人工智能原理与实践 第11章 人脸识别 -
合集下载
相关主题
- 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)。
2014年以后：随着大数据和深度学习的发展及广泛应用，神经网络重受瞩目，并在图像 分类、手写体识别、语音识别等应用中获得了比以往经典方法更显著的训练效果。
11.1 人脸识别概念
在我国，从2015年开始，政府密集出台了一系列有利于人工智能和人脸识别发展的政策 。这其中，2015年1月7日发布的《关于银行业金融机构远程开立人民币银行账户的指导 意见（征求意见稿）》，给人脸识别的普及打开了一丝缝隙；在这之后的2015年5月和 12月，政府分别出台了《安全防范视频监控人脸识别系统技术要求》《信息安全技术网 络人脸识别认证系统安全技术要求》等法律法规，为人脸识别在金融、安防、医疗等领 域的普及打下了坚实的基础，扫清了政策障碍。在2017年，人工智能这个词首次写入我 国的国家政府报告中，作为人工智能的重要细分领域，国家对人脸识别相关的政策支持 力度也在不断地加大。2017年12月发布的《促进新一代人工智能产业发展三年行动计划 （2018-2020年）》甚至对人脸识别的具体标准做了规定：“到2020年，复杂动态场景 下人脸识别有效检出率超过97%，正确识别率超过90%”。
人工智能原理： 基于Python语言和TensorFlow
第11章 人脸识别
1. 人脸识别概念 2. 人脸识别的流程 3. 人脸识别种类 4. 人脸检测 5. 性别和年龄识别
11.1 人脸识别概念
从20世纪后半叶开始，计算机视觉技术获得了飞速的发展。与视觉图像相关联的软件 技术和硬件技术逐渐应用于人们的日常生活中，并逐渐成为人类社会信息来源的一个 重要组成部分，这些技术的广泛普及与应用也促使了计算机视觉技术的不断革新和改 进。计算机视觉技术被广泛应用于智能安检、人机交互等领域。
11.2 人脸识别的流程
通常情况下，我们可以将人脸识别技术原理简单分为三个步骤： 第一步，构建出一个包含了大量人脸图像信息的数据库 第二步，通过各种技术途径来获得当前要识别的目标人脸图像 第三步，将当前目标人脸图像与数据库中已有的人脸按细节可分为以下几个组成部分： 人脸图像的采集。 人脸图像的检测。 人脸图像的预处理。 人脸图像的特征提取。 人脸图像的匹配与识别。 活体鉴别。
11.1 人脸识别概念
人脸识别，是基于人体的面部特征信息所进行身份信息识别的一种生物识别技术。通常情况下， 通过使用摄像头或者其他视频采集设备可以采集到包含有人脸的图像或视频流并进行进一步的 检测工作，然后针对图像或视频流中的人脸信息进行自动的跟踪和相应的一系列技术操作。
11.1 人脸识别概念
20世纪50年代：大量的认知科学家开始着手对人脸识别领域的技术展开研究。
11.2.3 人脸图像的预处理
人脸图像预处理是指基于前一个阶段人脸检测的结果，对人脸图像进行进一步处理，以 便为后续的人脸特征提取流程提供相应的服务。 在现实环境下采集图像，由于图像受到光线明暗不同、脸部表情变化、阴影遮挡等众多 外在因素的干扰，使得系统获取的人脸图像会受到各种条件的限制和干扰而产生一定程 度的变化，从而导致采集图像质量不理想，因此人脸图像的预处理在具体实施过程中， 需要对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等一系列 的复杂预处理，从而使得该人脸图像无论是从光线、角度、距离、大小等任何方面来衡 量，均能够符合下一个处理流程中人脸图像的特征提取的标准要求。如果图像预处理做 不好，将会严重影响后续的人脸特征提取与识别。我们将介绍三种图像预处理的方法： 灰度调整、图像滤波和图像尺寸归一化。
计算机视觉技术是人工智能技术的一个重要组成部分，也是当下计算机技术发展的一 个前沿领域，经过多年的不断发展，已经形成了以数字处理、计算机图形图像等多种 技术相融合的综合性技术，并具有较强的边缘性和学科交互性。在这其中，人脸识别 技术是一个热门的研究方向，也是目前生物特征识别技术中备受研发人员和科技人员 关注的一个技术分支。
