人脸识别演讲ppt
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)。
提取->保存
关键点提取
首先，需要一个特征提取器(predictor)，构建特征提取 器可以训练模型。要下载dlib提供的已经训练好的关键点提 取模型。因为我的人脸图片是不同角度的，所以不一定能够 检测到人脸，所以当检测不到人脸时，依次旋转图片60度， 再次检测，直到能够检测到人脸为止，如果旋转了360度还 是检测不到人脸的话，那么认为该图片中不存在人脸。
rgbImage = imread('Lena.jpg'); grayImage=rgb2gray(rgbImage); J1 = imadjust(grayImage,[0 1],[0 1],2.5); J2 = imadjust(grayImage,[0 1],[0 1],1.5); J3 = imadjust(grayImage,[0 1],[0 1],0.67);
④归一化
归一化工作的目标是取得尺寸一致，灰 度取值范围相同的标准化人脸图像。
图像采集系统的系统误差。
①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。
③图像增强
图像增强是为了改善人脸图像的质量，在
视觉上更加清晰图像，使图像更利于识别。
2 灰度化 / Grayscale
特征点定位 . 算法
利用CNN，由粗到细，实现人 脸关键点的精确定位。一般网 络结构分为3层：level 1、 level 2、level 3。每层都包含
特征点提取 . 算法
需要一个特征提取器 (predictor)，构建特征提取器 可以训练模型。要下载dlib提 供的已经训练好的关键点提取
部件轮廓点等，输入：人脸外
2 归一化 / Normalized
1、什么是归一化？
所谓图像归一化, 就是通过一系列变换, 将待处理的原始图像转换成相应的唯 一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。
2、为什么归一化？
图像归一化使得图像可以抵抗几何变换的攻击，也就是转换成唯 一的标准形式以抵抗仿射变换。
% %%%%%缩放 img4=imresize(img1,2); figure,imshow(img4); imwrite(img4,'a4.jpg');
2 图像增强 / Image enhancement
①直方图均衡化
原理：将原始图像的灰度图从比较集中的某 个灰度区间均匀分布在整个灰度空间中，实 现对图像的非线性拉伸，重新分配像素值。
02
人脸图像 . 预处理
预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环 境的不同，如光照明暗程度、以及设备性能的优劣等，往往存有噪声，对 比度不够等缺点。因此我们需要对其进行图像预处理。
2 图像预处理 / Image preprocessing
②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
02 04
人脸图像 . 预处理
来自百度文库
人脸图像 . 特征检测
人脸图像 . 匹配与识别
01
人脸识别 . 初识
人脸识别分为两大类：一是回答我是谁的问题，即辨认（Identification），二是回答这个人是 我吗？即（Verification）。 正常人眼的识别准确率是97%，而目前专业的人脸识别研究企业机构可让其精确度高达99%以 上，若结合眼纹等多因子验证，准确率能达到99.99%。且以人脸识别技术为核心的系统，能解决人 脸识别在现实应用场景中面临的众多问题。
集成了人工智能、机器学习、模型理论、视频图像处理等多样专业技术。 随着智能手机的快速普及，可以通过手机镜头在手机上做基于人脸识别的身份注册、认证、登录 等，使身份认证进程更安全、方便。由于人脸比指纹等视觉辨识度更高，所以刷脸的应用前景更广阔。
目录 / Contents 01 03
人脸识别 . 应用
Log变换
原理：对数变换可以将图像的低灰度值部分 扩展，显示出低灰度部分更多的细节，将其 高灰度值部分压缩，减少高灰度值部分。
②拉普拉斯算子
原理：利用图像的二次微分对图像进行蜕化， 在图像领域中微分是锐化，积分是模糊，即 利用邻域像素提高对比度。
伽马变换
原理：主要用于图像的校正，将灰度过高或
者灰度过低的图片进行修正，增强对比度。
3 深度学习 . 特征点 / DeepLearning
特征点检测 . 算法
在人脸检测的基础上，根据 输入的人脸图像，自动定位出 面部关键特征点，如眼睛、鼻 尖、嘴角点、眉毛以及人脸各
人脸对齐 . 算法
以看作在一张人脸图像搜索人 脸预先定义的点（也叫人脸形 状），通常从一个粗估计的形 状开始，然后通过迭代来细化
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()
3 特征点定位算法 / Feature location
level1
