精华内容
下载资源
问答
  • 人脸识别发展

    千次阅读 2019-03-26 14:37:00
    人脸识别经历了早期算法,人工特征+分类器,深度学习三个阶段。 一.早期算法 1.基于几何特征的方法  每个人的面部器官例如眼睛、鼻子、嘴巴等都存在差异,因此每个人的面貌也千差万别。基于几何特征进行人脸识别...

    人脸识别经历了早期算法,人工特征+分类器,深度学习三个阶段。

    一.早期算法

    1.基于几何特征的方法

      每个人的面部器官例如眼睛、鼻子、嘴巴等都存在差异,因此每个人的面貌也千差万别。基于几何特征进行人脸识别的思想是将人脸的关键器官(例如眼睛,鼻子)的大小、形状以及相对位置构成一组几何特征,来表示人脸信息,从而根据特征矢量之间的匹配来进行人脸识别。

      这种方法的优点是检测速度快。然而,它的缺点也是不可忽略的。因为人脸部位的提取通常借助边缘算子,光照,噪音,阴影极有可能破坏人脸的边缘,所以该方法对图片质量要求高,对光照和背景有较高的要求;其次,本方法对人脸表情,图片旋转不敏感。

    2.基于模板匹配的方法

     模板匹配指的是用某一模板图片去另一张图片中比对,寻找与该模板最相似的部分。

    根据模板匹配层次不同,可以将匹配分为以下三种:基于点的方法、基于区域的方法、利用混合特征的方法。

    例如,我们想从下面的图片中找出姚明头像的位置,并把它标记出来,这就是模板匹配需要做的事情。

         原图  

    模板图片

     

    模板匹配的思想就是用截取好的模板图片(姚明头像)去原图中从左到右,从上到下依次滑动,直到遇到某个区域的相似度低于我们设定的阈值,这就说明该区域与我们的模板相匹配,从而找到了姚明头像所处的位置。

    识别结果

    (参考自https://www.cnblogs.com/skyfsm/p/6884253.html)

    该方法检测率,误检率都不是很高,但是仍然不能有效处理人脸尺度,表情等方面的变化。而且模板图片只能进行平行移动,当原图中的匹配目标发生旋转或者尺度变化时,该算法失效。

     

    3.基于局部特征的方法

    局部,指的是物体表面稳定出现且具有良好可区分性的一些特殊点。基于局部特征的方法就是指用物体上面一些特殊的点来代表物体,在物体不受到完全遮挡的情况下,这些局部特征仍然存在。

    例如下面的图片,最左边的一列是完整的图像,中间一列是一些角点(局部特征),最右边的一类是除掉角点之后的线段。

     显然,中间的一列与最右边的一列相比的话,中间那一列更容易与左边相对应。

    (详见https://blog.csdn.net/qq_26898461/article/details/49885673)

    局部图像特征描述子包括:SIFT(详见下一篇博客),SURF,DAISY,ASIFT,MROGH,BRIEF。

    该类方法的优点在于用局部特征来代表物体,简化了模型,便于我们分析;其次,减少了图片原有的信息量,从而减少了计算量。最后,在物体受到干扰时,依然可以从未被遮挡的特征点还原重要信息。

    它仍不能有效地处理人脸尺度、姿态和形状等方面的变化
    文章链接:中国安防展览网 http://www.afzhan.com/Tech_news/detail/127453.html

     局部特征点是图像特征的局部表达,它只能反映图像上具有的局部特殊性,所以他只适合于对图像进行匹配,检索等应用。对于图像理解则不太适合。后者更关心一些全局特征。例如颜色分布,纹理特征等。

     

     4.子空间算法

    思想:将人脸当成一个高维的向量,将该向量投影到低维空间中,得到低维向量。该低维向量对不同的人具有良好的区分度。

     这里介绍两种降维方法:PCA(Principle Component Analysis)与LDA(Linear Discriminant Analysis)。

     PCA(主成分分析法)

    PCA的核心思想是在进行投影之后尽量多的保留原始数据的主要信息,减少冗余信息。

    PCA是无监督的降维算法,计算出X变化最大的前N个方向并将X向这些方向投影,得到一个N维的向量Y。

     LDA(线性判别分析)

     LDA是有监督的算法,根据类别标记找到最大化类间差异,最小化类内差异的方向。即保证同一个人的不同人脸图像在投影之后聚集在一起,不同人的人脸图像在投影之后被用一个大的间距分开。

     

    5.稀疏表达

    稀疏表达的思想是:用较少的基本信号的线性组合来表达大部分或者全部的原始信号。

    稀疏表达问题可以描述为:对,已知Y和A,求X。

    稀疏表示解决的问题主要集中在:图像去噪(Denoise)和超分辨率重建(Super-Resolution OR Scale-Up)。

     

     二.人工特征+分类器

    描述图像的很多特征都先后被用于人脸识别问题,包括HOG(Histogram of Oriented Gradient, 方向梯度直方图),SIFT(Scale-invariant feature transform,尺度不变特征变化),Gabor,LBP(Local Binary Pattern,局部二值模式)等。

    他们中的典型代表是 LBP(Local Binary Pattern,局部二值模式)。LBP是一种用来描述图像局部纹理特征的算子,它具有旋转不变性和灰度不变性等显著的优点。它在1994年被提出,用于纹理特征提取。

    原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,把周围像素值中大于中心像素值的位置标记为1,小于中心像素值的标记为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即可得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。如下图所示:

     

    原始的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。后来,研究人员对其提出了很多改进和优化,提出了圆形LBP算子,LBP旋转不变模式,LBP等价模式。

     