20世纪60年代：正式开启了对人脸识别工程化的应用研究。当时主要应用的方法是通过 人脸的几何结构，进一步分析人脸器官特征点及其之间的拓扑关系。
20世纪90年代：1991年，著名的“特征脸”（Eigenface）方法第一次将主成分分析和 统计特征这两种技术引入到人脸识别领域。
2000年～2012年：在这12年间，伴随着机器学习理论的不断发展，研究学者们纷纷将遗 传算法、支持向量机（Support Vector Machine，SVM）、Boosting、流形学习等科 学理论应用于人脸识别领域中。
11.2.1 人脸图像的采集
人脸识别系统需要做的第一步工作就是针对人脸的图像进行采集。采集人脸图像 通常情况下有两种途径，分别是已存人脸图像的批量导入和人脸图像的实时采集 。已存人脸图像的批量导入是指将通过各种方式采集好的人脸图像批量导入到人 脸识别系统中，人脸识别系统会自动完成人脸图像的逐个采集工作。人脸图像的 实时采集是指通过调用摄像机或摄像头等摄像器材将人脸图像信息采集下来，它 包括静态图、动态图、人体面部8个主要角度的图像信息、人体面部不同表情的图 像信息等内容，用户处于摄像器材的拍摄范围内，设备会自动进行面部信息搜索 并采集下相应的图像信息。
11.2.2 人脸图像的检测
人脸识别的检测主要涉及以下两个方面的内容。 （1）首先对将要检测的目标图像进行概率统计，然后得到要检测的目标图像的特征信 息，最后建立关于要检测的目标图像的具体模型。 （2）使用建立的目标检测模型来对输入的图像信息进行匹配，如果有相应的匹配内容 ，则输出匹配的区域部分，如果没有相应的匹配内容则停止输出。 人脸检测是人脸识别预处理过程中的其中一部分，在图像中准确地标注出目标对象的人 脸位置和人脸尺寸。人脸图像中所包含的模式特征异常丰富，结构特征、颜色特征、直 方图特征等特征信息都属于模式特征的一部分。人脸检测就是将这些信息过滤出来，并 加以应用。
11.1 人脸识别概念
2013年：微软亚洲研究院的研究学者们第一次尝试了10万级别的大规模训练数据，并基 于高维LBP特征和Joint Bayesian方法在LFW人脸数据库上获得了95.17%的训练精度。 这一结果充分表明在大规模训练数据集的应用前提下，非受限环境下的人脸识别效果能 够获得显著的提升。
11.1 人脸识别概念
在我国，从2015年开始，政府密集出台了一系列有利于人工智能和人脸识别发展的政策 。这其中，2015年1月7日发布的《关于银行业金融机构远程开立人民币银行账户的指导 意见（征求意见稿）》，给人脸识别的普及打开了一丝缝隙；在这之后的2015年5月和 12月，政府分别出台了《安全防范视频监控人脸识别系统技术要求》《信息安全技术网 络人脸识别认证系统安全技术要求》等法律法规，为人脸识别在金融、安防、医疗等领 域的普及打下了坚实的基础，扫清了政策障碍。在2017年，人工智能这个词首次写入我 国的国家政府报告中，作为人工智能的重要细分领域，国家对人脸识别相关的政策支持 力度也在不断地加大。2017年12月发布的《促进新一代人工智能产业发展三年行动计划 （2018-2020年）》甚至对人脸识别的具体标准做了规定：“到2020年，复杂动态场景 下人脸识别有效检出率超过97%，正确识别率超过90%”。
人工智能原理： 基于Python语言和TensorFlow
第11章 人脸识别
1. 人脸识别概念 2. 人脸识别的流程 3. 人脸识别种类 4. 人脸检测 5. 性别和年龄识别
11.1 人脸识别概念
从20世纪后半叶开始，计算机视觉技术获得了飞速的发展。与视觉图像相关联的软件 技术和硬件技术逐渐应用于人们的日常生活中，并逐渐成为人类社会信息来源的一个 重要组成部分，这些技术的广泛普及与应用也促使了计算机视觉技术的不断革新和改 进。计算机视觉技术被广泛应用于智能安检、人机交互等领域。
11.2 人脸识别的流程
通常情况下，我们可以将人脸识别技术原理简单分为三个步骤： 第一步，构建出一个包含了大量人脸图像信息的数据库 第二步，通过各种技术途径来获得当前要识别的目标人脸图像 第三步，将当前目标人脸图像与数据库中已有的人脸按细节可分为以下几个组成部分： 人脸图像的采集。 人脸图像的检测。 人脸图像的预处理。 人脸图像的特征提取。 人脸图像的匹配与识别。 活体鉴别。
