人脸识别综述
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)。
出入境管理
嫌疑人照片比对 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 自动系统登陆 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
会议代表身份验证 屏幕保护程序
❖ 实践上需要具体情况具体对待
比喻：用手枪去射击500米外的目标，或者用洲 际导弹去轰炸500米外的敌人都是非常愚蠢的。
3
从模式识别到人脸识别
❖ 一般到特殊，归纳与演绎，理论与实践
应用模式识别的基本原则到人脸识别中去
❖ 从人脸模式的先验知识、具体情况和特定约束条件（“脸情”☺）出 发，依据模式识别各模块的基本设计原则，选择、应用、尝试、比较 PR领域的基本方法，最终解决人脸识别这个具体问题
❖ 预处理：保证数据的纯洁度 ❖ 模式识别理论基本不关心这两项内容，而在
应用上，是必须作为重要内容来考虑的，否 则可能根本就是不可解的问题！
6
关于特征表示问题
❖ 关于特征提取与分类器
理想的特征提取过程可使得后续的分类器设计成 为小菜一碟，万能的分类器似乎也应该使得设计 者不必刻意设计特征提取过程！
1
提纲
❖ 从模式识别到人脸识别 ❖ 人脸识别的背景知识 ❖ 人脸识别的基本原理 ❖ 人脸检测与识别的典型方法 ❖ 开放问题及讨论
2
从模式识别到人脸识别
❖ 对于即将从事模式识别相关研究的同学，模 式识别课程非常重要
比喻：就像要去打仗，手中没有精良的武器是不 行的，有了武器不会用等于没有，对它们性能和 使用的熟练程度不同也会在很大程度上影响成败
种族、性别、年龄
❖ Attractiveness判别
14
生物特征识别技术(Biometrics)
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
目标不同：模式识别研究的是有了特定属性数据之后如何设计 “对所有可能的情况”最优的分类器，而应用上却要考虑“为 了解决某个特定识别问题”如何去选择数据？
❖ 只为了识别中国人，需要把外国人的数据拿来训练吗？ ❖ 为了识别正楷文字，需要把行书也拿来训练吗？
❖ 但是，在理论上却有另一个问题…
8
关于泛化能力
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
13 人机交互
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
4
从模式识别到人脸识别
客观世 界模式
传感器
分割器
特征提来自百度文库取器
分类器
后处理器
决策
测量空间 特征空间
类别空间
人脸 表面
光学摄 像机
人脸检 测器
特征提 取器
分类器
后处理器
人物 身份
5
关于传感器与预处理
❖ 传感器：客观世界模式的测量问题
人脸：数字化为2D图像？3D形状？红外温谱？ 分辨率、精度、灵敏度、失真度等等 真实性？稳定性？
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
应用领域
国家安全 公共安全
❖ 泛化能力
对于没有训练学习过的模式样本的识别能力
❖只用中国人训练的模型能否识别老外？异族人脸识别 困难现象。
❖婴儿：“独眼龙” 不是人？
❖ 在实践中，也许想办法加入更多的有代表性 的训练样本更能解决问题，而不是去设计更 复杂的分类器或者学习机
充分利用手头样本：AdaBoost，Bagging等等
9
小结
❖ 对一般方法的掌握程度
共 同 决 定 了 最终的 成败！
❖ 对特定问题的理解程度
❖ 应用中需要更多的关注：
传感器的选择，比如什么样的摄像机？
预处理：如何去除各种干扰因素？
特征表示问题：什么是本质的类别特征？
为了解决某一应用问题，选择什么样的数据训练 分类器？
10
人脸识别的相关背景
11
为什么要做人脸识别？
在实践中验证PR，在理论上回报PR ☺
❖ 验证PR中的基本原理和技术方法，发现其可能的问题并修改之 ❖ 总结归纳人脸识别中出现的共性PR问题及其可能的解决方案，以充实、
弥补作为一门分支学科的模式识别
人 脸 识 别 是 模式识 别的一 个典型 案例， 它为模 式识别 问题研 究提供 了一个 良好的 实验平 台，所 以，众 多模式 识别的 知名专 家、学 者都在 从事人 脸识别 的研究 ！
没有万能的分类器！
❖甚至没有所谓最好的分类器，不同的分类器有不同的 适用范围！
❖但对具体问题，可能会有最适合的特征表示方法，而 不同的特征表示也需要采用不同的分类器
7
关于数据问题
❖ Math is king, data is queen! ❖ 在基于统计学习的模式识别问题中，采用什么样的数据、
多少数据往往决定了问题的成败，而不是采用了什么样 的学习算法
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
❖ 世间一切尽在脸上！
基因 + 成长环境 尽管双胞胎在基因层面也许区别不 大，但后天的成长历程都镌刻在了 他们的脸孔上！所以随着年龄的增 长，他们的脸孔会更加不同。另外 一个例子就是所谓的“夫妻相”， 尽管基因不同，但共同的生活经历 导致了其面孔的趋同。
❖ 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
❖ 让计算机不再“熟视无睹” ❖ 让计算机具有人类的情感
❖ 广泛的应用前景… ❖ 人脸识别相比其他生物特征识别的优势…