     分类器的常规任务是利用给定的类别,已知的训练数据来学习分类规则,然后对未知数据进行分类(或预测)。

    常见的分类器有:softmax分类器,logistic分类器,boosting,Adaboost,SVM。其中逻辑回归(logistic回归),支持向量机(SVM)等常用于解决二分类问题;对于多分类问题,比如识别手写数字需要10个分类,常用的多分类方法有softmax。

     SVM(support vector machines,支持向量机),是一个二分类的分类模型。分类思想是给定一个包含正例和反例的样本集合,其目的是寻找一个超平面将样本正例和反例分隔开,并且使所有点中离超平面最近的点距离超平面有更大的间距。

     

    三.深度学习

     DeepFace

    DeepFace是CVPR2014上由Facebook提出的方法,是深度卷积神经网络在人脸识别领域的奠基之作。

    在人脸对齐方面,DeepFace模型采用了3D对齐的方式,并且使用传统的LBP直方图进行图片纹理化并提取对应的特征。对提取出的特征使用SVR(support vector regression)处理以提取人脸及对应的六个基本点。根据六个基本点做仿射变换,再根据3D模型得到对应的67个面部关键点,根据这些点做三角划分,最终得出对应的3D人脸。

    DeepFace在训练过程中采用的是一般的交叉熵损失函数,并且采用一般的softmax对训练的数据进行分类,只不过从特征向量产生到用来分类的过程中使用了一些内积、卡方距离或siamese的度量方式来计算相似度,用相似度来进行训练产生分类器。

     

    具体对齐流程如下:

    (a)检测出人脸和对应的六个基本点

    (b)二维对齐后的人脸

    (c)使用狄罗尼三角划分在2D人脸上划分出67个关键点,并在边缘处采用添加三角形的方式避免不连续

    (d)标准3D人脸模型(转化为2D平面并和原始2D图片进行比较时所需要的)(通过标准3D人脸库USF生成的对应的平均人脸模型)

    (e)标准3D脸转化为2D以及原有的2D做残差使用 时所需的变化,黑色部分表示不可见的三角形。对于不可见的三角形处理采用的是对称方式解决
    (f )通过3D模型产生的67个基准点进行分段映射使人脸变弯曲,对人脸进行对齐处理

    (g)处理生成的2D人脸

    (h)根据处理生成的3D人脸

    其中,c和f相比经过了标准3D人脸转化为2D人脸时的残差处理,此时主要是为保证在转化过程中特征的保留。e的作用是为了显示在处理过程中3D-2D转化为何是通过三角形的仿射变换进行的,由e可以看出处理后的人脸是一个个的三角形块。

     

    该模型对对齐后的人脸采用CNN结构进行处理,具体网络结构如下:

    具体的卷积计算过程为:

    c1:32个11X11的卷积核,参数共享

    M2:3X3的池化层,stride=2

    c2: 16个9X9的卷积核,参数共享

    L4: 16个9X9的卷积核,参数不共享

    L5: 16个7X7的卷积核,参数不共享

    L6: 16个5X5的卷积核,参数不共享

    F7: 全连接层4096维(提取出的人脸特征)

    F8: softmax分类层。4030是因为训练采用的LFW数据中包含4030个people。

    (参考自:https://blog.csdn.net/hh_2018/article/details/80576290)

     

    FaceNet

    FaceNet是Google公司提出的一种新的人脸识别的方法,该方法在LFW数据集上的准确度达到了99.6%。

    FaceNet是直接学习图像到欧式空间上点的映射,其中,两张图像所对应特征在欧式空间上的点的距离直接对应着两个图像是否相似。

    FaceNet结构如下图:

    Batch:指输入的人脸图像样本,这里的样本已经经过人脸检测找到人脸并裁剪到固定尺寸。

    Deep architecture:指的是采用一种深入学习架构,例如ZF网络、GoogleNet等。

    L2:指特征归一化(使其特征的,这样所有图像的特征都会被映射到一个超球面上)    

    Embedding:就是前面经过深度学习网络,L2归一化后生成的特征向量(这个特征向量就代表了输入的一张样本图片)

    Triplet Loss:有三张图片输入的Loss,直接学习特征间的可分性:相同身份之间的特征距离要尽可能小,不同身份之间的特征距离要尽可能大。

     

    对于Triple loss的示例:

     

     我们可以看出,通过学习,类间的距离比类内距离大得多。

     

    DeepID

    DeepID模型是人脸识别中主流的模型之一,DeepID所应用的领域是人脸识别的子领域——人脸验证,即判断两张图片是不是同一个人。

    DeepID的结构图如下:

    该结构与普通的卷积神经网络的结构相似,它采用4层卷积网络,3层池化层,1层全连接层,全连接层得到的是160维特征向量。但是在隐含层,也就是倒数第二层,与最后一层卷积层和最后一层池化层相连。鉴于卷积神经网络层数越高视野域越大的特性,这样的连接方式可以既考虑局部的特征,又考虑全局的特征。

     

    DeepID2的结构图如下:

     

     

    DeepID2的结构与DeepID相似,有4个卷积层,3个池化层,1个全连接层。全连接层得到的是160维特征向量。最后一个卷积层和最后一个池化层均和最后的全连接层直接相连。

     

    DeepID与DeepID2两种网络的区别主要在于:

    DeepID是根据结果(160维向量)直接进行分类训练,分类的目标向量(做比较的向量,真实值)采用0-1法生成。此时仅仅用到了身份的信息,利用分类结果来定义对应的损失函数并将数据按batch的方式传给训练过程。

    DeepID2对损失函数进行了修改。除了根据分类结果定义损失函数外,还根据鉴定结果(两张图片是不是同一个人)定义对应的损失函数。两个损失函数按照比重叠加作为最终的函数进行训练。其训练方式也不再是按batch传入,而是按照随机选取对应的图片对进行训练和更新。

     转载请注明出处。

    转载于:https://www.cnblogs.com/Night-Fury/p/10539155.html

    展开全文
  • 人脸识别实际上是一项起源较早的技术,但是在近期随着机器学习和深度学习理论逐渐发展、完善的过程中才得以焕发出新的生机。随着人工智能、大数据、云计算的技术创新幅度增大,技术更迭速度也随之加快,人脸识别作为...

