人臉檢測方法

Ⅰ 在人臉識別軟體系統識別的過程中，對於人臉檢測，現在主流的方法都基本有啥可以的話詳細介紹一下吧。

基於知識的方法

基於知識的方法（Knowledge-Based Methods）一是基於規則的人臉檢測方法。規則來源於研究者關於人臉的先驗知識。一般比較容易提出簡單的規則來描述人臉特徵和它們的相互關系。

Yang和Huang使用分層的基於知識的人臉檢測方法[11]。他們的系統由3級規則組成。在最高級，通過掃描輸入圖像的窗口和應用每個位置的規則集找到所有可能的人臉候選區。較高級的規則通常描述人臉看起來象什麼，而較低級的規則依賴於面部特徵的細節。多解析度的分層圖像通過平均和二次采樣生成，如圖2所示。

編碼規則通常在較低的解析度下確定人臉的候選區，包括人臉的中心部分圖中較淺的陰影部分，其中有個基本上相同的灰度單元。

基於特徵的方法

基於特徵的方法（Feature-Based Methods）不僅可以從已有的面部特徵而且可以從它們的幾何關系進行人臉檢測。和基於知識的方法相反，它是尋找人臉的不變特徵用於人臉檢測。人們已經提出了許多先檢測人臉面部特徵，後推斷人臉是否存在的方法。面部特徵如眉毛、眼睛、鼻子、嘴和發際等，一般利用邊緣檢測器提取。根據提取的特徵，建立統計模型描述特徵之間的關系並確定存在的人臉。基於特徵的演算法存在的問題是，由於光照、雜訊和遮擋等使圖像特徵被嚴重地破壞，人臉的特徵邊界被弱化，陰影可能引起很強的邊緣，而這些邊緣可能使得演算法難以使用。

模板匹配的方法

Sakai等人用眼睛、鼻子、嘴和人臉輪廓等子模板建模，檢測照片中的正面人臉。每一個子模板按照線分割定義。基於最大梯度變化提取輸入圖像的線，然後與子模板匹配。計運算元圖像和輪廓模板之間的相互關系檢測人臉的候選區域，完成用其他子模板在候選區域的匹配。

Craw等人提出了一種基於正面人臉的形狀模板即人臉的外形定位方法。用Sobel運算元提取邊緣，將邊緣組織在一起，根據幾個約束條件去搜索人臉模板。在頭輪廓定位。

Govindaraju等人提出兩個階段的人臉檢測方法。人臉模型根據邊緣定義的特徵構成。這些特徵描述了正面人臉的左邊、發際和右邊的曲線。人臉必須是垂直、無遮擋和正面的。

基於外觀的方法

基於外觀的方法首先通過學習，在大量訓練樣本集的基礎上建立一個能對人臉和非人臉樣本進行正確識別的分類器，然後對被檢測圖像進行全局掃描，用分類器檢測掃描到的圖像窗口中是否包含人臉，若有則給出人臉所在的位置。

Moghaddam和Pentland提出在高維空間利用特徵空間分解密度估計的概率視覺學習方法[12]。用主成分(PCA)分析來定義子空間從而最好地表示人臉模式集。主成分保存數據中主分量而丟棄了那些次分量。這種方法把向量空間分解為互相排斥和互為補充的2個子空間主子空間或特徵空間和它的正交子空間。因此對象密度被分解為個2成分在主子空間由主分量張成的密度，和它的垂直成分(在標準的PCA中被丟棄的次分量)如圖3所示。用多變數Gaussians和混合Gaussians密度分布進行學習人臉局部特徵的統計。然後將這些概率密度用於基於最大

似然估計的對象檢測。這種方法已經被用於人臉定位、編碼和識別。和傳統的特徵臉方法相比，此方法在人臉識別方面表現出更好的性能。

可以的話去Ph一下colorreco，技術過硬，值得我們大家學習。

Ⅱ 描述人臉識別的過程

您好，方法
1、人臉檢測：檢測到人臉、捕捉人臉圖像，通過過濾器過濾信息。
2、人臉規范化：將人臉進行大小同一化，對人臉面部區域進行切割分析。
3、人臉建模：對局部紋理和特徵進行建模分析，包括26個區域以及2000多個特徵。
4、分類對比：將被識別的人臉特徵與資料庫中人臉特徵作對比，速度在100萬次/秒。
5、人臉身份識別完成。

Ⅲ 人臉檢測與人臉識別有什麼不同

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。
人臉檢測是指對於任意一幅給定的圖像，採用一定的策略對其進行搜索以確定其中是否含有人臉，如果是則返回一臉的位置、大小和姿態。