粗定位，包含3个CNN
F1定位所有的5个关键点, EN1用于定位:左眼+右眼+鼻子 三个特征点, NM1用于定位：左嘴角+右嘴角+鼻子 三个特征点。
保存68个关键点
对照着左图，比如说想获取鼻尖的坐标，那么横坐标就 是shapes[0].part[30].x()，其余的类似。
4 特征提取算法 / Feature extraction
关键点提取
#include <dlib/opencv.h>
#include <opencv2/opencv.hpp> #include <dlib/image_processing/frontal_face_detector.h> #include <dlib/image_processing/render_face_detections.h> #include <dlib/image_processing.h>
frontal_face_detector detector =get_frontal_face_detector(); shape_predictor pose_model; deserialize("shape_predictor_68_face_landmarks.dat") >> pose_model; while (cv::waitKey(30) != 27) { // Grab a frame cv::Mat temp; cap >> temp; cv_image<bgr_pixel> cimg(temp);// Detect faces std::vector<rectangle> faces = detector(cimg);// Find the pose of each face. std::vector<full_object_detection> shapes;
level2
精确定位，包含10个CNN
每两个CNN负责预测同一个关键点，然后取平均得到这一点的精确预测。输入为在level1输出的关键点周围的局部裁剪图像。
level3
更精确定位
结构和作用与level2一致，10个CNN，两两平均，只是输入的图像是在leve2关键点基础上做了更小的裁剪。
4 特征提取算法 / Feature extraction
J4 = imadjust(grayImage,[0 1],[0 1],0.4);
subplot(1,5,1);imshow(J1);title('gamma=2.5'); subplot(1,5,2);imshow(J2);title('gamma=1.5'); subplot(1,5,3);imshow(grayImage);title('原灰度图像'); subplot(1,5,4);imshow(J3);title('gamma=0.67'); subplot(1,5,5);imshow(J4);title('gamma=0.4');
2018.09.07
人脸识别 / AI
face detection / AI / week report 汇报人：芥末酱
前言
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。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识别。 它
2 几何变换 / Geometric transformation
方法
平移
转置
旋转
缩放
%%%%%%平移 se=translate(strel(1),[20 20]); img2=imdilate(img1,se); figure,imshow(img2); imwrite(img2,'a2.jpg');
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('lena.jpg', 1) rows,cols,channel = img.shape // 仿射函数，将3个原图点坐标，和得到结果图的3个点坐标， 生成参数带入函数得到结果 pts1 = np.float32([[50,50],[200,50],[50,200]]) pts2 = np.float32([[10,100],[200,50],[100,250]]) M = cv2.getAffineTransform(pts1,pts2) dst = cv2.warpAffine(img,M,(cols,rows)) plt.subplot(121),plt.imshow(img),plt.title('Input')
1 应用场景 / Application scenario
应用场景②： 支持未来刷脸办理业务
要支持未来在无需身份证信息的情况下，依
然可以直接通过人脸识别身份信息，减少身份证 查验、复印存档等环节，提高客户办理业务的便 捷性，提高窗口办理业务的效率。
应用场景①： 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。
应用场景③： 智慧城市中的应用