    人脸识别实际上是一项起源较早的技术,但是在近期随着机器学习和深度学习理论逐渐发展、完善的过程中才得以焕发出新的生机。随着人工智能、大数据、云计算的技术创新幅度增大,技术更迭速度也随之加快,人脸识别作为人工智能的一项重要应用,随着这三辆“快车”的出现也随之发展,实现了大规模的“落地”。

    2006年,深度信念网络的提出,深度学习作为机器学习的一个单独分支而独立出来,成为一个新的研究领域。深度学习叫传统监督式学习的方法相比,尤其是经过GPU加速之后,深度学习程序的执行速度更快,足以满足工业场景中的算力要求。未来更多技术的出现和现有技术的发展,想必机器学习和人脸识的未来别会焕发出更加耀眼的光芒。

    下面,我们将从人脸识别的历史发展情况和当前的技术热点,来叙述人脸识别这项技术的发展历程。


    人脸识别的发展沿革

    人脸识别可以追溯到20世纪的五六十年代,经过了这近50年的发展已经日趋成熟,达到了投入生产的标准。

    最早,人脸识别的研究起源于心理学邻域,而不是计算机科学,在那个没有计算机的年代也只有能展开这样的研究。在20世纪50年代,学者们尝试从人的心理层面解读人对另个人人脸的认知,除了从感知与心理学的角度来研究人脸的识别原理,同时也从生物学角度来研究的学者。但真正与我们当今所说的人脸识别相关的研究,实际上起源于20世纪70年代。

    我们将人脸识别技术的发展里程化为三个阶段:

    1. 起源于20世纪70年代的半机械识别方法
    2. 20世纪90年代末,以人机交互识别为主的阶段
    3. 当下能够让机器自动识别人脸并比较、匹配、判断

    第一阶段:半机械识别方法

    这一时期的代表性论文是Parke等发表的《Computer generated animation of faces》,在他的论文中,首先提出了用“人脸灰度图模型”来识别人脸的办法,应次Parke等人成为这一阶段人脸识别邻域的代表性人物。

    第二阶段:人机交互识别

    人脸识别技术在这一阶段有了进一步的发展,研究者们成功的使用算法完成对人脸的高级表示,或者可以一一些简单的表示方法来代表人脸图片的高级特征。例如AJ Goldstein、LD Harmon、AB Lesk在论文《Man-machine interation in human-face identification》中使用的几何特征参数表示人脸的正面图像;Kaya等人在论文《A basic study on human face recognition》中使用的统计学方法,他们以欧式距离作为人脸特征;学者Kanade实现了一个半自动回溯识别系统。但是这部分研究结果仍然需要工作人员的参与,即“半自动化”的识别方式,还无法实现“全自动化”的人脸识别。

    第三阶段:全自动人脸识别

    一直以来半自动化的人脸识别依旧脱离不了人力,其缺点一直为人们诟病。虽然90年代实现不了完全自动的人脸识别,“只有完全依靠机器、脱离人工操作的人脸识别才算得上真正的人脸识别”仍是学者和业界内的共识。当然,当今”全自动人脸识别“的达成离不开机器学习和深度学习的发展。

    早期的人脸识别与我们印象中的人脸识别并不太一样,一般按照几何特征的相关匹配方法较多,在模型设计上会引入一些先验知识。除此之外,会有基于统计学和基于子空间的识别方法,如著名的”特征脸“一词就属于这个范畴。

    到”人工神经网络(Artifical Neural Network,ANN)“概念提出以及发展并到广泛应用的时候演化出列各种模型和和人脸识别的的新方法,它属于深度学习的范畴。


    当下机器学习和深度学习的发展

    人脸识别是计算机视觉的一项重要应用,自从人工智能的概念被提出来后,计算机视觉就一直与它有着密切的联系。到了21世纪,计算机视觉已经成为一项重要的研究项目。国际计算机视觉与识别模式会议(CVPR)、国际计算机视觉大会(ICCV)等计算机视觉领域的顶级会议成为人工智能邻域的年度会议,地位举足轻重。在2006年Hinton提出了“深度信念网络”,再此诞生之初业界学者多认为它“不科学”、“没有太多的事实依据”。但是在飞速发展的今天,它已经成为了深度学习理论的标杆。2012年,AlexNet神经网络,一举将识别错误率下降到15.3%,与第二名的26.2%相比远远领先。

    深度学习的诞生为机器学习和人脸识别开启了一个全新的研究领域。此后,深度学习成为研究计算机视觉的一项强有力手段,在诸如人脸识别、物体检测方面广泛应用。深度学习的诞生、AlexNet神经网络的诞生使得计算机视觉、人脸识别发展到一个新的领域。


    END

    展开全文
  • 本文首先介绍了人脸识别技术的研究背景、国内外研究现状和应用场景;研究了Viola&Jones人脸检测算法的基本原理,并对其中涉及的Haar-like特征、积分图方法、AdaBoost分类器和级联的思想进行了阐述;研究了基于PCA...
  • 人脸识别发展史——.doc
  • 人脸识别发展趋势及应用领域分析 精品文档 精品文档 收集于网络如有侵权请联系管理员删除 收集于网络如有侵权请联系管理员删除 精品文档 收集于网络如有侵权请联系管理员删除 人脸识别发展趋势及应用领域分析 人脸...
  • 近几年,人脸识别技术在安防领域得到了广泛应用,随着技术的不断发展,它离我们的日常生活越来越近,手机、商场、公园等都可以看到它的身影。据相关分析报告显示,预计今年起人脸识别市场规模将保持20%左右的增速,...