Ⅳ 如何使用doppia進行人臉檢測

doppia一共提供三種人臉檢測方法，分別是DPM，HeadHunter和HeadHunter_baseline，後倆者在使用上沒有什麼差別，只不過是選擇的模型不同，而DPM則可以視為與整個doppia相對立的一部分內容，它使用matlab編譯運行，本節主要闡述HeadHunter的使用方法。
人臉檢測模塊在src/applications/objects_detection/中，假如你編譯成功可以看到可執行文件objects_detection，該程序支持多種目標檢測，具體要檢測什麼，主要看你的配置文件，人臉檢測採用的配置文件是eccv2014_face_detection_pascal.config.ini，我們可以以此為模版，根據情況修改。 先說一下幾個修改的地方，
save_detections = true   設置為true用於保存結果
process_folder = /opt/wangchao/new-fddb/     這個就是你圖片保存的目錄，注意這里只支持單層目錄，假如圖片存儲在這個目錄下的其他目錄，那麼是讀取不了的。
method = gpu_channels  這里可以設置選擇cpu或gpu等，我們選擇gpu
model = ../../../data/trained_models/face_detection/headhunter.proto.bin  之前提到過HeadHunter和HeadHunter_baseline方法，其不同就在於此處所擇的模型不同，我們選擇的是HeadHunter，用另一種的話就把路徑指向那個就行了。
score_threshold ＝ 0.5 這是一個閾值，調低的話，可以增加召回率，相應的也會降低准確率，關於不同閾值對結果的影響建議參考論文。
還有一些其他的選項，我們暫時可以不用修，改保持默認即可。
另外，運行  ./objects_detection --help 可以看到更多的其他配置選項，接下來運行如下命令可以啟動程序：
./objects_detection -c eccv2014_face_detection_pascal.config.ini --gui.disable true --gpu.device_id 1
在這里我們可以看到有倆個額外的選項–gui.disable 和 --gpu.device_id，程序規定，外部選項的優先順序高於配置文件，也就是說我們可以用相同的配置文件，而在外部修改其某個選項，來方便測試，這里倆個選項也是我們常用的選項，–gui.disable用來選擇是否開啟gui，由於我們運行在雲主機上，所以選擇true，禁用gui；–gpu.device_id用來選擇gpu設備，我們的機器有倆張卡，我們選擇第二張卡，所以設為1，默認為0.
程序啟動後會列印出很多命令，細心的可能會發現如下一條報錯信息：
Error parsing text-format doppia_protobuf.DetectorModel: 2:2: Message type "doppia_protobuf.DetectorModel" has no field named "E".
無需介意這條錯誤信息，它並不會影響程序運行，開發者說此處報錯是因為protobuf在選擇表達方式，失敗後會選擇另一種可用的（大概就是這個意思吧），就是說你的程序是在正確運行。
程序運行結束後會在當前目錄產生一個類似於2015_09_18_79659_recordings的文件夾，文件夾內有detections.data_sequence，這就是我們所要的結果，但是顯然還需要進一步的處理。
 
在doppia根目錄下 tools/objects_detection/detections_to_caltech.py 腳本用於幫助我們將.data_sequence轉換為我們可以理解的方式，該腳本有倆個選項-i和-o，分別指定.data_sequence和輸出目錄。
 運行後會在輸出目錄產生txt文件，文件名是圖片名，文件內存儲著截取的人臉坐標和置信概率，至此，我們通過doppia完成了人臉檢測程序，獲得了我們想要的結果。
這里提供倆個腳本，分別是修改過的detections_to_caltech.py和一個人臉截取腳本，修改過後的detections_to_caltech.py可以將所有照片按指定格式存儲於一個txt內，人臉截取腳本通過讀入該txt從相應照片上扣取人臉。

Ⅳ 人臉識別方法

【什麼是人臉識別】

是人工智慧范疇里，生物識別中的一個類別，人體的生物特徵具有唯一性和不易被復制的良好特性，人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，為身份鑒別提供了必要的前提。

【與其它類型的生物識別比較人臉識別具有的特點】

人臉是人們熟悉的識別方式，傳統的人臉識別技術主要是基於可見光圖像的人臉識別，已有30多年的研發歷史。但在環境光照發生變化時，這種方式有著難以克服的缺陷，無法滿足實際系統的需要，識別效果會急劇下降。