比如人脸实时报警系统。应用人脸检测和识别技术，在人 员进出重点区域设置人脸卡口摄像机，针对经过卡口人员进行 人脸抓拍、识别和自动报警，并可将报警信息推送到警务终端 APP，实现实战预案联动。 人脸卡口系统可独立部署，也可作为子系统对接到第三方 管理平台，可广泛应用于公安、交通、金融、司法、教育、医 院等领域。
I=imread('baby.bmp');
[height,width,dim]=size(I); tform1=maketform('affine',[ 0,1,0;1,0,0;0,0,1]); I1=imtransform(I,tform1,'ne arest');
%%%%%%旋转 img3=imrotate(img1,90 ); figure,imshow(img3); imwrite(img3,'a3.jpg');
最大 值法
将图像中的三分量亮 度的最大值作为灰度 值。
平均 值法
将图像中的三分量亮 度求平均得到一个灰 度值。
加权 平均
将三个分量以不同的 权值进行加权平均。 由于人眼对绿色的敏 感最高，对RGB三分 量进行加权平均。
简要介绍
在RGB模型中，当R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值 （又称强度值、亮度值），灰度范围为0-255。
2 灰度变换方法 / Gray scale transformation method
左图是一张进行灰度变换的灰度图。先从左上角看，该像素的灰
度值为254。然后下一个灰度值143，对其进行映射，得到的值是一
个比143少的数。matlab当中常用的灰度变换函数是： imadjust(I,[low_in; high_in],[low_out; high_out],gamma)
3、 数据归一化的方法有哪些？
①线性函数归一化(Min-Max scaling) ②0均值标准化(Z-score standardization)
03
人脸图像 . 特征检测
所谓人脸检测，就是给定任意一张图片，找到其中是否存在一个或 多个人脸，并返回图片中每个人脸的位置和范围。即找出特征点。 在模式识别领域，一句重要的话是：“Features matter”。获得好 的特征是识别成功的关键。
观，输出：人脸特征点集合。
形状的估计。方法包括：
①AAM (Active Appearnce Model) ②ASM(Active Shape Model)
多个独立的CNN模型。
模型。
3 特征点检测算法 /
Base on CNN
3 人脸对齐算法 / Face alignment
仿射变换以求人脸对齐
关键点提取
首先，需要一个特征提取器(predictor)，构建特征提取 器可以训练模型。要下载dlib提供的已经训练好的关键点提 取模型。因为我的人脸图片是不同角度的，所以不一定能够 检测到人脸，所以当检测不到人脸时，依次旋转图片60度， 再次检测，直到能够检测到人脸为止，如果旋转了360度还 是检测不到人脸的话，那么认为该图片中不存在人脸。
rgbImage = imread('Lena.jpg'); grayImage=rgb2gray(rgbImage); J1 = imadjust(grayImage,[0 1],[0 1],2.5); J2 = imadjust(grayImage,[0 1],[0 1],1.5); J3 = imadjust(grayImage,[0 1],[0 1],0.67);
④归一化
归一化工作的目标是取得尺寸一致，灰 度取值范围相同的标准化人脸图像。
图像采集系统的系统误差。
①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。
③图像增强
图像增强是为了改善人脸图像的质量，在
视觉上更加清晰图像，使图像更利于识别。
2 灰度化 / Grayscale
特征点定位 . 算法
利用CNN，由粗到细，实现人 脸关键点的精确定位。一般网 络结构分为3层：level 1、 level 2、level 3。每层都包含
特征点提取 . 算法
需要一个特征提取器 (predictor)，构建特征提取器 可以训练模型。要下载dlib提 供的已经训练好的关键点提取
部件轮廓点等，输入：人脸外
2 归一化 / Normalized
1、什么是归一化？
所谓图像归一化, 就是通过一系列变换, 将待处理的原始图像转换成相应的唯 一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。
2、为什么归一化？
图像归一化使得图像可以抵抗几何变换的攻击，也就是转换成唯 一的标准形式以抵抗仿射变换。
% %%%%%缩放 img4=imresize(img1,2); figure,imshow(img4); imwrite(img4,'a4.jpg');
2 图像增强 / Image enhancement
①直方图均衡化
原理：将原始图像的灰度图从比较集中的某 个灰度区间均匀分布在整个灰度空间中，实 现对图像的非线性拉伸，重新分配像素值。
