‘壹’ 人脸识别技术小知识有哪些
人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识别是一项热门的计算机技术研究领域，其中包括人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度等技术。
人脸识别技术属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。
(1)人脸检测
面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，稿坦并分离出这种面像。一般有下列几种方法：
①参考模板法
首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；
②人脸规则法
由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸；
③样品学习法
这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；
④肤色模型法
这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。
⑤特征子脸法
这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子空间的投影之间的距离判断是否存在面像。
值得提出的是，上述5种方法在实际检测系统中也可综合采用。
(2)人脸跟踪
面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。
(3)人脸比对
面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。主要采用特征向量与面纹模板两种描述方法：
①特征向量法
该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。
②面纹模板法
该方法是在库中存贮若干标准面像模板或面像器官模板，在进行比对时，将采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有采用模式识别的自相关网络或特征与模板相结合的方法。
人脸识别技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判断洞敬雹时间低于1秒。
识别过程
一般分三步：
(1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。
(2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。
(3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方式是根据人脸脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辨认出某个人。人脸纳帆的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。
技术流程
人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
人脸图像采集及检测
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
人脸图像预处理
人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机 干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补 偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
人脸图像特征提取
人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数 特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大 类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分 量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特 征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
人脸图像匹配与识别
人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输 出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一 进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
衡量人脸识别的算法能力：拒识率、误识率、通过率，准确率。
‘贰’ 人脸识别技术是什么如何进行人脸识别数据标注
最近几年国内外吹起了了一场AI风,AI技术浪潮也成为了一种趋势.人脸识别作为最近几年发展的还算成熟的一项ai技术,也引起了众多人的关注.鉴于技术的日趋成熟，现阶段的人脸识别技术已经在具体场景落地尝试，如会议人脸签到、人脸识别智能门禁、安防监控人脸识别报警功能，还有最接近大众群体的智能手机人脸解锁功能。
‘叁’ 人脸识别的技术特点是什么
传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺点，尤其在环敏告境光照发生变化时，识别成效会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别，识别成效不尽人意。迅速发雀拿空展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。
人脸识别技术通过几何特征的人脸检测技术-可以快速的识别人体面貌，具有快速、简便、不需要人被动配合的特点。比如自己从一架摄像机前走过，经过人脸识别可以迅速而简便的识别面貌。人脸识别技术通过模板匹配人脸检测技术，从数据库当中提取人脸模板进行匹配，具有防伪、防欺诈、准确、直观和方便的特点。比如在政法系统中可以用来抓捕犯人，可以快速的识别出罪犯的伪装。人脸识别技术通过统计的人脸检测技术，对于人脸的图像大量搜集构成人脸样本库，采用统计方法强化该系统，从而实现对人脸进行检测和分类。具有高性价比和可扩展性的特点。比如银行加快了工作效率和安全性。人脸识别技术并不是仅仅可以识别捕捉活动的人像，也可以识别静止的图片。
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的仅有性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有顷瞎“强制性”；非接触性：用户不需要和设备直接接触就能获取人脸图像；并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。
‘肆’ 百度人脸识别搜索是怎么实现的
同样是基于图片进行搜索，人脸识别和以图搜图并不一样。网络资深工程师陶吉告诉创事记，网络人脸识别首先并不关注完整的图像结构，其次颜色也没有任何意义。最主要的特征表达来自于脸部纹厅哪团理，并进行一些再加工。
具体算法作为商业机密，难以对外界披露。不过资料显示，目前人脸识别算法中LBP是比较流行的一种特征提取方式，即通过像素周边8个临缓盯近像素的灰度值和中扮橘心灰度值比较，得到一个八位编码，然后再根据编码的直方图进行分类。
而影响算法效果的因素还可能包括预处理、特征选择、特征点定位精度、分类器设计和后处理乃至各种方式的融合、阈值选择等各个方面。
一张图片中，人脸至少有40×40像素(约一个指甲盖大小)，才会被当作有效的识别对象。如果一张图片中多个人像，目前网络的解决办法是仅识别尺寸最大的那个，未来网络将提供焦点选择功能，用户可以通过选点确定搜索对象。
——数据方面。算法的改善如果算是充分条件，数据的处理则是必要条件。从机器搜索的角度看，光照、姿态、表情、角度等因素，均是影响巨大的因素，所谓“笑和不笑，都是不同”。所以用来训练的数据量越大，变化的包容性就越好。
‘伍’ 人脸识别怎么用照片通过
人脸识别不可以用照片识别。
人脸识别的重点在于生命特征识别，图片没有生物特征，自然就不可以用图片来进行人脸识别，也就是说图片冒充不了活人。
为确保数据的准确性，手机上的认证软件基本都会要求用户在识别过程中进行指定的动作操作，比如眨眼，摇头，点头等动作。仅用照片无法通过这些动作验证。
主要用途
人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。
人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。
‘陆’ 人脸识别成功相似度要求多少以上
相似度超过72%就表示识别成功。
人脸识别技腊袭术，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的一系列相关技术，通常也叫做人像识别、面部识别。
人脸识别技术主要是通过人脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
(6)人脸图片搜索的技术要求扩展阅读：
3D人脸识别技术
3D人脸识别技术是人脸识别重要发展发现。目前大部分的人脸识别应用的范畴限定在2D图像上。人脸实质上是一个立体模型，而基宽2D人脸识别容易受到姿态、光照、表情等因素影响，是因为2D图像本身有一个缺陷，无法很好地表示深度信息。
如果说深度学习是从人的认知角度来理解人脸识别，那么3D技术就是从现实模型来反映人脸识别。
目前关于3D人脸识别方向的算法研究并没有2D人脸识别技术那么丰富和深入，许多因素限制了这项技术的发展。3D人脸识别往往需要特定的采集设备，如3D摄像机或双目摄像机。目前这类采集设备价格还比较昂贵，主要用于特定场景。
3D建模过程需要的计算量较大，对硬件要求较高，也限制了目前的应用。3D人脸识别数据库轮锋兄比较稀少，研究者缺少训练样本和测试样本，无法开展更深入的理论研究。随着未来芯片技术和传感器的发展，当计算能力不再收到制约，3D采集设备成本大幅下降的时候，3D人脸识别将取得重要突破。