面部检测哪种方法好用

⑴ 目前为止人脸识别准确率最高的是哪一种人脸识别技术

应该是3D结构光吧，毕竟现在比较高端的面部设备用的都是这种，能根据脸部细节特征进行识别并建构模块，精准度应该是商用最高的了。

⑵ 人脸识别有多少种类型

人脸识别的类型，可以根据采用的识别技术及算法技术来进行分类：

1. 技术上可以分为2D的可见光平面算法人脸识别及3D的结构光人脸识别。这2者的区别是，2D的可见光识别可采用照片即可完成人脸的注册登记；3D的结构光人脸识别则需要在对应的识别设备前面进行3D人脸数据采集建模完成注册登记。

2. 按是否能区分活体可分为普通人脸识别及活体人脸识别。这2者的区别是，普通人脸识别不具备活体判断，照片及视频均可能被拿来识别；而活体人脸识别则多了通过人脸识别算法等对识别对象进行活体检测判断，可有效避免各种欺骗识别。

⑶ 想问一下有没有比较方便的人脸识别算法，求推荐

特征脸方法

步骤一：获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像（虽然是25个不同人的人脸的图像，但是看着怎么不像呢，难道我有脸盲症么），如下图所示哦。每张图像可以转换成一个N维的向量（是的，没错，一个像素一个像素的排成一行就好了，至于是横着还是竖着获取原图像的像素，随你自己，只要前后统一就可以），然后把这M个向量放到一个集合S里，如下式所示。

其中Ω代表要判别的人脸，Ωk代表训练集内的某个人脸，两者都是通过特征脸的权重来表示的。式子是对两者求欧式距离，当距离小于阈值时说明要判别的脸和训练集内的第k个脸是同一个人的。当遍历所有训练集都大于阈值时，根据距离值的大小又可分为是新的人脸或者不是人脸的两种情况。根据训练集的不同，阈值设定并不是固定的。

后续会有对PCA理论的补充^_^.已补充理论：特征脸(Eigenface)理论基础-PCA(主成分分析法)

⑷ 人脸识别方法

【什么是人脸识别】

是人工智能范畴里，生物识别中的一个类别，人体的生物特征具有唯一性和不易被复制的良好特性，人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，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的特点】

人脸是人们熟悉的识别方式，传统的人脸识别技术主要是基于可见光图像的人脸识别，已有30多年的研发历史。但在环境光照发生变化时，这种方式有着难以克服的缺陷，无法满足实际系统的需要，识别效果会急剧下降。

现代的人脸识别技术主要靠三维图像人脸识别，和热成像人脸识别这两种方案解决光照问题，但这两种技术还远不成熟，识别效果不尽人意。

人脸识别技术

第三：非强制性

几乎可以在无意识的状态下就可获取人脸图像，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。

第四：操作简单

操作简单、结果直观、符合视觉“以貌识人”的特性。并且隐蔽性极好。

【人脸识别技术缺点】

第一：在用户不配合、采集条件不理想的情况下，现有系统的识别率将陡然下降。

第二：用户剃了胡子、换了发型、多了眼镜、变了表情会与系统中存储的人脸有出入，可能引起比对失败。

希望本篇回答可以帮助到你~

望采纳~

⑸ 人脸识别最准确的方式有哪些

人脸识别的方法很多，以下介绍一些主要的人脸识别方法。

(1)几何特征的人脸识别方法

(2)基于特征脸(PCA)的人脸识别方法

(3)神经网络的人脸识别方法

(4)弹性图匹配的人脸识别方法

(5)线段Hausdorff 距离(LHD) 的人脸识别方法

(6)支持向量机(SVM) 的人脸识别方法

⑹ 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，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。