11.1 人脸识别概念
人脸识别，是基于人体的面部特征信息所进行身份信息识别的一种生物识别技术。通常情况下， 通过使用摄像头或者其他视频采集设备可以采集到包含有人脸的图像或视频流并进行进一步的 检测工作，然后针对图像或视频流中的人脸信息进行自动的跟踪和相应的一系列技术操作。
11.1 人脸识别概念
20世纪50年代：大量的认知科学家开始着手对人脸识别领域的技术展开研究。
11.2.3 人脸图像的预处理
人脸图像预处理是指基于前一个阶段人脸检测的结果，对人脸图像进行进一步处理，以 便为后续的人脸特征提取流程提供相应的服务。 在现实环境下采集图像，由于图像受到光线明暗不同、脸部表情变化、阴影遮挡等众多 外在因素的干扰，使得系统获取的人脸图像会受到各种条件的限制和干扰而产生一定程 度的变化，从而导致采集图像质量不理想，因此人脸图像的预处理在具体实施过程中， 需要对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等一系列 的复杂预处理，从而使得该人脸图像无论是从光线、角度、距离、大小等任何方面来衡 量，均能够符合下一个处理流程中人脸图像的特征提取的标准要求。如果图像预处理做 不好，将会严重影响后续的人脸特征提取与识别。我们将介绍三种图像预处理的方法： 灰度调整、图像滤波和图像尺寸归一化。
计算机视觉技术是人工智能技术的一个重要组成部分，也是当下计算机技术发展的一 个前沿领域，经过多年的不断发展，已经形成了以数字处理、计算机图形图像等多种 技术相融合的综合性技术，并具有较强的边缘性和学科交互性。在这其中，人脸识别 技术是一个热门的研究方向，也是目前生物特征识别技术中备受研发人员和科技人员 关注的一个技术分支。
20世纪60年代：正式开启了对人脸识别工程化的应用研究。当时主要应用的方法是通过 人脸的几何结构，进一步分析人脸器官特征点及其之间的拓扑关系。
20世纪90年代：1991年，著名的“特征脸”（Eigenface）方法第一次将主成分分析和 统计特征这两种技术引入到人脸识别领域。
2000年～2012年：在这12年间，伴随着机器学习理论的不断发展，研究学者们纷纷将遗 传算法、支持向量机（Support Vector Machine，SVM）、Boosting、流形学习等科 学理论应用于人脸识别领域中。
11.2.1 人脸图像的采集
人脸识别系统需要做的第一步工作就是针对人脸的图像进行采集。采集人脸图像 通常情况下有两种途径，分别是已存人脸图像的批量导入和人脸图像的实时采集 。已存人脸图像的批量导入是指将通过各种方式采集好的人脸图像批量导入到人 脸识别系统中，人脸识别系统会自动完成人脸图像的逐个采集工作。人脸图像的 实时采集是指通过调用摄像机或摄像头等摄像器材将人脸图像信息采集下来，它 包括静态图、动态图、人体面部8个主要角度的图像信息、人体面部不同表情的图 像信息等内容，用户处于摄像器材的拍摄范围内，设备会自动进行面部信息搜索 并采集下相应的图像信息。
11.2.2 人脸图像的检测
人脸识别的检测主要涉及以下两个方面的内容。 （1）首先对将要检测的目标图像进行概率统计，然后得到要检测的目标图像的特征信 息，最后建立关于要检测的目标图像的具体模型。 （2）使用建立的目标检测模型来对输入的图像信息进行匹配，如果有相应的匹配内容 ，则输出匹配的区域部分，如果没有相应的匹配内容则停止输出。 人脸检测是人脸识别预处理过程中的其中一部分，在图像中准确地标注出目标对象的人 脸位置和人脸尺寸。人脸图像中所包含的模式特征异常丰富，结构特征、颜色特征、直 方图特征等特征信息都属于模式特征的一部分。人脸检测就是将这些信息过滤出来，并 加以应用。
11.1 人脸识别概念
2013年：微软亚洲研究院的研究学者们第一次尝试了10万级别的大规模训练数据，并基 于高维LBP特征和Joint Bayesian方法在LFW人脸数据库上获得了95.17%的训练精度。 这一结果充分表明在大规模训练数据集的应用前提下，非受限环境下的人脸识别效果能 够获得显著的提升。