精华内容
下载资源
问答
  • 在一些社交媒体平台,每次你上传照片或视频时,它的人脸识别...现在,人脸识别的克星——“反人脸识别”问世了。 多伦多大学Parham Aarabi教授和研究生Avishek Bose的团队开发了一种算法,可以动态地破坏人脸识别...

    在一些社交媒体平台,每次你上传照片或视频时,它的人脸识别系统会试图从这些照片和视频中得到更多信息。比如,这些算法会提取关于你是谁、你的位置以及你认识的其他人的数据,并且,这些算法在不断改进。

    现在,人脸识别的克星——“反人脸识别”问世了。

    多伦多大学Parham Aarabi教授和研究生Avishek Bose的团队开发了一种算法,可以动态地破坏人脸识别系统

    他们的解决方案利用了一种叫做对抗训练(adversarial training)的深度学习技术,这种技术让两种人工智能算法相互对抗。

    现在,深度神经网络已经被应用于各种各样问题,如自动驾驶车辆、癌症检测等,但是我们迫切需要更好地理解这些模型容易受到攻击的方式。在图像识别领域,在图像中添加小的、往往不可察觉的干扰就可以欺骗一个典型的分类网络,使其将图像错误地分类。

    这种被干扰的图像被称为对抗样本( adversarial examples),它们可以被用来对网络进行对抗攻击(adversarial attacks)。在制造对抗样本方面已经有几种方法,它们在复杂性、计算成本和被攻击模型所需的访问级别等方面差异很大。

    一般来说,对抗攻击可以根据攻击模型的访问级别和对抗目标进行分类。白盒攻击(white-box attacks)可以完全访问它们正在攻击的模型的结构和参数;黑盒攻击(black-box attacks)只能访问被攻击模型的输出。

    一种基线方法是快速梯度符号法(FGSM),它基于输入图像的梯度对分类器的损失进行攻击。FGSM是一种白盒方法,因为它需要访问被攻击分类器的内部。攻击图像分类的深度神经网络有几种强烈的对抗攻击方法,如L-BFGS、acobian-based Saliency Map Attack(JSMA)、DeepFool和carlin - wagner等。然而,这些方法都涉及到对可能的干扰空间进行复杂的优化,这使得它们速度慢,计算成本高。

    与攻击分类模型相比,攻击目标检测的pipeline要困难得多。最先进的检测器,例如Faster R-CNN,使用不同尺度和位置的对象方案,然后对它们进行分类;其目标的数量比分类模型大几个数量级。

    此外,如果受到攻击的方案只是总数的一小部分,那么仍然可以通过不同的方案子集正确地检测出受干扰的图像。因此,成功的攻击需要同时欺骗所有对象方案。

    在这个案例中,研究人员证明了对最先进的人脸检测器进行快速对抗攻击是可能的。

    3290ebe3d127bb55837829b4c386c33155072fdf

    研究人员开发了一种“隐私滤镜”,可以干扰人脸识别算法。该系统依赖于2种AI算法:一种执行连续的人脸检测,另一种设计来破坏前者。

    研究人员提出一种针对基于Faster R-CNN的人脸探测器的新攻击方法。该方法通过产生微小的干扰(perturbation),当将这些干扰添加到输入的人脸图像中时,会导致预训练过的人脸探测器失效。

    为了产生对抗干扰,研究人员提出针对基于预训练Faster R-CNN人脸检测器训练一个生成器。给定一个图像,生成器将产生一个小的干扰,可以添加到图像中以欺骗人脸检测器。人脸检测器只在未受干扰的图像上进行脱机训练,因此对生成器的存在浑然不觉。

    随着时间的推移,生成器学会了产生干扰,这种干扰可以有效地欺骗它所训练的人脸探测器。生成一个对抗样本相当快速而且成本低,甚至比FGSM的成本更低,因为为输入创建一个干扰只需要在生成器经过充分的训练后进行前向传递( forward pass)。