    近几年,人脸识别技术在安防领域得到了广泛应用,随着技术的不断发展,它离我们的日常生活越来越近,手机、商场、公园等都可以看到它的身影。据相关分析报告显示,预计今年起人脸识别市场规模将保持20%左右的增速,到2022年,全球人脸识别市场规模将达75.95亿美元。可以说,未来几年将是人脸识别技术成熟与普及的关键之年。

     

    人脸识别,也叫面部识别,是一种基于人的脸部特征信息进行身份识别的生物识别技术。它用摄像机或 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。

     

     

    国内主流的人脸识别企业与特点

    目前在全球范围内,从事人脸识别技术的企业很多,国外知名的有google、facebook、斯坦福、卡耐基等;国内这些年也涌现了很多实力派,如海康威视、科大讯飞、商汤科技、云从科技等。

     

    国内这些主流的人脸识别企业,技术方案各有特点。如海康威视的人脸识别技术,其人脸识别系统在识别准确率上非常不错,前端智能-深眸、分布智能-超脑NVR、中心智能-海康脸谱,均融合深度学习算法,前后端深度智能为人脸大数据应用提供有力支撑。

     

    人脸识别系统广泛应用于平安城市、交通枢纽、智慧医疗、商业连锁、银行、学校、园区、边检等各行各业。

     

    科大讯飞的人脸识别技术在准确率上做了很多突破性研究,其离线人脸识别和视频流检测技术也颇有亮点,离线人脸识别在检测到的人脸框中,进一步定位人脸的五官和轮廓位置,目前采用关键点21点模型定位位置,人脸关键点的平均精确度高达96%;视频流人脸检测和关键点检测、静态图片中人脸检测支持离线状态下使用,在提高响应时间上表现出色,此项技术可用于图片编辑等领域。

     

    其人脸识别技术在考勤系统、远程认证、门禁系统、娱乐应用等众多领域广泛应用。

     

    商汤科技的人脸识别技术表现在对视频流人脸校准方面,准确度和延迟都很好,人脸识别算法也是其优势之一。据OFweek人工智能网获悉,商汤科技曾在国际权威人脸数据库LFW中,其人脸识别准确率首次超越人眼。针对安防领域,它推出了静态人脸比对系统SenseTotem(图腾),以及动态人脸比对—SenseFace。图腾是一套以图搜图系统,可通过采集监控录像中的人脸截图,比对搜索目标库中标准人脸照片,帮助干警快速确认涉案嫌疑人员的身份,而SenseFace用于在飞机场、火车站等公共场合的大规模视频监控系统中的实时大库人脸识别,可提供在监控视频中实时抓拍人脸、属性识别、重点人员轨迹还原等功能。

     

    其人脸识别技术除了应用在金融、门禁、无人驾驶等,如小咖秀、熊猫直播等这些热门应用所提供的各类面部AR特效,背后都来自商汤提供的技术支持。

     

    云从科技的人脸识别技术很有特色,其人脸识别技术采用结构光活体防攻击检测,在提升准确率上有很好的效果。结构光技术”的3D人脸识别系统在精确度、响应速度与活体检测方面得到了革命性突破。3D结构光人脸识别技术能够广泛的应用在物联网、移动互联网、银行、安防、交通等各个需要人脸识别的场景,可以更好的提升攻击预防效果,全面提升人脸识别准确度,结合云从最新的算法,能够在一千万分之一误识率下达到99%以上的准确率。

     

    其人脸识别技术广泛应用于银行、公安系统、商场等,并与公安部、国有大型商业银行、证通股份、民航总局建立联合实验室,推动人工智能产品标准的建立。

     

     

    当前国内人脸识别技术在市场普及上面临的痛点

    就当前人脸识别最普及的领域而言,安防、银行和公安系统上应用最广。未来人脸在很多领域都可以大放异彩,这取决于技术的突破与创新。就国内当前的现状而言,人脸识别在市场普及上面临着两大痛点。

     

    一、商业模式有待改进

    一项新技术的普及与很多因素有关,作为企业而言,成本控制与盈利才是其目的。而人脸识别技术门槛高、投入大,短期内的应用场景又很有限,因此很多企业在布局上显得犹犹豫豫,想让人脸识别技术像网购一样进入千家万户,一个好的商业模式至关重要。

     

    在普及人脸识别技术上,国内很多公司也做了很多努力,如百度曾推出过一个叫脸优的产品,它是百度在人工智能技术上的一个尝试性应用,有人认为这个应用的推出让手机APP从“模式时代”突破到“术时代”。 因为该应用连接的不只是用户与未来的商业模式,更多的是连接了百度的人工智能以及人脸识别等技术,有着足够高的技术门槛,实现难度大。阿里巴巴、腾讯等互联网巨头也曾尝试基于人脸识别技术的商业变现,但效果均未达预期。

     

    二、当前的人脸识别技术仍有进步空间

    当前的人脸识别系统主要包括四个组成部分: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。随着未来数据的增长,在数据匹配,将面临着更大的挑战。

     

    人脸识别用途很大,但目前人脸识别技术有很多不足,如对周围的光线环境敏感,可能会影响识别的准确性,在面对黑暗、相似等复杂场景,识别率表现不佳。

     

    近几年虽然国内企业在人脸识别技术取得了一定的成绩,但还是有很多方面需要努力,如透过车窗玻璃识别人脸、夜间识别、红外识别等这些技术仍待企业去研发。

     

    当前人脸识别技术可从哪些地方改进?