02
人脸图像 . 预处理
预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环 境的不同，如光照明暗程度、以及设备性能的优劣等，往往存有噪声，对 比度不够等缺点。因此我们需要对其进行图像预处理。
2 图像预处理 / Image preprocessing
②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
02 04
人脸图像 . 预处理
来自百度文库
人脸图像 . 特征检测
人脸图像 . 匹配与识别
01
人脸识别 . 初识
人脸识别分为两大类：一是回答我是谁的问题，即辨认（Identification），二是回答这个人是 我吗？即（Verification）。 正常人眼的识别准确率是97%，而目前专业的人脸识别研究企业机构可让其精确度高达99%以 上，若结合眼纹等多因子验证，准确率能达到99.99%。且以人脸识别技术为核心的系统，能解决人 脸识别在现实应用场景中面临的众多问题。
集成了人工智能、机器学习、模型理论、视频图像处理等多样专业技术。 随着智能手机的快速普及，可以通过手机镜头在手机上做基于人脸识别的身份注册、认证、登录 等，使身份认证进程更安全、方便。由于人脸比指纹等视觉辨识度更高，所以刷脸的应用前景更广阔。
目录 / Contents 01 03
人脸识别 . 应用
Log变换
原理：对数变换可以将图像的低灰度值部分 扩展，显示出低灰度部分更多的细节，将其 高灰度值部分压缩，减少高灰度值部分。
②拉普拉斯算子
原理：利用图像的二次微分对图像进行蜕化， 在图像领域中微分是锐化，积分是模糊，即 利用邻域像素提高对比度。
伽马变换
原理：主要用于图像的校正，将灰度过高或
者灰度过低的图片进行修正，增强对比度。
3 深度学习 . 特征点 / DeepLearning
特征点检测 . 算法
在人脸检测的基础上，根据 输入的人脸图像，自动定位出 面部关键特征点，如眼睛、鼻 尖、嘴角点、眉毛以及人脸各
人脸对齐 . 算法
以看作在一张人脸图像搜索人 脸预先定义的点（也叫人脸形 状），通常从一个粗估计的形 状开始，然后通过迭代来细化
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()
3 特征点定位算法 / Feature location
level1
粗定位，包含3个CNN
F1定位所有的5个关键点, EN1用于定位:左眼+右眼+鼻子 三个特征点, NM1用于定位：左嘴角+右嘴角+鼻子 三个特征点。
保存68个关键点
对照着左图，比如说想获取鼻尖的坐标，那么横坐标就 是shapes[0].part[30].x()，其余的类似。
4 特征提取算法 / Feature extraction
关键点提取
#include <dlib/opencv.h>
#include <opencv2/opencv.hpp> #include <dlib/image_processing/frontal_face_detector.h> #include <dlib/image_processing/render_face_detections.h> #include <dlib/image_processing.h>
frontal_face_detector detector =get_frontal_face_detector(); shape_predictor pose_model; deserialize("shape_predictor_68_face_landmarks.dat") >> pose_model; while (cv::waitKey(30) != 27) { // Grab a frame cv::Mat temp; cap >> temp; cv_image<bgr_pixel> cimg(temp);// Detect faces std::vector<rectangle> faces = detector(cimg);// Find the pose of each face. std::vector<full_object_detection> shapes;
level2
精确定位，包含10个CNN
每两个CNN负责预测同一个关键点，然后取平均得到这一点的精确预测。输入为在level1输出的关键点周围的局部裁剪图像。
level3
更精确定位
结构和作用与level2一致，10个CNN，两两平均，只是输入的图像是在leve2关键点基础上做了更小的裁剪。
4 特征提取算法 / Feature extraction
J4 = imadjust(grayImage,[0 1],[0 1],0.4);
subplot(1,5,1);imshow(J1);title('gamma=2.5'); subplot(1,5,2);imshow(J2);title('gamma=1.5'); subplot(1,5,3);imshow(grayImage);title('原灰度图像'); subplot(1,5,4);imshow(J3);title('gamma=0.67'); subplot(1,5,5);imshow(J4);title('gamma=0.4');