    两个神经网络相互对抗,形成“隐私”滤镜

    研究人员设计了两个神经网络:第一个用于识别人脸,第二个用于干扰第一个神经网络的识别人脸任务。这两个神经网络不断地相互对抗,并相互学习。

    其结果是一个类似instagram的“隐私”滤镜,可以应用于照片,以保护隐私。其中的秘诀是他们的算法改变了照片中的一些特定像素,但人眼几乎察觉不到这些变化。

    “干扰性的AI算法不能‘攻击’用于检测人脸的神经网络正在寻找的东西。” 该项目的主要作者Bose说:“例如,如果检测网络正在寻找眼角,干扰算法就会调整眼角,使得眼角的像素不那么显眼。算法在照片中造成了非常微小的干扰,但对于检测器来说,这些干扰足以欺骗系统。”

    f6c887691a1533935207fef34f842819d449bb66

    算法1:对抗生成器训练

    0d8bc291700bf599a76e5c814078005f7abf988c

    给定人脸检测置信度的对抗成功率。α值是边界框区域被分类为人脸之前的confidence threshold,右边两列表示600张照片中检测到脸部的数量。

    研究人员在300-W人脸数据集上测试了他们的系统,该数据集包含多种族,不同照明条件和背景环境的超过600张人脸照片,是一个业界的标准库。结果表明,他们的系统可以将原本可检测到的人脸比例从接近100%降低到0.5%

    ead075efe4d42e9201cec29a5eae4965abd1925c

    所提出的对抗攻击的pineline,其中生成器网络G创建图像条件干扰,以欺骗人脸检测器。

    Bose说:“这里的关键是训练两个神经网络相互对抗——一个创建越来越强大的面部检测系统,另一个创建更强大的工具来禁用面部检测。”该团队的研究将于即将举行的2018年IEEE国际多媒体信号处理研讨会上发表和展示。

    5244a5de97a32508738bbfa39dcee55d43d129b7

    将300-W数据集的人脸检测和相应的对抗样本进行对比,这些样本具有生成的干扰,没有被Faster R-CNN人脸检测器检测到。被检测到的人脸被包围在具有相应置信度值的边界框中。 为了可视化,干扰被放大了10倍。

    除了禁用面部识别之外,这项新技术还会干扰基于图像的搜索、特征识别、情感和种族判断以及其他可以自动提取面部属性。


    接下来,该团队希望通过app或网站公开这个隐私滤镜。

    “十年前,这些算法必须要由人类定义,但现在是神经网络自己学习——你不需要向它们提供任何东西,除了训练数据,”Aarabi说。“最终,它们可以做出一些非常了不起的事情,有巨大的潜力。”


    原文发布时间为:2018-06-1

    本文作者:肖琴

    本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”。

    原文链接:【人脸识别终结者】多伦多大学反人脸识别,身份欺骗成功率达99.5%

    展开全文
  • 日前,他公开表示自己已经与其他几个黑客一起,开发出了一种“反人脸识别算法”。 Grigory Bakunov是俄罗斯搜索巨头Yandex公司的一位技术高管,他因不满人们滥用人脸识别,发明了一套简单高效的反人脸识别技术。 ...

           Bakunov开始在工作时间,研究如何防止被人脸识别。日前,他公开表示自己已经与其他几个黑客一起,开发出了一种“反人脸识别算法”。

              Grigory Bakunov是俄罗斯搜索巨头Yandex公司的一位技术高管,他因不满人们滥用人脸识别,发明了一套简单高效的反人脸识别技术。

           “在俄罗斯,人们为了各种目的到处安装面部识别系统,在莫斯科,要避免被人脸识别几乎是不可能的。”Bakunov说道。因此,Bakunov开始在工作时间,研究如何防止被人脸识别。日前,他公开表示自己已经与其他几个黑客一起,开发出了一种“反人脸识别算法”。

             这种算法的实现方式很简单,以化妆的方式在脸上画出特定的线条,以此干扰面部识别技术。画出来大概是这样:

    wKioL1l_2hbRy3jnAAGXTY1Ua6Y643.jpg

           Grigory Bakunov号称这项技术非常有效,对于男女都适用。但为了避免技术被滥用,他并没有公开反人脸识别系统的详细算法和原理。不过,该算法很快就被宣布流产,因为Bakunov发现,该算法同样适用于警局和银行。“人们用这套算法来作恶的概率太大了,这是为什么我们不会让它投放市场的原因。”Bakunov表示。

          Grigory Bakunovb并不是第一个研究反人脸识别系统的人。去年,卡耐基梅隆大学就曾经通过让人戴上有特殊花纹的眼镜成功干扰了人脸识别软件“Face + +”,让软件把自己识别成别的人:

    wKiom1l_2hbRtwhIAAHdS2NYElY749.jpg

          日本国立情报学研究所也曾经发明高科技眼镜Privacy Visor,利用红外发生技术,使摄像头的面部识别系统无法检测到人的面部特征。眼镜架上的红外发生器能影响绝大多数的智能手机和平板电脑,这样拍出的照片在人眼看起来和普通照片没有差别,却无法识别面部信息。