12
应用模式
身份识 别
身份验 证
典型具体应用
嫌疑人照片比对 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 自动系统登陆 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
会议代表身份验证 屏幕保护程序
❖ 实践上需要具体情况具体对待
比喻：用手枪去射击500米外的目标，或者用洲 际导弹去轰炸500米外的敌人都是非常愚蠢的。
3
从模式识别到人脸识别
❖ 一般到特殊，归纳与演绎，理论与实践
应用模式识别的基本原则到人脸识别中去
❖ 从人脸模式的先验知识、具体情况和特定约束条件（“脸情”☺）出 发，依据模式识别各模块的基本设计原则，选择、应用、尝试、比较 PR领域的基本方法，最终解决人脸识别这个具体问题
❖ 预处理：保证数据的纯洁度 ❖ 模式识别理论基本不关心这两项内容，而在
应用上，是必须作为重要内容来考虑的，否 则可能根本就是不可解的问题！
6
关于特征表示问题
❖ 关于特征提取与分类器
理想的特征提取过程可使得后续的分类器设计成 为小菜一碟，万能的分类器似乎也应该使得设计 者不必刻意设计特征提取过程！
1
提纲
❖ 从模式识别到人脸识别 ❖ 人脸识别的背景知识 ❖ 人脸识别的基本原理 ❖ 人脸检测与识别的典型方法 ❖ 开放问题及讨论
2
从模式识别到人脸识别
❖ 对于即将从事模式识别相关研究的同学，模 式识别课程非常重要
比喻：就像要去打仗，手中没有精良的武器是不 行的，有了武器不会用等于没有，对它们性能和 使用的熟练程度不同也会在很大程度上影响成败
种族、性别、年龄
❖ Attractiveness判别
14
生物特征识别技术(Biometrics)
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
目标不同：模式识别研究的是有了特定属性数据之后如何设计 “对所有可能的情况”最优的分类器，而应用上却要考虑“为 了解决某个特定识别问题”如何去选择数据？
❖ 只为了识别中国人，需要把外国人的数据拿来训练吗？ ❖ 为了识别正楷文字，需要把行书也拿来训练吗？
❖ 但是，在理论上却有另一个问题…
8
关于泛化能力
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
13 人机交互
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
4
从模式识别到人脸识别
客观世 界模式
传感器
分割器
特征提来自百度文库取器
分类器
后处理器
决策
测量空间 特征空间
类别空间
人脸 表面
光学摄 像机
人脸检 测器
特征提 取器
分类器
后处理器
人物 身份
5
关于传感器与预处理
❖ 传感器：客观世界模式的测量问题
人脸：数字化为2D图像？3D形状？红外温谱？ 分辨率、精度、灵敏度、失真度等等 真实性？稳定性？
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
应用领域
国家安全 公共安全
❖ 泛化能力
对于没有训练学习过的模式样本的识别能力
❖只用中国人训练的模型能否识别老外？异族人脸识别 困难现象。
❖婴儿：“独眼龙” 不是人？
❖ 在实践中，也许想办法加入更多的有代表性 的训练样本更能解决问题，而不是去设计更 复杂的分类器或者学习机
充分利用手头样本：AdaBoost，Bagging等等
9
小结
❖ 对一般方法的掌握程度
共 同 决 定 了 最终的 成败！
❖ 对特定问题的理解程度
❖ 应用中需要更多的关注：
传感器的选择，比如什么样的摄像机？
预处理：如何去除各种干扰因素？
特征表示问题：什么是本质的类别特征？
为了解决某一应用问题，选择什么样的数据训练 分类器？
10
人脸识别的相关背景
11
为什么要做人脸识别？
在实践中验证PR，在理论上回报PR ☺
❖ 验证PR中的基本原理和技术方法，发现其可能的问题并修改之 ❖ 总结归纳人脸识别中出现的共性PR问题及其可能的解决方案，以充实、
弥补作为一门分支学科的模式识别
人 脸 识 别 是 模式识 别的一 个典型 案例， 它为模 式识别 问题研 究提供 了一个 良好的 实验平 台，所 以，众 多模式 识别的 知名专 家、学 者都在 从事人 脸识别 的研究 ！
没有万能的分类器！
❖甚至没有所谓最好的分类器，不同的分类器有不同的 适用范围！
❖但对具体问题，可能会有最适合的特征表示方法，而 不同的特征表示也需要采用不同的分类器
7
关于数据问题
❖ Math is king, data is queen! ❖ 在基于统计学习的模式识别问题中，采用什么样的数据、
多少数据往往决定了问题的成败，而不是采用了什么样 的学习算法
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
❖ 世间一切尽在脸上！
基因 + 成长环境 尽管双胞胎在基因层面也许区别不 大，但后天的成长历程都镌刻在了 他们的脸孔上！所以随着年龄的增 长，他们的脸孔会更加不同。另外 一个例子就是所谓的“夫妻相”， 尽管基因不同，但共同的生活经历 导致了其面孔的趋同。
❖ 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
❖ 让计算机不再“熟视无睹” ❖ 让计算机具有人类的情感
❖ 广泛的应用前景… ❖ 人脸识别相比其他生物特征识别的优势…
12
应用模式
身份识 别
身份验 证
典型具体应用