯一性的特征向量；匹配，是指将待识别的人脸特征和已有数据库中保存的人脸特征匹配。
二、人脸识别技术的应用1. 安全领域人脸识别技术应用于安全领域，可以帮助警方侦破案件、解救受害者。
例如，安装摄像头到酒店楼层、房间、走道等地方，对重点区域进行全天候监控，提高安全系数。
2. 社交领域人脸识别技术应用于社交领域，可以帮助用户实现更加精准的社交。
例如，社交软件可以通过人脸识别技术判断用户外貌的特征，从而为用户推荐更加匹配的朋友和社群。
3. 商业领域人脸识别技术应用于商业领域，可以帮助商家提高服务质量、提升品牌口碑。
例如北海道道知道（Doutor）咖啡店中，在人脸识别技术的帮助下，使得在加入店铺会员与拿取奖励积分方面更加简单、高效。
4. 公共服务领域人脸识别技术应用于公共服务领域，可以为城市管理、医疗服务提供方便。
如深入推进智慧医疗建设，能够实现“就医不出门”；同时加强对人脸信息的管理，保障隐私安全。
总的来说，人脸识别技术的应用已经覆盖各个领域，借助其可以更加高效地解决各种问题。
中科视拓上市了吗
中科视拓上市了吗
中科视拓的人脸识别技术
据悉，中科视拓创始团队来自中国科学院计算技术研究所，创始人为原中科院人脸识别专业研究员山世光。
山世光从1997 年开始研究人脸识别，拥有20 余年的人脸识别与计算机视觉研究经历。
公司从人脸识别和深度学习的技术和知识服务起步，秉持“开源开放共发展”的合作思路，为科技企业提供计算机视觉与机器学习领域“企业研究院式”的深度技术、人才和知识服务，帮助企业在人工智能时代获得可自主迭代和自我学习的人工智能研发和创新能力。
中科视拓的核心技术之一是人脸识别引擎。
对静态的图片或者动态的视频的识别技术，对正面脸或者侧脸、遮挡脸的识别技术，对整张脸或者五官、其他脸部特征点的识别技术，对脸部肤色或者性别、年龄、是否戴冠的识别技术，其识别率都已达到了可用于现实场景的水平。
这些技术的应用场景很广泛，比如证件照比对识别、人证合一识别、刷脸认证、黑名单监控、名人检索。
除了人脸识别引擎，通用视觉识别引擎也是中科视拓的核心技术。
对通用物体的识别和分类等技术已应用于无人机上，可用于地面指定物体搜索、追踪、空域目标感知、规避等。
目前中科视拓的技术已经在曙光易通、中国平安等获得成功应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• What you are/how you do
一种新的技术手段——Biometrics 一种新的技术手段——Biometrics
4
山世光，sgshan@
传统方法有什么问题？
How many individuals in this picture?
18
山世光，sgshan@
人脸识别的基本原理 及其计算模型探讨
19
山世光，sgshan@
我们人类靠什么识别？
天赋的能力还是后天获得的？ 脸形，面部器官结构
• 国田由用，目甲风申
皮肤和肤色
H M M H H L M H
L H M H H L L H
M H M H M L L L
H M H M L H M H
L H M H H L L M
H M M L L H H H
L L M H H L L H
10
山世光，sgshan@
为什么要做人脸识别？
多学科领域的挑战性难题
• • • • 模式识别：最典型、最困难的模式识别问题 人工智能：人类智能的基本体现 计算机视觉：实现人眼的功能 下一代人机交互
9
山世光，sgshan@
Biometrics比较 Biometrics比较
Biometrics Face Fingerprin t Hand Geometry Iris Retinal Scan Signature Voice Facial Thermogr am
Universali ty Uniquene ss Permanen ce Collectabili ty Performan ce Acceptabili ty Circumventi on
护照、身份证、驾照等各类证件查验
公安系统用于确定犯罪嫌疑人身份 监控敏感人物（间谍、恐怖分子等） 在PDA等移动终端上进行现场比对 防止非法人员进入会场带来危险因素 如银行大厅，预警可能的不安全因素 能够识别家庭成员的智能机器人 自动识别用户身份，提供个性化界面 自动识别用户身份，提供个性化界面 提供真实感的人物面像，增加交互性
海关、港口、机要部门等查验持证人的身份是否合法
国家安全 公共安全
人机交互
公共安全 教育 公共安全 信息安全 企业应用 金融安全 金融安全 信息安全 公共安全 12 人机交互
准考证查验 机要部门物理门禁 机要信息系统门禁 身份验 证 面像考勤系统 金融用户身份验证 电子商务身份验证
智能卡
防止替考问题 避免钥匙和密码被窃取造成失窃 避免单纯的密码被窃取造成信息被窃 方便，快捷，杜绝代考勤问题 避免单纯的密码被窃取造成财产损失 安全可靠的身份验证手段
全局特征与局部特征孰轻孰重？
• 全局特征主要包括人脸的肤色特征（比如白皙、黝黑）、总体轮廓（比 如圆脸、鸭蛋脸、方脸、长脸等）、以及面部五官的分布特征（比如， 在绘画界就有“国田由用，目甲风申” 在绘画界就有“国田由用，目甲风申”8种脸形之说），中医也将人脸 按照总体结构特征划分为“金木水火土”五行（侧重人脸3D结构和肌肉 按照总体结构特征划分为“金木水火土”五行（侧重人脸3D结构和肌肉 凸凹情况） • 而局部特征则主要指面部五官的特点，比如浓眉毛、丹凤眼、鹰勾鼻、 大豁嘴、八字胡须、尖下巴等，以及面部的一些奇异特征，比如黑痣、 伤痕、酒窝等等 • 二者对识别都是必要的，但全局特征一般用来进行粗略的匹配，局部特 征则提供更为精细的确认。 21
人脸识别的不足
• 不同人脸的相似性大 • 安全性低，识别性能受外界条件的影响非常大
14
山世光，sgshan@
技术挑战
影响人脸图像表观的因素 人与摄像设备的位置关系（距离角度等） 光照环境条件 摄像设备 图像存储质量 年龄变化 意外损伤 饰物（眼镜帽子等） 化妆、整容 精神状态 健康状况 面部毛发(头发，胡须)
3
山世光，sgshan@
无处不在的身份验证
如何证明你的身份？
• 设想你被警察拦下... 设想你被警察拦下...