           

    wKioL1l_2yKh7oikAACC8l6e05I275.jpg

    Next Generation Identification

           不过,俄罗斯人民对反面部识别技术的需求,似乎要比美国和日本人更强烈。早在2016年,俄罗斯的网络上就出现了一种名叫FindFace的网络服务:在这项服务下,只需要有一张照片,就能通过面部识别找到这个人的VK.com账号。

            VK.com是俄罗斯最大的社交网络平台。FindFaced的搜索范围是VK.com相册里的所有照片。也就是说,除非你不使用社交网络平台,或者从不上传个人照片,否则你的信息就会被整个俄罗斯轻易知道。

            今年的3·15晚会上,央视对人脸识别技术的安全性提出了质疑。主持人使用照片就轻易破解了人脸识别软件登陆系统,人脸识别技术并不能如大家所愿地有效保护财产安全,技术的可靠程度被质疑了。

    在技术不断发展完善的情况下,如何避免技术滥用同样应该成为人们关心的问题。

            正如Google Earth曾经在孟买恐怖袭击中被恐怖分子用于了解地形,3D打印技术正在被分布式防御组织用来制造枪支,人脸识别技术在安全和隐私之外是否会被用于犯罪也是人们需要警惕的问题之一。

            不过,反人脸识别系统或许暂时还是安全的。Bakunov表示他将不会把反人脸识别技术商业化,因为被人利用来做坏事的机会,实在太高了。



    本文转自 stock0991 51CTO博客,原文链接:http://blog.51cto.com/qing0991/1952565

    展开全文
  • 反人脸识别的思路和实现 一、基本知识和背景 ​人脸识别是非常经典的机器识别运用,目前已经在许多地方得到了使用。相关的算法原理和实现发展的都很发达,Opencv中就有不错的实现。这是现状。 但是,也正因为此,...

    反人脸识别的思路和实现

     

    一、基本知识和背景

         人脸识别是非常经典的机器识别运用,目前已经在许多地方得到了使用。相关的算法原理和实现发展的都很发达,Opencv中就有不错的实现。这是现状。

         但是,也正因为此,和人相关的隐私变得令人关注。应用sigvc上面的一个概念叫做“反人脸识别”http://www.sigvc.org/bbs/forum.php?mod=viewthread&tid=3348&highlight=%B7%B4%C8%CB%C1%B3,就是关注用户隐私的一种技术实现。从技术实现上来说,主要分为“人脸识别”和“脸部模糊”两个部分。两个部分的实现难度都不大,关键是“处理输入图片,保护用户隐私”的思路很关键。这里是我的相关研究。

     

    二、实现步骤

         ​一)人脸识别

                    此类人脸识别的图像一般都是全局的图像,比如

         而不是这样以单幅人脸为主要内容的图像

      

         所以在算法的选择上,我还是优先选择了haar的方法,而没有采用肤色模型。我认为对于近景的,需要进行精细地处理的时候,肤色更适合一些。

         那么进行识别:

            对于这种正向的图片,效果还是不错的。可能存在错误识别的区域,但是不影响主体。

     

    void main()

    {
        //读入图片
        Mat src =  imread("c:/m.jpg",0);
        //人脸识别
        string fn_haar = "C:/haarcascade_frontalface_default.xml";
        CascadeClassifier haar_cascade;
        haar_cascade.load(fn_haar);
        vector< Rect_<int> > faces;
        haar_cascade.detectMultiScale(src, faces); //检测多个人脸的
        //画出区域
        for (int i=0;i<faces.size();i++)
        {
             Rect face_i = faces[i];
             rectangle(src,face_i,Scalar(255));
        }
        imshow("src",src);
        cv::waitKey();
        getchar();
    }

     

         二)脸部模糊

            脸部模糊的方法也是有许多的。俗话说画鬼容易画人难,这里想做出一个人脸比较困难,但是如果想把一个人脸弄成非人脸,就要简单许多。比较常见的是打马赛克,但是手头没有代码(如果哪位有的话欢迎补充),所以就直接采用模糊算法进行处理