⑺ 人脸识别有什么优化算法还请各位大神赐教，简单一点的。谢谢

人脸识别技术概述
广义的人脸识别主要分为人脸检测(face detection)、特征提取(feature extraction)和人脸识别(face recognition)三个过程，如图1所示。
人脸,人脸识别,人脸识别技术
图1 典型的人脸识别过程
其中，第三步提到的人脸识别是狭义的人脸识别，即将待识别人脸所提取的特征与数据库中人脸的特征进行对比，根据相似度判别分类。而人脸识别又可以分为两个大类：一类是确认(verification)，这是人脸图像与数据库中已存的该人图像比对的过程，回答你是不是你的问题;另一类是辨认(identification)，这是人脸图像与数据库中已存的所有图像匹配的过程，回答你是谁的问题。显然，人脸辨认要比人脸确认困难，因为辨认需要进行海量数据的匹配。在辨认过程中，海量数据的处理、特征提取和分类算法的选择变得非常重要。识别率和识别速度是人脸识别技术中主要的衡量算法性能的指标。本文后面提到的人脸识别，主要指的是人脸辨认。
人脸识别技术原理
人脸识别算法发展到今天，大致上可以分为两类：基于特征的人脸识别算法和基于外观的人脸识别算法。其中，多数基于特征的人脸识别算法属于早期的人脸识别算法，现在已经不再使用。不过近些年出现了一些新的基于特征的算法，并取得不错的效果。而基于外观的人脸识别算法是由于实现简单，受到广泛关注。接下来将分别介绍两类人脸识别算法。
基于特征的人脸识别算法：早期的人脸识别算法主要是基于特征模板和几何约束来实现的。这一类算法首先对输入图像进行处理，提取出如眼睛、鼻子和嘴等面部特征和外观轮廓。然后计算这些面部特征之间的几何关系，如距离、面积和角度等。这样将输入图像转换为几何特征向量后，使用标准的统计模式识别技术进行匹配分类。由于算法利用了一些直观的特征，计算量小。不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。
人脸,人脸识别,人脸识别技术
图2 一些典型的面部几何特征示意图
以上这些方法都是通过一些特征模板和几何约束来检测特定的面部特征，并计算特征之间的关系。还有一些方法使用了图像的局部表示来提取特征。其中最受关注的方法是局部二值模式(LBP)算法。LBP方法首先将图像分成若干区域，在每个区域的像素3x3邻域中用中心值作阈值化，将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。
人脸,人脸识别,人脸识别技术
图3 LBP算子
基于特征的人脸识别算法主要的优势在于对姿态、尺度和光照等变化鲁棒。由于多数特征是基于手动选择和先验知识，受图像本身的成像质量影响较少。另外，提取出的面部特征往往维数较低，匹配速度快。这些方法的缺点是自动特征提取的难度较大。如果特征集的鉴别能力弱，再多的后续处理也无法补偿本身的不足。
基于外观的人脸识别算法：基于外观的人脸识别算法也称为整体方法。它们使用图像的全局信息来辨识人脸。最简单的整体方法是用二维数组来存放图像的灰度值，然后直接对输入图像和数据库中的所有图像进行相关性比较。这种方法的缺点非常多，如易受环境影响、计算耗时等。其中一个重要的问题是这样的分类是在一个非常高维的空间中进行的。为了克服维数问题，一些算法使用统计降维方法来获取和保留更有用的信息，最典型的算法就是主成分分析(PCA)算法和线性鉴别分析(LDA)算法。
PCA算法指出任何特定的人脸可以由一个低维的特征子空间表示，并可以用这个特征子空间近似地重建。将输入人脸图像投影到特征子空间上得到的特征与已知的数据库进行比对来确定身份。PCA算法选取的特征最大化了人脸样本间的差异，但也保留了一些由于光照和面部表情产生的不必要的变化。而同一个人由于光照产生的变化可能会大于不同人之间的变化，如图4所示。LDA算法在最大化不同个体之间的样本差异的同时，最小化同一个体内部的样本差异。这样达到了人脸特征子空间的划分。图5是PCA和LDA算法的示例。其中，PCA的特征脸是由组成PCA特征子空间的特征向量按二维图像来排列得到的类似人脸的图像。LDA的Fisher脸也是同样道理。经过特征脸和Fisher脸重构得到的人脸图像在第四行。可以看到，PCA重构脸与输入人脸差异较小，但LDA的Fisher脸很难辨认，但突出了该个体的显着特征。PCA和LDA方法都假设存在一个最优的投影子空间。这个子空间的每个区域对应唯一的一个人。然而，事实上在人脸空间中许多人经常会映射到相同的区域中，因此这种假设并不成立。

来源：海鑫科金
http://www.hisign.com.cn/news/instry/2699.html

⑻ 几种常见的皮肤分析的检测方法

常用的皮肤测试方法有：肉眼观察法、纸巾擦拭法、美容放大镜观察法、美容透视灯观察法、电脑皮肤测试法。

肉眼观察法
用洗面奶彻底清洁面部后，用毛巾将水擦干，皮肤会出现紧绷感。

不用任何护肤品，静静观察皮肤情况，计算肤紧绷感消失的时间。若紧绷感在洗脸后 30 分钟左右消失，为中性皮肤；若紧绷感在洗脸后 20 分钟之内消失，为油性皮肤；若紧绷感在洗脸后 40 分钟左右才消失，为干性皮肤。

纸巾擦拭法
晚上将脸洗净后，不涂任何护肤品，第二天起床后用干净的面巾纸分别轻按额部、面颊、鼻翼、下颌等处，观察纸巾上油污的多少。

纸巾上油污面积不大，呈微透明状，为中性皮肤；纸巾上见大片油迹，呈透明状，为油性皮肤；纸巾上基本不沾油迹，为干性皮肤。

美容放大镜观察法
洗净面部，待皮肤紧绷感消失后，用放大镜仔细观察皮肤纹理及毛孔状况。操作时用棉片将顾客双眼遮盖，防止放大镜折光损伤眼睛。皮肤纹理不粗不细，为中性皮肤；皮肤纹理较粗，毛孔较大，为油性皮肤；皮肤纹理细致，毛孔细小不明显，常见细小皮屑，为干性皮肤。

美容透视灯观察法
美容透视灯内装有紫外线灯管，紫外线对皮肤有较强的穿透力，可以帮助美容师了解皮肤表面和深层的组织情况。使用透视灯之前，应先清洗面部，并用湿棉块遮住双眼，以防紫外线刺伤眼睛。待皮肤紧绷感消失后再进行测试。不同类型的皮肤在透视灯下呈现不同的颜色：中性皮肤，大部分为淡灰色，小面积橙黄色荧光块；油性皮肤可见大片橙黄色荧光块；干性皮肤有少许或没有橙黄色荧光块、白色小块，大部分呈淡紫蓝色荧光块。