    人脸识别技术要取得进步,这得从它的几大关键技术点上寻求突破,人脸识别的几大关键技术包括:

     

    基于特征的人脸检测技术——通过采用颜色、轮廓、纹理、结构或者直方图特征等进行人脸检测。

     

    基于模板匹配人脸检测技术——从数据库当中提取人脸模板,接着采取一定模板匹配策略,使抓取人脸图像与从模板库提取图片相匹配,由相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。

     

    基于统计的人脸检测技术——通过对于“人脸”和“非人脸”的图像大量搜集构成的人脸正、负样本库,采用统计方法强化训练该系统,从而实现对人脸和非人脸的模式进行检测和分类。

     

    从技术层面,人脸识别改进的办法可从上述三个方面。任何一个细节技术的突破都可能带来识别率的提升改进。

     

    除了上述三个技术层面改进人脸识别,也有很多上游企业在做人脸识别技术改进的研究,如通过在元器件上的改进,提升人脸识别准确率。

     

    用于用户脸部或眼部的红外补光光源不但需要足够亮而且要均匀,这对于人脸识别和眼部跟踪系统而言尤其重要。欧司朗最新的Synios P2720使用波长为940 nm的红外线,可减少红爆。之前红外摄像头对850nm的红外光源有着最好的灵敏度。

     

    据了解,这款IRED专为二维人脸识别而设计,是欧司朗光电半导体的现有生物识别产品线里的最新成员。

     

    人脸识别主要的研究方向及发展前景

    随着大数据、共享时代的来临,数据安全问题也越发被重视起来,以人脸识别为代表的新一代技术革命已经展开。这些对技术的要求越来越高,既要求数据的准确性,又要保证数据的安全性,人脸识别在这方面大有可为,作为行业的主力军,企业的技术实力与创新能力决定着整个产业的走向,任何一点点技术的创新都可能带来行业的变革。

     

    未来人脸识别的主要研究方向将围绕目前面临的一些问题,如人脸面部结构的相似性、人脸的姿态、年龄变化、复杂环境的光照变化、人脸的饰物遮挡等。

     

    人脸识别的发展并非只受制于自身的技术,与整个产业息息相关。为了让人工智能早日普及,很多企业也在积极布局人脸识别,这其中既有BAT互联网巨头,也有为人脸识别提高光学器件的企业等。马云投资人脸识别技术公司旷视科技与商汤科技;腾讯成立优图实验室,专注于图像处理、深度学习等领域开展技术研发;百度也成立了人脸识别团队,研发核心技术。近日,光学巨头欧司朗收购美国企业Vixar Inc. 加强3D面部识别技能,积极改进人脸识别技术;通过引入Vixar在垂直腔面发射激光器(VCSEL)方面的技术,欧司朗将掌握更多包括超精密3D面部识别在内的安防技术,这些技术不但能用于解锁智能手机和消费类电子设备,还能应用于需要更高安全访问控制的工业领域。

     

    依托于物联网与人工智能的快速推进,人脸识别应用场景会越来越广泛。随着国家科研机构的研发投入、企业对技术的钻研、市场的推广等,这些都将是人脸识别美好前景的征兆。据业内分析人士认为,未来人脸识别或成为有效身份识别主流,届时,人脸识别就不是什么新鲜词了。

    展开全文
  • 人脸识别,特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域,它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。  走近人脸...
  • 人脸识别国内外现状及发展

    千次阅读 2019-11-05 09:23:02
    分几个方面分别的论述一下人脸识别的技术和产业发展的相关状况。 第一,人脸识别技术的价值在哪里。我们把人脸作为一个生物学特征,作为一个商业化运用,只是备选的一个方案之一。生物学当中,唯一的判断的标准,...

    分几个方面分别的论述一下人脸识别的技术和产业发展的相关状况。 

    第一,人脸识别技术的价值在哪里。我们把人脸作为一个生物学特征,作为一个商业化运用,只是备选的一个方案之一。生物学当中,唯一的判断的标准,其实识别从精准度的角度和不可替代的角度来讲,最精准的是虹膜,但是虹膜的识别采集成本非常高,识别的效率相对不是很高,需要等待的时间。所以这两个条件约束了整个的产业化运用只能局限在相对小众的,对识别要求极高的军工、国防等安全性非常高的远的投入,不适合大范围的推广。 

    第二,指纹。我们知道指纹的唯一性比较强,指纹同时采集成本是比较低的,比对成本也不高。但是为什么指纹没有成为一个特别大的可供支付、刷脸可替代的方案呢?实际上主要的原因是因为指纹的可复制性,是一个静态图像之间的比对,现在我们可以看到淘宝也好,各种各样的大量的指纹贴,指纹膜,可复制的特征,不适合支付。所以指纹现在也大致上被pass了。 

    第 三和第四分别是人脸识别和声音识别技术。这两个在现在横向来相比,采集成本和比对的效率,以及生命特征的唯一性来讲,性价比比较高。所以现阶段来看,人脸识别浮出水面,是有它的道理的,这是它的价值。商业特征的应用场景到底在哪里。 

    人脸识别的应用场景是非常宽泛的,现在主要两块, 一个是金融行业,一个是安保行业 。金融行业,已经从马云的蚂蚁金服演示中看到了场景,通过 刷脸进行支付 ,显然刷脸可以付钱了,为什么不可以签收快递呢,下一步淘宝应该会把淘宝签收快递的功能打通。我相信有一天,我们会收到无人机送来的快递,无人机在你的面前拍一张照片,进行对比,就知道这个用户就是需要的用户,完成整个的支付过程。实际上这种场景,是经过多方面的讨论和认证的。基于这样的场景,是跟第三方的支付认证相关的,包括我们看到的腾讯的银行,第一张远程开卡,就是通过人脸识别的技术,把人证合一进行认证,这样远程开户,远程开卡的功能,在我们的券商,在我们的网络银行上面,应该有广泛的应用。 