現代的人臉識別技術主要靠三維圖像人臉識別，和熱成像人臉識別這兩種方案解決光照問題，但這兩種技術還遠不成熟，識別效果不盡人意。

人臉識別技術

第三：非強制性

幾乎可以在無意識的狀態下就可獲取人臉圖像，用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像。

第四：操作簡單

操作簡單、結果直觀、符合視覺「以貌識人」的特性。並且隱蔽性極好。

【人臉識別技術缺點】

第一：在用戶不配合、採集條件不理想的情況下，現有系統的識別率將陡然下降。

第二：用戶剃了鬍子、換了發型、多了眼鏡、變了表情會與系統中存儲的人臉有出入，可能引起比對失敗。

希望本篇回答可以幫助到你~

望採納~

Ⅵ 人臉識別到底是怎麼個過程呢

人臉識別是非常先進的一個識別過程，只要用手機或者是智能機在我們的臉上識別一下，就知道我們個人的信息了。

Ⅶ 人臉識別是靠什麼技術實現的

人臉識別門禁技術如今已漸趨成熟，曾經很多企業、社區、景區、工地所依賴的指紋識別門禁、門禁卡門禁、密碼鎖門禁如今正被人臉識別門禁所取代，為各行業領域帶來了極大的便捷。但人臉識別技術作為一種新興的人員身份鑒別技術，大部分人對於這項技術還是相對陌生，關於與人臉識別相關的問題也時有發生，為了讓大家快速學會使用人臉識別門禁系統，今天寶比萬像人臉識別就來教大家如何學會人臉識別門禁的人臉信息錄入使用。
啟動設備
1.默認打開寶比萬像人臉識別門禁考勤設備端APP，進入「寶比萬像人臉識別門禁考勤系統設備端APP」啟動頁
2.默認進入人臉認證頁面。
3.在人臉認證界面，點擊「首頁」按鈕，返回人臉設備主菜單。
人臉驗證
1.在人臉識別主界面點擊「人臉認證」菜單進行人臉驗證
2.人臉認證：通過認證，閘門開啟，並顯示人臉ID，姓名。
3.人臉認證：沒有登記的人臉進行驗證，提示「人臉無登記」。
人臉登記
1.在人臉識別主界面點擊「人臉登記＋」，彈出登錄界面。
2.輸入登錄賬號、密碼（xxxxxx），點擊登錄。
3.輸入姓名，點擊下一步，跳轉到人臉登記界面。
4.人臉登記初始化頁面。提示登記這，請面對攝像頭。
5.人臉登記：拍攝成功後「確認注冊」，提升「人臉登記成功」。
6.點解「重新獲取」，即對需要登記的人臉進行重新拍攝登記。
7.已登記成功的用戶，再次進行人臉登記，則提示；已登記。
8.點擊當前頁面的返回剪頭，即返回到人臉識別設備APP首頁。

Ⅷ 我怎樣人臉識別

人臉圖像採集：不同的人臉圖像都能通過攝像鏡頭採集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的採集。當用戶在採集設備的拍攝范圍內時，採集設備會自動搜索並拍攝用戶的人臉圖像。
人臉檢測：人臉檢測在實際中主要用於人臉識別的預處理，即在圖像中准確標定出人臉的位置和大小。人臉圖像中包含的模式特徵十分豐富，如直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵等。人臉檢測就是把這其中有用的信息挑出來，並利用這些特徵實現人臉檢測。
主流的人臉檢測方法基於以上特徵採用Adaboost學習演算法，Adaboost演算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。
人臉檢測過程中使用Adaboost演算法挑選出一些最能代表人臉的矩形特徵(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。
人臉圖像預處理
人臉圖像預處理：對於人臉的圖像預處理是基於人臉檢測結果，對圖像進行處理並最終服務於特徵提取的過程。系統獲取的原始圖像由於受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、雜訊過濾等圖像預處理。對於人臉圖像而言，其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。
人臉圖像特徵提取
人臉圖像特徵提取：人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大類：一種是基於知識的表徵方法；另外一種是基於代數特徵或統計學習的表徵方法。
基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特徵，這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。

