认识图像识别

任务分析
3. 人脸识别的核心技术
人脸特征提取：
输入是“一张人脸图像”和“人脸坐标框”，输出 是五官关键点的坐标序列。
关键点是对于图像中人脸五官与轮廓定位的标注， 主要用来对人脸的关键位置进行定位，数据标注的 坐标有脸廓、左眼、左眉、嘴巴、鼻子、右眼、右 眉毛等。
任务分析
3. 人脸识别的核心技术
人脸比对：
特点说明
过滤敏感人物（间谍、恐怖分子等） 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对比 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 提供真实感的人物画像，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 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 安全可靠的授权 防止非法人员冒名带来危险因素 方便快捷的允许合法用户打开屏保
21世纪的前十年
学者们相继探索出了基于遗传算法 、支持向量机( SVM)、boosting 、流形学习以及核方法等进行人脸 识别
2013年
大训练数据集对于有效提升非受限 环境下的人脸识别很重要
2014年至今
研究者们不断改进网络结构，同时 扩大训练样本规模，将LFW上的识 别精度推到99.5%以上。人脸识别 发展过程的一个基本的趋势是：训 练数据规模越来越大，识别精度越 来越高
该模式难度高，因为其必须依靠海量的人脸数据库才能运行，并且由于识别 基数大，图像采集设备受环境影响等因素，使该模式可能产生较高的错误率 从而影响识别结果。
任务实施
4. 人脸识别技术的前景
应用模式 典型具体应用
身份识别 身份验证
出入境管理 嫌疑人照片对比 敏感人物智能监控 网上追逃 会议代表身份识别 关键场所视频监控 家政服务机器人 自动系统登录 智能Agent 真实感虚拟游戏 护照、身份证、驾照等各类证 件查验 准考证查验 机要部门物理门禁 机要信息系统门禁 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 幼儿园接送人脸识别 屏幕保护程序
作用是衡量两个人脸之间的相似度。
人脸比对算法的输入是两个人脸特征，人脸特征 由人脸特征提取算法获得，输出是两个特征之间 的相似度值。实际应用中要合理设定一个阈值。
任务分析
3. 人脸识别的核心技术
人脸属性识别： 作用是识别出人脸的性别、年龄、姿态、表情等属性值。
任务分析
3. 人脸识别的核心技术
人脸活体检测：
1991年后
Belhumer成功将Fisher判别准则 应用于人脸分类，提出了基于线性 判别分析的Fisherface方法。
2009年至2012年
基于人工精心设计的局部描述子进 行特征提取和子空间方法进行特征 选择能够取得最好的识别效果。 对各种人脸识别影响因子的针对性 处理也是此阶段的研究热点。 研究者的关注点开始从受限场景下 的人脸识别转移到非受限环境下的 人脸识别。
一、单选题 1. 图像识别的早期做法是（ ）
A. 利用“先验知识库”的方法 B. 机器学习的方法 C. 后，需要创建_____才可正式 调用AI服务。（ ） A. 服务 B. 接口 C. 身份 D. 应用
任务二 掌握人脸识别技术
任务目标
任务分析
1. 人脸识别的概念
人脸识别就是利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。 专业的说就是用摄像机或摄像头采集含有人脸的图像或视频流，并自动
在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关操作。
任务分析
2. 人脸识别的发展历史
20世纪60年代
利用了人脸的几何结构，通过分析 人脸器官特征点及其之间的拓扑关 系进行辨识。 这种方法简单直观，但是一旦人脸 姿态、表情发生变化，则精度严重 下降。