    对于安保行业来说,刷脸开门,现阶段,人脸识别的应用应该说达到了一个可具备商业化的水平,我们举个例子,在去年的时候,香港有一个导演叫许鞍华,他在南京地铁中丢了一个他的皮包,这个案件的破获,只花了5个小时。视频监控里面获取了一张照片截图,截到了嫌疑人的照片,是极其模糊的,侧脸的照片,如果肉眼比对,发现不了什么。但是有一家非上市公司,在这里不能提供他的公司名称,他们通过一个图像还原技术,把那个照片还原出可能嫌疑人的样子,清晰照,用这个照片到图库当中比对,锁定嫌疑人的身份,把嫌疑人抓获,只需要了5个小时的时间。现在安防领域的监控,我们可以看到各个省市以及地级市,都在上大量的视频监控,人脸识别的大平台。在整个安防的投入当中,上一代的安防只是静态的记录下来数据,但是下一代的安防,是对实时数据的采集、辨认,就是一个核心的技术,这个技术,人脸识别在其中发挥的作用是很大的。 

    我 们再拓展一下,未来的商业用途,到底有没有第二代人脸识别技术的潜在的应用的场景呢。我们说在未来,应该说原来整个确定身份的身份证,但是证和人的比对需要人工来完成。如果我们直接界定,达到了这样的一个标准,实际上每个人所对应的唯一的ID就是脸部的生物特征。这个识别了以后,所有的地方都可以用刷脸的方式,所有的地方都可以用刷脸去开门,用刷脸去做各种各样的事情。你刷脸的数据,包括你去坐火车、坐飞机、去哪儿吃饭、购物、收快递等等,这些数据都会掌握到人脸识别中,刷脸的数据将取代现在线上的点击量. 

    现在信用卡、银行卡消费的数据,其实有助于知道用户消费习惯和消费数据,做大数据的营销和征信,但是刷脸时代来临之后,这个的价值更大了。有很多张卡,但是只有一张脸,这是唯一的。刷脸数据是2.0时代当中,我们重点看到的。 

    为什么在这个时间段,人脸识别的技术会大范围的爆发出来,大范围的应用起来,成熟度到底怎么样呢?我们首先要界定一下人脸识别技术要达到产品化的应用,是两阶段的过程。 第一阶段,需要获取大量的样本数据,这些数据是用于训练的,训练的是学习算法,这个是深度学习算法,把这些数据和相互人之间的关系提取出来,进行一个特别的比对。耦合度高,超过一定的水平之后,我们会认定这两个人是一个人,但是这个模型是需要投入大量的成本,这个成本包括优化的成本,包括数据训练的成本,包括运算的成本 ,我们当时人脸识别的一个业内的公司,这家公司的创始人,曾经说,人脸识别的技术意味着什么呢?太上老君的炼丹炉,有了这个炉之后,大数据是炉子炼的原料,解决计算能力资源的稀缺。因此这些合在一起,形成了现在人脸识别大爆发的时代,就是我们说的技术上的突破。 

    但是在产业上面的应用来看,目前我们可以看到,美国和以色列的人脸识别,特别是动态识别的水平是国际领先的。全网的实时监控当中,FBI在去年推出了他们的下一代的电子识别系统,总的投入是超过10亿美金的。在美国将来无论是在什么地方犯了事,监控锁定犯罪嫌疑人,进行全网追捕。 

    国内是什么水平呢?顶尖的学术水平,就代表着国内产业发展的阶段。目前主要是三种力量,一个是 清华大学的苏光大教授 ,他是中国的人脸识别之父。第二个是 中科院的自动化所的李教授 ,他早年在微软的亚洲研究院当中获得了非常高的成就,后来到了中科院的自动化所,专攻人脸识别。在奥运会当中,以及后来很多的人脸识别的应用当中,提供了比较好的技术。 第三支就是 香港中文大学的汤晓鸥教授 的团队,每年会进行学术界的比赛,他是高记录的保持者。目前的识别率是超过了人类的脸部识别的总体水平,汤教授帮助讯飞在语音识别领域之后,在人脸识别的领域当中,建立了自己的行业地位。所以国内基本上目前是这样的发展阶段,我们去推导下面的阶段,我们怎么去甄别人脸识别的技术,到底哪一家靠谱,哪一家不靠谱,我们可以提出一些关键的甄别的关键点。这些点在哪里呢? 

    第一,我们要区分的,动态和静态配合式的识别还是非配合式的识别。配合式的就是像蚂蚁金服那样的,需要数据的比对方进行配合,可以很好的去采集正脸的二维的数据。另外,就是非配合式的,非配合式的没有办法对排除方的配合,是需要随机采集的图片进行比对,这个识别的效果会差一些,但是识别的时效性会很高。 
     

    这两种模式当中,我们关注三点。

    第一点,你的人脸建模当中到底提取了多少个特征点进行比对,这个跟我们人脸上面的一些特征是关键节点,每个人的差异很大,而你选取的特征点的数据越多,比对的准确率就会越高。我们也采访了一些专家,他们目前能够做到的特征点的比对,应该是在700个点以上。目前大部分做刷脸的门禁这样系统产品的公司,特征点的选取大概是在50个左右。所以我们去做调研和交流,可以问一下整个公司人脸识别建模当中特征点的数量。