电脑皮肤测试法
电脑通过皮肤探测器，收集面部皮肤各方面的材料，进行综合分析判断，得出准确结论。此方法简便、准确，被广泛应用。

⑼ 人脸识别和指纹识别哪个更好

人脸识别更安全。
1、人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流进行识别处理。
2、识别过程首先是判断其是否存在人脸，识别到有人脸后，扫描每张脸的位置、大小和各个主
要面部器官的位置信息，然后依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将
其与已知的人脸进行对比，从而识别每个人脸的身份。
3、与指纹识别是相比，其主要优点是人脸识别锁可主动获取用户信息，无须用户接触。人脸识别技术已经应用在多个领域，而人脸识别智能锁早在2013年前后就已出现，大有与指纹锁一争高下之意。
人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流进行识别处理。识别过程首先是判断其是否存在人脸，识别到有人脸后，扫描每张脸的位置、大小和各个主要面部器官的位置信息，然后依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。与指纹识别是相比，其主要优点是人脸识别锁可主动获取用户信息，无须用户接触。

虽然人脸识别技术已经应用在安防等多个领域，但大部分普通消费者对其印象仍停留在影视画面中。指纹识别技术已经发展20多 年，人们对指纹识别技术已经信任和认可，且进来随着手机领域采用指纹解锁功能，人们对甚至对指纹识别技术产品表现出更多的兴趣。而对于陌生的人脸识别技 术，人们只得其表，这项技术也未曾向大众展示出更多的魅力，所以人们对人脸识别锁的态度更多是好奇、质疑和观望。而事实上，人脸识别也存在不少隐患。
在技术角度，人脸状态不稳定，容易受到外界影响的因素多。人脸识别的主体是人脸，而人脸不如指纹是一层不变的，睫毛、眼镜、口罩、发型以及外部光线都容 易影响人脸特征，从而影响人脸的识别。如在使用人脸识别锁过程中，人们进门还需先摘下口罩、围脖、帽子、眼镜然后打理一下发型，智能锁的便利性就显得滑稽 了。

人脸识别锁的功耗应该是消费者的担心的问题之一，普通的指纹锁自带4节干电池，电量消耗基本仅用于指纹识别，所以更换一次电池用一年左右是正常；而人脸识别锁在获取人脸时的耗能远比指纹锁获取指纹的功耗大，同时在阴暗的场合还需要启用灯光补光，或需常换电池和充电，不经意的电量不足导致无法开门影响生活。
如不能解决上述两个方面的问题，人脸识别锁不可能获取消费者的信任，除了“人脸识别”这一方式能让人们暂时感觉到新潮，其实用性、便利性、稳定性和安全性远逊于指纹锁。买指纹锁建议选择普罗巴克品牌，可以到河南冠豪智能体检馆去看看。

⑽ 在人脸识别软件系统识别的过程中，对于人脸检测，现在主流的方法都基本有啥可以的话详细介绍一下吧。

基于知识的方法

基于知识的方法（Knowledge-Based Methods）一是基于规则的人脸检测方法。规则来源于研究者关于人脸的先验知识。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。

Yang和Huang使用分层的基于知识的人脸检测方法[11]。他们的系统由3级规则组成。在最高级，通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。较高级的规则通常描述人脸看起来象什么，而较低级的规则依赖于面部特征的细节。多分辨率的分层图像通过平均和二次采样生成，如图2所示。

编码规则通常在较低的分辨率下确定人脸的候选区，包括人脸的中心部分图中较浅的阴影部分，其中有个基本上相同的灰度单元。

基于特征的方法

基于特征的方法（Feature-Based Methods）不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。和基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。面部特征如眉毛、眼睛、鼻子、嘴和发际等，一般利用边缘检测器提取。根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。基于特征的算法存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征边界被弱化，阴影可能引起很强的边缘，而这些边缘可能使得算法难以使用。

模板匹配的方法

Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。每一个子模板按照线分割定义。基于最大梯度变化提取输入图像的线，然后与子模板匹配。计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。

Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。用Sobel算子提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板。在头轮廓定位。

Govindaraju等人提出两个阶段的人脸检测方法。人脸模型根据边缘定义的特征构成。这些特征描述了正面人脸的左边、发际和右边的曲线。人脸必须是垂直、无遮挡和正面的。

基于外观的方法

基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。

Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法[12]。用主成分(PCA)分析来定义子空间从而最好地表示人脸模式集。主成分保存数据中主分量而丢弃了那些次分量。这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分(在标准的PCA中被丢弃的次分量)如图3所示。用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。然后将这些概率密度用于基于最大

似然估计的对象检测。这种方法已经被用于人脸定位、编码和识别。和传统的特征脸方法相比，此方法在人脸识别方面表现出更好的性能。

可以的话去Ph一下colorreco，技术过硬，值得我们大家学习。