传统方法
• What you have
身份证，暂住证，结婚证，工作证，银行卡，钥匙... 身份证，暂住证，结婚证，工作证，银行卡，钥匙...
• What you know
• 光滑/粗糙，黝黑/白皙 光滑/粗糙，黝黑/
局部特性
• 黑痣，刀疤，鹰勾鼻子，独眼龙
动态特征
• 酒窝，皱纹
20
山世光，sgshan@
人类视觉识别系统特性简介及其借 鉴意义
人脸识别是否是一个特定的过程？
• 证据：“人脸识别能力缺失症（Prosopagnosia）”患者的存在，患有 证据：“人脸识别能力缺失症（Prosopagnosia） 此症的人可以正常的识别其他物体，甚至可以正确的识别鼻子眼睛和嘴 巴等面部器官，但是就是不能认出熟悉的人脸，因此有理由怀疑其人脸 识别功能区遭到了破坏。
人脸识别技术概述
山世光中科院计算所1山世光，sgshan@
引子
人世间找不两张完全一样的脸！
• 人脸是人类赖以区分不同人的基本途径
谁决定了你的长相？
• 基因 + 成长环境 • 双胞胎 • 夫妻相
世间一切尽在脸上！
2
山世光，sgshan@
提纲
相关背景 人脸识别的基本原理 人脸检测典型方法 人脸识别的典型方法 开放问题及讨论
25
山世光，sgshan@
Mark
26
山世光，sgshan@
人类视觉识别系统特性简介及其借鉴意义
特异度对人脸识别的影响
• 最“漂亮的”、最“丑陋的”、最“奇异的”的人脸都是最容易被记住 漂亮的”、最“丑陋的”、最“奇异的” 的，而大众化的人脸则不太容易被记住 • “大众脸”并不等于“平均脸”，大众脸是指经常可以见到的“脸”， 大众脸”并不等于“平均脸”，大众脸是指经常可以见到的“ 而“平均脸”并不多见 平均脸”
卡、钥匙丢失
• 青年公寓的钥匙牌... 青年公寓的钥匙牌...
密码危机
• 密码遗忘
纽约每天1000人以上忘记密码 纽约每天1000人以上忘记密码
• 密码被猜中
生日、电话号码、车号、宿舍... 生日、电话号码、车号、宿舍...
• Heavy web users have an average of 21 passwords; 81% passwords; of users select a common password and 30% write their passwords down or store them in a file. (2002 NTA Monitor file. Password Survey)
• Bio——生物 Bio——生物 • Metrics——测量 Metrics——测量
事实含义
• 通过人体自身的生理特征(what you are)或行为 通过人体自身的生理特征(what are)或行为 特征(how 特征(how you do)进行身份验证的技术 do)进行身份验证的技术
6
山世光，sgshan@
局部特征 vs 全局特征
Thatcher Illusion
24
山世光，sgshan@
人类视觉识别系统特性简介及其借鉴意义
面部特征对识别的重要性分析
• 不同的面部区域对人脸识别的重要性是不同的，一般认为面部轮廓、眼 睛和嘴巴等特征对人脸识别是更重要的，人脸的上半区域对识别的意义 明显比下半区域重要；鼻子在侧面人脸识别中的重要性要高于其他特征
光照变化与人脸识别
7
山世光，sgshan@
生物特征识别技术(Biometrics) 生物特征识别技术(Biometrics)
8
山世光，sgshan@
Biometrics孰优孰劣？ Biometrics孰优孰劣？
Universality (all users possess this biometric) Uniqueness (varies across users) Permanence (does not change over time) Collectability (can be measured quantitatively) Performance (Low error rates and processing time) Acceptability (is it acceptable to the users?) Circumvention (can it be easily spoofed?)
损失
• 2002年，仅美国330万人次的身份盗用；670万信用卡诈骗案 2002年，仅美国330万人次的身份盗用；670万信用卡诈骗案
5
山世光，sgshan@
一种新的技术手段
生物特征识别技术Biometrics 生物特征识别技术Biometrics 什么是Biometrics? 什么是Biometrics?
Biometrics
生理特征(what 生理特征(what you are)
• Finger, face, palm, hand, foot, iris, vein...
行为特征(how 行为特征(how you do)
• 步态，声音，敲击键盘，签名... 步态，声音，敲击键盘，签名...
人人拥有，人各不同！
安全可靠的授权
会议代表身份验证 屏幕保护程序
防止非法人员进入会场带来危险因素 方便快捷的允许合法用户打开屏保 山世光，sgshan@
人脸识别相关研究内容
生物特征识别
• 人脸、指纹、虹膜、视网膜、掌纹、
人机交互(HCI) 人机交互(HCI) 人脸图像编码/ 人脸图像编码/压缩 表情分析，情感计算 人脸动画 face animation 人脸属性分类