通过眨眼、张嘴、摇头、点头等组合动 作，判断人脸图像是来自真人还是来自 攻击假体(照片、视频等)，确保人脸识 别系统的安全稳定运行。
任务分析
3. 人脸识别的核心技术
人脸搜索：
是查找和输入人脸相似的人脸序列的算法。 人脸检索通过将输入的人脸和一个集合中的 所有人脸进行比对，根据比对后的相似度对 集合中的人脸进行排序。根据相似度从高到 低排序的人脸序列即是人脸检索的结果。
常见的1：1模型应用： ✓ 手持有效身份证件乘坐高铁验票，景区验票、酒店入驻、 ✓ 刷脸支付、刷脸解锁、 ✓ 考生身份确认、公司考勤确认、会场签到等等
任务实施
2. 1:N人脸识别
1:N人脸识别是通过采集某人的人像后，从海量的人像数据底库中找到与当前 使用者人脸数据相符合的图像，通过数据库的比对找出"你是谁"。
素质目标
目前基于图像的花卉识别等应用遍地开花， 其核心都离不开图像识别技术的发展。图像识别 技术能取得今天的成绩并不是一蹴而就的，是经 过了无数学者的深耕细作，我辈也应该发扬工匠 精益求精和吃苦耐劳的精神，不断提升专业理论 知识和专业技术应用能力，为图像识别技术的发 展贡献力量
任务目标
任务分析
任务分析
3. 图像识别的核心技术
常规神经网络在图像识别中的局限性：
传统的神经网络使用完全连接的体系结构，如下所示，其中一层中的每个神经元都连接到下一层 中的所有神经元。完全连接的神经网络在处理图像数据时，完全连接的体系结构效率很低
任务分析
3. 图像识别的核心技术
卷积神经网络及其在图像识别中的作用：
第二阶段： 1990s
第三阶段： 2000s
第四阶段： 2010年以后
神经网络图像识别
机器自动从海量数据中总结归纳物 体的特征，然后进行识别和判断。
通过局部特征的识别来判断事物， 对事物建立一个局部特征索引。
任务分析
3. 图像识别的核心技术
神经网络图像识别技术是一种比较新型的图像识别技术，是在传 统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。
任务实施
1. 图像识别技术的应用
动物识别：
任务实施
1. 图像识别技术的应用
植物识别：
任务实施
1. 图像识别技术的应用
菜品识别：
任务实施
1. 图像识别技术的应用
地标识别：
任务实施
2. 图像识别技术的前景
计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领 域都有应用。
交通方面的车牌识别系统; 公共安全方面的人脸识别技术、指纹识别技术; 农业方面的种子识别技术、食品品质检测技术; 医学方面的心电图识别技术等。
认识图像识别 任务一 掌握图像识别技术
任务导入
某日，小红和小蓝带着三岁的女儿逛公园，小孩对世界总是充 满了好奇心，突然她指着一朵花，一脸天真的问：“妈妈，这是什 么花？”小红一脸茫然，看着小蓝面面相觑。说时迟那时快，小蓝 灵机一动掏出了手机，打开支付宝，搜索“形色识花”，对准那朵 花一扫，结果就出来了。小蓝收起手机，胸有成竹的对女儿说： “这是虞美人，你看他有红色的花朵...”小红看着父慈子孝的场面 露出了欣慰的笑容。那小蓝是如何短时间内就知道了花的名字和详 细信息，他到底使用了什么高科技呢？
卷积神经网络使用三维结构，其中每组神经元都分析图像的特定区域或“特征”。CNN会按接近 程度过滤连接（仅针对附近的像素分析像素），从而可以在计算上实现训练过程。在CNN中，每组神 经元都专注于图像的一部分。
任务实施
1. 图像识别技术的应用
通用物体和场景识别：Βιβλιοθήκη 务实施1. 图像识别技术的应用
图像单主体和多主体拓展
2. 创建应用，完成授权登录AI后，点击左侧导航 栏中的“图像识别”，在图像 识别页面，点击左侧导航的“ 应用列表”，点击“创建应用 ”按钮，进行应用创建。
知识巩固
1：N人脸识别算法主要用于： ✓ 排查犯罪嫌疑人 ✓ 失踪人口的全库搜寻 ✓ 一人多证的重复排查 ✓ 走失儿童的项目
任务实施
3. N:N人脸识别
N：N 算法实际上是基于1：N算法，通过计算机对场景内所有人进行面部识 别并与人像数据库进行比对的过程。它作为一种动态人脸比对，其使用率非 常高，能充分应用于多种场景，例如公安布控，迎宾，机器人应用等。