2018.09.07
人脸识别 / AI
face detection / AI / week report 汇报人：芥末酱
前言
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。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识别。 它
2 几何变换 / Geometric transformation
方法
平移
转置
旋转
缩放
%%%%%%平移 se=translate(strel(1),[20 20]); img2=imdilate(img1,se); figure,imshow(img2); imwrite(img2,'a2.jpg');
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('lena.jpg', 1) rows,cols,channel = img.shape // 仿射函数，将3个原图点坐标，和得到结果图的3个点坐标， 生成参数带入函数得到结果 pts1 = np.float32([[50,50],[200,50],[50,200]]) pts2 = np.float32([[10,100],[200,50],[100,250]]) M = cv2.getAffineTransform(pts1,pts2) dst = cv2.warpAffine(img,M,(cols,rows)) plt.subplot(121),plt.imshow(img),plt.title('Input')
1 应用场景 / Application scenario
应用场景②： 支持未来刷脸办理业务
要支持未来在无需身份证信息的情况下，依
然可以直接通过人脸识别身份信息，减少身份证 查验、复印存档等环节，提高客户办理业务的便 捷性，提高窗口办理业务的效率。
应用场景①： 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。
应用场景③： 智慧城市中的应用
比如人脸实时报警系统。应用人脸检测和识别技术，在人 员进出重点区域设置人脸卡口摄像机，针对经过卡口人员进行 人脸抓拍、识别和自动报警，并可将报警信息推送到警务终端 APP，实现实战预案联动。 人脸卡口系统可独立部署，也可作为子系统对接到第三方 管理平台，可广泛应用于公安、交通、金融、司法、教育、医 院等领域。
I=imread('baby.bmp');
[height,width,dim]=size(I); tform1=maketform('affine',[ 0,1,0;1,0,0;0,0,1]); I1=imtransform(I,tform1,'ne arest');
%%%%%%旋转 img3=imrotate(img1,90 ); figure,imshow(img3); imwrite(img3,'a3.jpg');
最大 值法
将图像中的三分量亮 度的最大值作为灰度 值。
平均 值法
将图像中的三分量亮 度求平均得到一个灰 度值。
加权 平均
将三个分量以不同的 权值进行加权平均。 由于人眼对绿色的敏 感最高，对RGB三分 量进行加权平均。
简要介绍
在RGB模型中，当R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值 （又称强度值、亮度值），灰度范围为0-255。
2 灰度变换方法 / Gray scale transformation method
左图是一张进行灰度变换的灰度图。先从左上角看，该像素的灰
度值为254。然后下一个灰度值143，对其进行映射，得到的值是一
个比143少的数。matlab当中常用的灰度变换函数是： imadjust(I,[low_in; high_in],[low_out; high_out],gamma)
3、 数据归一化的方法有哪些？
①线性函数归一化(Min-Max scaling) ②0均值标准化(Z-score standardization)
03
人脸图像 . 特征检测
所谓人脸检测，就是给定任意一张图片，找到其中是否存在一个或 多个人脸，并返回图片中每个人脸的位置和范围。即找出特征点。 在模式识别领域，一句重要的话是：“Features matter”。获得好 的特征是识别成功的关键。
观，输出：人脸特征点集合。
形状的估计。方法包括：
①AAM (Active Appearnce Model) ②ASM(Active Shape Model)
多个独立的CNN模型。
模型。
3 特征点检测算法 /
Base on CNN
3 人脸对齐算法 / Face alignment
仿射变换以求人脸对齐