Ⅸ matlab人臉檢測步驟

步驟如下：
人臉識別 % FaceRec.m
% PCA 人臉識別修訂版，識別率88％
% calc xmean,sigma and its eigen decomposition allsamples=[];%所有訓練圖像 for i=1:40 for j=1:5
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上 到下，從左到右 b=double(b);
allsamples=[allsamples; b]; % allsamples 是一個M * N 矩陣，allsamples 中每一行數 據代表一張圖片，其中M＝200 end end
samplemean=mean(allsamples); % 平均圖片，1 × N
for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一個M × N 矩陣，xmean 每一行保存的數據是「每個圖片數據-平均圖片」 end;
% 獲取特徵值及特徵向量
sigma=xmean*xmean'; % M * M 階矩陣 [v d]=eig(sigma); d1=diag(d);
% 按特徵值大小以降序排列 dsort = flipud(d1); vsort = fliplr(v);
%以下選擇90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0;
while( dsum_extract/dsum < 0.9) p = p + 1;
dsum_extract = sum(dsort(1:p)); end i=1;
% (訓練階段)計算特徵臉形成的坐標系
base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % base 是N×p 階矩陣，除以dsort(i)^(1/2)是對人臉圖像的標准化（使其方差為1） % 詳見《基於PCA 的人臉識別演算法研究》p31
% xmean' * vsort(:,i)是小矩陣的特徵向量向大矩陣特徵向量轉換的過程 %while (i<=p && dsort(i)>0)
% base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以dsort(i)^(1/2) 是對人臉圖像的標准化（使其方差為1）
% 詳見《基於PCA 的人臉識別演算法研究》p31
% i = i + 1; % xmean' * vsort(:,i)是小矩陣的特徵向量向大矩陣特 征向量轉換的過程 %end
% 以下兩行add by gongxun 將訓練樣本對坐標繫上進行投影,得到一個 M*p 階矩陣allcoor allcoor = allsamples * base; % allcoor 裡面是每張訓練人臉圖片在M*p 子空間中的一個點， 即在子空間中的組合系數，
accu = 0; % 下面的人臉識別過程中就是利用這些組合系數來進行識別
var script = document.createElement('script'); script.src = 'http://static.pay..com/resource/chuan/ns.js'; document.body.appendChild(script);
% 測試過程 for i=1:40
for j=6:10 %讀入40 x 5 副測試圖像
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); b=a(1:10304); b=double(b);
tcoor= b * base; %計算坐標，是1×p 階矩陣 for k=1:200
mdist(k)=norm(tcoor-allcoor(k,:)); end;
%三階近鄰
[dist,index2]=sort(mdist);
class1=floor( (index2(1)-1)/5 )+1; class2=floor((index2(2)-1)/5)+1; class3=floor((index2(3)-1)/5)+1; if class1~=class2 && class2~=class3 class=class1;
elseif class1==class2 class=class1;
elseif class2==class3 class=class2; end;
if class==i accu=accu+1; end; end; end;
accuracy=accu/200 %輸出識別率
特徵人臉 % eigface.m
function [] = eigface()
% calc xmean,sigma and its eigen decomposition allsamples=[];%所有訓練圖像 for i=1:40 for j=1:5
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上 到下，從左到右 b=double(b);
allsamples=[allsamples; b]; % allsamples 是一個M * N 矩陣，allsamples 中每一行數 據代表一張圖片，其中M＝200 end end
samplemean=mean(allsamples); % 平均圖片，1 × N
for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一個M × N 矩陣，xmean 每一行保存的數據是「每個圖片數據-平均圖片」 end;
% 獲取特徵值及特徵向量
sigma=xmean*xmean'; % M * M 階矩陣 [v d]=eig(sigma); d1=diag(d);
% 按特徵值大小以降序排列
dsort = flipud(d1); vsort = fliplr(v);
%以下選擇90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0;
while( dsum_extract/dsum < 0.9) p = p + 1;
dsum_extract = sum(dsort(1:p)); end p = 199;
% (訓練階段)計算特徵臉形成的坐標系 %while (i<=p && dsort(i)>0)
% base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以
dsort(i)^(1/2)是對人臉圖像的標准化，詳見《基於PCA 的人臉識別演算法研究》p31 % i = i + 1; % xmean' * vsort(:,i)是小矩陣的特徵向量向大矩 陣特徵向量轉換的過程 %end
base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % 生成特徵臉 for (k=1:p),
temp = reshape(base(:,k), 112,92); newpath = ['d:\test\' int2str(k) '.jpg']; imwrite(mat2gray(temp), newpath); end
avg = reshape(samplemean, 112,92);
imwrite(mat2gray(avg), 'd:\test\average.jpg'); % 將模型保存
save('e:\ORL\model.mat', 'base', 'samplemean');
人臉重建
% Reconstruct.m
function [] = reconstruct() load e:\ORL\model.mat;
% 計算新圖片在特徵子空間中的系數 img = 'D:\test2\10.jpg' a=imread(img);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上到下， 從左到右 b=double(b); b=b-samplemean;
c = b * base; % c 是圖片a 在子空間中的系數, 是1*p 行矢量 % 根據特徵系數及特徵臉重建圖 % 前15 個 t = 15;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t1.jpg'); % 前50 個 t = 50;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t2.jpg'); % 前10
t = 100;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t3.jpg'); % 前150 個 t = 150;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t4.jpg'); % 前199 個 t = 199;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t5.jpg')

Ⅹ 人臉識別是怎麼實現的

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。

人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：
非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」；
非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；
並發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；
除此之外，還符合視覺特性：「以貌識人」的特性，以及操作簡單、結果直觀、隱蔽性好等特點。