          这样处理以后的面部,基本无法看出原来的人是哪个了。需要注意的是GussianBlur的参数需要取得大一点,这样模糊的效果比较好。

        封装成函数,需要注意的是这里直接对图像进行了修改

     

    //人脸模糊
    void blurFace(Mat src)
    {    
        GaussianBlur(src,src,Size(19,19),19);
    }

     

    三)主要流程

            反人脸识别脸部模糊的方法的主要流程就是识别出人脸,然后进行Guass模糊,然后再和原图合并起来。需要做出批量处理的方式并生成log的。

     

            需要注意的一点是,最终结果的图片还是需要彩色的,但是在处理的过程中可能用的是灰度照片。

         效果如下,应该是识别不出来了吧   

         OK,这里实现了单张的效果,在实际项目中必然需要进行批量处理,并且处理输入输出,一并编写如下

     

    //批量处理读取图片函数
    vector<pair<char*,Mat>>  read_img(const string& dir)
    {
        CStatDir statdir;
        pair<char*,Mat> pfi;
        vector<pair<char*,Mat>> Vp;
        if (!statdir.SetInitDir(dir.c_str()))
        {
            return Vp;
        }
        int cls_id = dir[dir.length()-1]-'0';
        vector<char*>file_vec = statdir.BeginBrowseFilenames("*.jpg");
        int i,s = file_vec.size();
        for (i=0;i<s;i++)
        {
            pfi.first = file_vec[i];
            pfi.second = imread(file_vec[i],0);
            Vp.push_back(pfi);
        }
        file_vec = statdir.BeginBrowseFilenames("*.bmp");
        s = file_vec.size();
        for (i=0;i<s;i++)
        {
            pfi.first = file_vec[i];
            pfi.second = imread(file_vec[i],0);
            Vp.push_back(pfi);
        }
        file_vec = statdir.BeginBrowseFilenames("*.png");
        s = file_vec.size();
        for (i=0;i<s;i++)
        {
            pfi.first = file_vec[i];
            pfi.second = imread(file_vec[i],0);
            Vp.push_back(pfi);
        }
        return Vp;
    }

     

        处理当前目录下imgs文件夹下的所有文件,结果如下

    三、反思

         目前代码在部署的时候还可以继续改进,目前需要将haarcascade_frontalface_default.xml拷贝到c:/目录下,需要创建c:/imgs文件夹并且将需要变换的图像拷贝到其中,并且创建d:/imgs文件夹。这是不方便的,但是作为一个原型,我没有继续优化。

         我认为比较关键的一点,就是根据你需要突出显示的对象,选择识别的人脸识别的算法。目的就是将人脸抹去,而将需要显示的区域显示出来。

         感谢阅读!希望能够对你有所帮助。

     



    目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com
    展开全文
  • 面部识别(FR)模型易受到不同类型的攻击: 1、物理攻击,在图像被捕获前修改面部的物理外观,如presentation attacks(又称spoofing attacks); 2、数字攻击,对捕获的面部图像实现修改,如对抗性攻击和变形攻击。...

    论文:Threat of Adversarial Attacks on Face Recognition: A Comprehensive Survey

    面部识别(FR)模型易受到不同类型的攻击:

    1、物理攻击,在图像被捕获前修改面部的物理外观,如presentation attacks(又称spoofing attacks);
    2、数字攻击,对捕获的面部图像实现修改,如对抗性攻击和变形攻击。

    对抗性攻击(adversarial attacks)针对深度神经网络(DNNs),特别是卷积神经网络(CNNs),而最新的FR模型就是基于这些网络建立的。对抗性攻击包括对原始图像进行精细的修改/扰动,目的是使人厌几乎无法察觉到这些扰动的同时,愚弄特定的分类器。
    针对FR模型的对抗性攻击主要分为五类:

    (只列举19年和20年的工作)
    1、面向CNN模型的(如DeepFace,DeepID,FaceNet)
    17 进化攻击算法(2019):基于一个简单有效的协方差矩阵自适应进化策略的进化攻击算法+建立建立搜索方向的局部几何模型加速算法
    论文:Efficient decision-based black-box adversarial attacks on face recognition
    28 DFANet(2020):特征级攻击方法比标签级攻击方法更有效,更具有可转移性。为了提高特征及对抗性样本的可转移性,提出基于dropout的技术DFANet。
    论文:Towards Transferable Adversarial Attack against Deep Face Recognition
    29 AdvBox(2020):基于python的工具箱,用于生成对抗性样本。
    论文:Advbox: a toolbox to generate adversarial examples that fool neural networks