    第二点,人脸识别数据库的数据样本和大小,这是一个非常重要的指标。样本及大小,是我们可供的数据集,这些必须要对人脸,比如说一个人有500张照片,拍的都是他的脸,不同的角度和位置、光线,把这些数据进行合理的清洗,供机器去训练包括比对和识别之后,可以告诉你是识别对了还是识别错了,这样的样本数非常重要,有助于训练,提高模型的准确率。因此可标签的数据样本集的大小,这个大小目前至少是百万以上的级别,才会使得现在识别率能够提升到世界领先的水平,这个也是可以甄别的关键点之一。 

    第三点,是不是你的商业模式能够对你的整个的数据的获取,我们说人脸数据的比对,形成一个 正循环的模式。实际上数据来源,人脸的样本来源,是来源于两个非常重要的渠道,美图秀秀和美颜照相机,这是一个商业的互换,这个数据,因为考虑到做一个脱敏的处理,剩下的只有几百个关键的特征点的数据,其他的都被略去,用脱敏的技术之后,形成了从获取数据到训练模型,再到优化模型,持续的反馈结果,获取新的数据,这样的一个正循环的过程。有了这个以后,你的模型的数据就会获取的很好了,这是商业模式上非常重要的一个指标。 

    如果有了这三个指标之后,应当说同时具备了这三个,可能是在人脸识别领域当中有非常大的领先优势,或者是未来发展潜力的东西。同时我们在直观的性能方面去分析,直观的到底识别的表现上有两个非常重要的指标,一个是识别的准确率,我们界定了刚才说的学术界当中,每年一比的人脸识别大赛,现在基本上测试水平都在95%以上,但是是人和图片之间相互比对,说明是这个人,这算一个,再比对一个,又对了,算第二个。所有的人和照片都是匹配好的,最后正确率在99.2%左右,这是我们说的目前的正常的比对方法。 

    还有一个非常重要的方法,我们看到商业银行和淘宝在内的一些人脸识别的技术,会提出一个 错误率 的问题,这个数据,目前来看可以做到十万分之一的错误率,别人拿着我的身份证去比对,如果机器能够区分出来,是不通过,这是对的。如果机器把我的身份证给别人的时候也通过了,这可能就是一个错误的,错误率要在十万分之一左右才可以,目前能达到这样错误率的公司是屈指可数的,这是一个识别准确率的问题. 

    另外还是在多大样本中可以实现这样的准确率,这个是至关重要的。一个公司里面也就是两三百个人,在这些人当中,挑选出来通过,没有什么难度。但是在公安部的大平台当中,省级的平台当中,都是上亿人的身份证照片中,要准确的挑出来十个或者是一百个候选人,这个范围缩小到这个概率当中,你的准确率能有多大,这是一个很重要的指标。 

    第二点, 识别的速度问题 。同样还是刚才我们说到的样本集的大小决定了识别的速度。本身你在可供比对的样本中,没有很大的数据,比如说是成千上万的,识别的数大家都是差不多,都是在1秒之内作出反映,但是如果在一个上亿的大的样本当中,去把照片准确的识别出来,这样对时间的要求,对效率反映的要求就提高了。所以识别速度是一个很重要的指标。 

    以上我们说了五个指标,我们说这个确实是可以对公司的具体能力和技术进行综合判断的。 

    基于以上我们说的这些,关注的公司是有识别技术的公司,这个识别技术是人脸识别的技术。我们前面讲了,本身国内发言的几支学术界的力量大家非常清楚,来源于哪一支,背靠着哪一支强大的学术团队,研究团队的力量,使得这家公司是一个很好的位置。比如说我们前面讲到的科大讯飞,在汤晓鸥教授的支持下,他们的团队是学术界第一的力量在支持他们,这是一个资源性的优势。比如说川大智胜,这个和李教授他们有密切的合作,同时他们自己在图象识别领域当中,也有自己独特的技术,承担着国家大量的科研基金的项目,同时我们也特别强调一个就是川大智胜的人脸识别技术,是目前我们看到的 人机交互 ,因为这个和二维的平面识别有很大的区别,优势非常明显,因为采集到了五官之间立体曲面之间的结合,所以采集到的数据量更丰富。可供比对的特征也是更多的,我们之前在视频当中找到拍到的侧脸,不清晰的照片,很难去识别出来犯罪嫌疑人到底是谁,是因为我们二代身份证库当中,本身就是只有正脸的可供比对的数据。三代或者是四代身份证采集数据的过程当中生物特征肯定要被提取出来,首先是指纹,三维的人脸识别会更快,三代四代可能就会被提取。 

    一旦需要被提取到三维的人脸的数据,那么这个时候川大智胜作为国内目前唯一一家有产品和技术的公司,面临的是广阔的市场。但是我们同时也要看到,三维人脸识别虽然有非常惊人的优势,同时劣势也是非常明显的,特征点的选取,包括侧脸的选取,是有难度的。同时表情的因素,其实对于数据处理的影响,没有在立体表情的因素那么好,提取的时候效率是偏低的,消耗的数据也非常大。所以现在来看,我们能够看到的应用场景目前还是小范围的,包括像美国对犯罪的有案底的犯人,我们国内目前在监狱当中也逐步的推广,将来全民都要采集,这肯定是一个非常巨大的市场。 同时这家公司在人脸识别公司当中,技术特点和现在持续的对三维人脸识别加码,有一个项目是1.8个亿,要投入到研发当中,国家自然科学基金也已经持续的支持他们三维人脸识别的学术研究的项目,已经支持了很多年。所以在这个领域,应该是到了开花结果的地步。所以这一点,我们特别提示大家要关注这个公司,在技术上确实是有稀缺性的。 