任务分析
3. 人脸识别的核心技术
人脸聚类：
是将一个集合内的人脸根据身份进行分组的算法。 人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行 分析，将属于同一个身份的人划分到一个组里。
任务实施
1. 1:1人脸识别
1:1人脸识别为身份验证模式，通过对某人的设备采集照与证件照的人脸特征进行比 对，核实是否是同一个人，该模式主要应用于需要通过实名制验证的场景。
2014年前后
香港中文大学的Sun Yi等人提出将 卷积神经网络应用到人脸识别上， 采用20万训练数据，在LFW上第 一次得到超过人类水平的识别精度 ，这是人脸识别发展历史上的一座 里程碑
任务分析
3. 人脸识别的核心技术
人脸识别流程
任务分析
3. 人脸识别的核心技术
人脸检测： 作用--要检测出图像中人脸所在位置。 算法--输入是一张图像，输出是人脸框坐标序列， 具体结果是0个人脸框或1个人脸框或多个人脸 框。输出的人脸坐标框可以为正方形、矩形等。
输入数据的均值 ，标准差
标准化图 像输入
降维
数据扩充
任务分析
3. 图像识别的核心技术
使用神经网络建立图像预测模型：
准备好训练图像后，需要一个可以处理它们并使用它们对新的未知图像进行预测的系统。该系统 是一个人工神经网络。神经网络是称为神经元或感知器的节点的互连集合。
任务分析
3. 图像识别的核心技术
1. 图像识别的概念
是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的 目标和对象的技术 是对质量不佳的图像进行一系列的增强与重建技术手段，可以有效改 善图像质量。
任务分析
2. 图像识别的发展历史
第一阶段： 1970s-1980s
“三维重构”方法：想让计算机理解它所看 到的图像，必须先将事物的三维结构从二维 的图像中恢复出来。 “先验知识库”方法：如果给机器建立一个 知识库，让机器将看到的图像与之匹配，是 否可以让机器识别乃至理解它所看到的东西 呢。
在图像识别系统中利用神经网络系统，一般会先提取图像的特征， 再利用图像所具有的特征映射到神经网络进行图像识别分类。
任务分析
3. 图像识别的核心技术
神经网络图像识别算法依赖于数据集的质量-用于训练和测试模型的图像。 以下是图像数据准备的一些重要参数和注意事项
图像大小 图像数量 通道数
高宽比
重要参数
图像缩放
每个神经元都会获取一份输入数据，通常是图像的一个像素，然后应用称为激活函数的 简单计算来生成结果。每个神经元都有影响其结果的数值权重。
该结果将被馈送到其他神经层，直到该过程结束时，神经网络为每个输入或每个像素生 成一个预测。多层感知器此过程针对大量图像重复进行，并且网络在称为反向传播的过程中 为每个神经元学习最合适的权重，从而提供准确的预测。训练模型后，将其应用于未参与训 练的一组新图像（测试或验证集）以测试其准确性。进行一些调整后，该模型可用于对真实 世界的图像进行分类。
素质目标
人脸识别是一项技术，技术本无原罪，但 “滥用”人脸识别就会涉及到侵犯隐私和隐私泄 露。目前人脸数据泄露的问题已经在发生。 2020年10月，央视新闻就报道了一则新闻：在 某些网络交易平台上，只要花2元钱就能买到上 千张人脸照片，而5000多张人脸照片的标价还 不到10元。所以技术需要驱动力，同时也需要 “枷锁”，而作为人脸识别技术相关人员，就需 要守住伦理道德底线。
任务导入
音乐届一个有趣的榜单，那就是在明星演唱会上，比谁“抓” 的逃犯更多。而在这个榜单上，张学友是当之无愧的第一，他以55 人的绝对优势，碾压周杰伦（2人）、五月天（1人）。以致网友调 侃说：“唱歌可能就是歌神的副业”，“不要叫我歌神，叫我阿 Sir”。当然这只是一个笑话，真正的幕后功臣却“另有其人”，那 就是人脸识别。而且一场演唱会往往几万人的规模，人员众多，灯 光昏暗，警方是如何在人流量如此大的情况下成功锁定逃犯的？现 在的人脸识别系统发展到了什么程度？