    2、面向物理攻击的
    31 GANs(2019):攻击VGG-Face和OpenFace模型,数字和物理级。
    论文:A general framework for adversarial examples with objectives
    37 对抗性光投射(2020):使用网络摄像机和投影仪,通过对抗性光投射引导对FR系统的实时物理攻击。
    论文:Adversarial Light Projection Attacks on Face Recognition Systems: A Feasibility Study
    38、40 LResNet100E-IR(2019):AdvHat的易于复制的对抗性攻击生成方法。在帽子上贴一个长方形的贴纸。
    论文:
    AdvHat: Real-world adversarial attack on ArcFace Face ID system
    On adversarial patches: real- world attack on ArcFace-100 face recognition system

    3、面向面部属性的
    49 基于GAN的SAN模型PrivacyNet(2020):将选择性软生物特征隐私权赋予几个软生物特征属性,如性别、年龄和种族。为用户提供一个自定义哪些属性应该模糊化、哪些属性保持不变的条件。
    论文:Semi-Adversarial Networks for Multi-attribute Face Privacy
    59 将两个基于GAN的子网“化妆转移子网”和“对抗性攻击子网”组合模型(2019):将没有化妆的面部图像转化为化妆的面部,并且在化妆效果中隐藏攻击信息。
    论文:Generating adversarial examples by makeup attacks on face recognition
    60 (2019)通过修改语义属性来(如有无眼镜、肤色、鼻子形状)生成对抗性样本,以二元性别分类器为目标模型,CelebA为数据集的白盒模型。
    论文:Semantic adversarial attacks: Parametric transformations that fool deep classifiers

    4、面向去识别的
    68 P-FGVM(2019):在图像空间域上运行,生成与原始图像相似的对抗性去识别人脸图像。在提督下降的更新方程中结合了对抗性损失和“现实”损失项,在保护人脸隐私的同时保持人脸图像的视觉质量。
    论文:Adversarial Face De-Identification
    70 “朋友安全”的面部对抗性样本(2019):被敌方FR系统误识别,友方FR系统以最小失真度识别。
    论文:Face Friend-Safe Adversarial Example on Face Recognition System

    5、面向几何
    72 FLM(2019):一种快速landmark操纵方法制造对抗性面部,通过空间变换原始图像生成对抗性样本。
    论文:Fast geometrically-perturbed adversarial faces
    76 AdvFaces(2019):利用GANs制作与目标人脸图像几乎没有区别的自然人脸图像,在突出的面部区域进行最小的扰动,包括一个生成器、一个鉴别器和一个面部匹配器,自动生成对抗性面具并将其添加到图像中,以获得对抗性面部图像。
    论文:Advfaces: Adversarial face synthesis

    对抗性攻击的防御策略分为三类:

    1、在学习过程中改变训练或测试的输入,例如在训练数据中注入对抗性样本,或在整个测试过程中纳入更改过的输入。
    2、改变网络,例如通过改变层数、子网数、损失函数、激活函数等。
    3、外部网络补充主模型,以关联对看不见的样本进行分类。

    展开全文
  • ... 来源 :机器人大讲堂摘要:在一些社交媒体平台,每次你上传照片或视频时,它的人脸识别系统会试图从这些照片和视频中得到更多信息。比如,这些算法会提取关于你是谁、你的位置以及你...
  • 人脸识别的各项应用推陈出新,隐私疑虑却未曾消除。现在有学者研发“抗人脸识别”的 AI,可以让人脸识别系统的准确率,从 100% 直线下降到只剩 0.5%!这项技术可望应用成为“隐私过滤器”,如果你也是一个重视网络...
  • 由于计算机科学和电子技术的迅速发展,如今,就市场份额而言,人脸识别正成为仅次于指纹的全球第二大生物特征认证方法。越来越多的制造商在他们的产品中加入了人脸识别功能,例如苹果公司在手机上采用...
  • 此前,由于在一些音乐节上出现的人脸识别技术,让未注册、有色人种、跨性别、有犯罪记录的粉丝遭受了特别待遇,这些粉丝被不公正的拘留和骚扰,甚至被误判,因而引起了一场音乐人联署运动,要求禁止在音乐节等现场...
  • 随着AI人工智能技术的高速发展,作为生物识别技术重要组成部分,人脸识别技术的商用价值也逐步得到体现并受到了市场各界的关注,许多厂商纷纷对人脸识别门禁系统的加大研发创新的力度,针对用户提供各多元化的人脸...
  • 如今随着人们生活水平的不断提供,人们对健康变得...健身房人脸识别门禁系统的出现正好提供了一个全新的人员安全管理解决方法,接下来宝比万像人脸识别小编将从多个角度出发,为大家讲解为什么健身房人脸识别门禁系...
  • 近几年,随着生物识别技术的不断发展成熟,生物识别技术在门禁系统中的应用逐渐变成主流,尤其是人脸识别技术。那么人脸识别门禁系统有什么优点呢?安全性安全性是门禁系统的首要关注点,即能否有效地控制人员的出入...
  • DNN人脸识别中的欺骗机制关键词:深度神经网络算法;人脸识别目前,我们已经有了无需指纹扫描或触摸,只需使用脸部即可解锁的手机,你可能已经在使用这种手机了。更好的未来是:使用人脸识别进行用户身份验证的...
  • 关于人脸检测的论文; 人脸对齐; 人脸识别人脸识别&人脸验证和人脸表征; 人脸重建; 人脸跟踪; 面对超级分辨率和面对辩证; 人脸生成和人脸综合; 人脸转移; 面对欺骗; 人脸检索;
  • 人脸识别代码

    2018-03-20 16:02:42
    **基于多任务卷积网络(MTCNN)和Center-Loss的多人实时人脸检测和人脸识别系统。** [Github项目地址](https://github.com/kuaikuaikim/DFace) [Slack 聊天组](https://dfaceio.slack.com/) **DFace** 是个...
  • 门禁控制器通过以太网连接管理中心服务器,动态人脸机通过以太网连接管理中心服务器,通过韦根连接门禁控制器,门禁控制器通过两个继电器电锁端口连接通道闸,通过干节点信号控制通道闸的正转,动态人脸机通过自身...
  • 知物由学 | 基于DNN的人脸识别中的欺骗机制  知物由学 | 未来安全隐患:AI的软肋——故意欺骗神经网络 欺骗攻击是指通过使用照片、视频或授权人脸部的其他替代品来获取其他人的特权或访问权。 一些欺骗攻击...
  • java人脸识别例程

    2010-06-10 12:38:43
    java人脸识别例程,含有.class文件,可用编译工具编译
  • 之前有新闻报道,素有“科技城”之称的美国加利福尼亚州城市旧金山通过了一项“科技”政策:禁止政府部门使用人脸识别技术。而且禁止的还是很彻底,任何警察,交管等部门都禁止使用。 大家都知道人脸识别对于寻找...
  • 为了解决煤矿井下复杂光照条件导致人脸识别率低的问题, 提出了一种适用于煤矿井下复杂光照条件下的人脸识别方法。首先利用小波分解将人脸图像分解为低频和高频部分, 对低频部分利用直方图均衡化处理, 增强图像对比度...
  • 基于“视频图像”的人脸识别算法

    千次阅读 2017-10-22 19:02:54
    一个典型的基于视频图像的人脸识别系统一般都是自动检测人脸区域,从视频中提取特征,最后如果人脸存在则识别出人脸的身份。在视频监控、信息安全和出入控制等应用中,基于视频的人脸识别是一个非常重要的问题,也是...
  • 一、人脸识别技术(2D,2.5D,3D) 二、人脸识别攻击(照片、视频、面具) 三、人脸攻击的欺骗技术 四、人脸攻防案例 4.1 腾讯优图实验室:人脸安全技术的研究与应用 (1)人脸攻击的形式 (2)针对...
  • java人脸识别程序(基于特征脸)

    热门讨论 2011-06-05 00:22:51
    网上找的人脸识别程序,JAR文件,可以用编译软件查看代码,学习人脸识别的同学可以参考下
  • 人脸活体识别

    2018-09-17 09:31:46
    人脸检测的活体识别,使用虹膜反光技术来进行甄别。代码文档齐全
  • 人脸识别考勤系统的设计与实现,赵玲,姚文斌,针对当前考勤系统存在的代替考勤、考勤效率低的问题,设计并实现了一种人脸识别考勤系统FRAS(Face Recognition Attendance System),并基于��

空空如也

空空如也

1 2 3 4 5 ... 9
收藏数 174
精华内容 69
热门标签
关键字:

反人脸识别