    科大讯飞,就是典型的我们刚才讲的商业模式,可以实现人脸识别数据正循环的公司,是拥有互联网端的入口的。之前在语音的领域当中,讯飞语音云走的就是这样的模式,我获取的是你语音的数据,用你的数据持续的训练我后台的算法,使得他们提升和保持和其他竞争对手的领先优势。这样的话,数据端的循环,从语音的这个领域当中,复制到图像识别,就是人脸识别当中。大家如果关注讯飞,大家可以看到,在上个星期的时候,推出了双重生物特征的识别的因素,双重是什么呢?两重加密以后,确实就是这个人,把出错的概率降到非常低的水平。同时识别,双重加密之后,这个身份验证的过程可以做到数量级上面的提升。 

    有了这样一种开放云的平台之后,讯飞的数据正规化的过程也在逐步的建立,他下一步会和非常多的第三方的应用方合作,包括可以刷脸开锁的智能硬件方面,包括和电话银行,电话客服,还有邮箱去实现他的数据入口的正循环的过程。我们核心的问题就是以上的这样的一些判断的标准来去甄别的。我认为讯飞实际上是非常有希望的人脸识别的公司。我们在报告当中,也提到了讯飞是一个生态级的公司,不光是在人脸识别的这个领域当中有比较强的资源优势和技术优势,以及商业模式的优势。同时在我们整个的人工智能领域当中,讯飞超脑可以不断的用它孵化,基于学习的模式,从语音迁移到现在的图像,下一步迁移到语义当中,不断的做技术的衍生,这样的生态链一旦形成的话,在人工智能产业的地位是不可动摇的。所以人工智能整个的产业,我们想推的是科大讯飞。 

    人脸识别的领域当中,讯飞的优势也是非常明显的,同时我们也是看好川大智胜拥有的三维人脸识别的技术。其他的品牌公司,我们可以看到欧比特收购的公司,在安防领域的人脸识别当中,在监狱当中是超过50%的,在产品化方面也做的非常好。其他的两家,刚刚推出了自己的识别技术,现在了解的信息当中,还没有办法很好的甄别他们现在是否拥有满足我们以上的五个标准。在以后的调研和跟踪当中,我们会对他们的标准进行梳理和进一步的分解。这是对识别类公司的分析. 

    下一个阶段,我们觉得还有比较好的投资机会,除了第一类识别类的,第二类应该是数据资源类的,数据资源目前来看就是视频资源,有比较好的视频资源的公司,可以通过视频资源进行持续的深度学习的算法和优化,也许他自己没有这个技术和能力,但是可以通过技术合作的方式,找到研发团队或者是公司进行合作,共同开发优势。目前在视频资源当中的这些公司进行梳理的话,我觉得东方网力在这个当中步子迈的最前。目前产品端还是没有关于人脸识别成型的产品推出来,但是他的应用是在于多年的视频数据的积累。这个是和后期有密不可分的关系。先收购了广州的安防领域的视频监控的智能化的公司,这个步子一迈出去,布局的意图非常的明显。摄象头公司会往视频的公司侵占,后面的公司将来可能会往存储的环节去挤压,有可能将来会把分析和存储在一个环节当中就完成了,这个时候面临的压力是比较大的,所以转型的动力也是最迫切的,意愿也是最强烈的。 

    所以总体总结下来,现在人脸识别技术大爆发,并不是偶然的,应该说很好的满足了我们讲的人工智能的三大条件。深度学习的算法,大数据和云计算,这三个条件成熟了以后,在拐点到来的时候,大规模的商业化应用是水到渠成的。下一个阶段,基于计算机视觉的应用,在视频监控领域当中,对人的行为模式的识别、跟踪和分析,这些都会成为一个非常大的市场,成熟度还有待于进一步的检验。但是这个市场我们已经都看得到了,所以现在我跟大家探讨人脸识别的产业的发展机会,我觉得其实大家需要关注的不仅仅在于人脸识别技术本身的发展,也不仅仅在于哪几家上市公司拥有哪几项技术,而是看到背后代表的是整个计算机视觉的兴起。 

    人工智能报告当中也提到过,计算机视觉的1.0版本,是对静态图像的识别,2.0版本,肯定是动态视频内容的理解和学习,包括像谷歌的无人驾驶汽车,包括报告里面提到过的以色列的那个公司,也是纳斯达克上市的,他们用计算机视觉的技术实现了汽车的辅助的无人驾驶。在这个领域当中,实际上计算机视觉可供开发的应用非常丰富的。现在还有一个法律的问题,就是允许不允许无人驾驶的汽车上路,合法不合法的问题,大家不用担心这个问题。因为这个公司IPO的时候,这个公司的CEO说过一句话,他说现在还在担心无人驾驶的汽车上路合法不合法,但是我可以肯定的告诉你,十年以后,人开车上路是不合法的,这肯定是一个大的方向和趋势。这就是我从人工智能的领域延伸出来的,人脸识别只是一个点,更多的还有待于大家去一点一点的发掘。

    展开全文
  • 人脸识别发展和基础概念

    千次阅读 2019-05-15 22:19:37
    人脸识别,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识别的一系列相关技术,通常也叫做人像...
  • 一文看懂人脸识别技术发展脉络

    千次阅读 2019-04-30 22:28:07
    来源:InfoQ人脸识别可以说是人工智能领域中成熟较早、落地较广的技术之一,从机场、火车站的安检闸机,到平常用户手机中的“刷脸”支付,人脸识别技术已经深入到我们的生活当中...
  • 活体检测是人脸识别发展的关键技术,也是在实际应用中的重要保障,更是深度算法的重大突破。随着深度学习方法的应用,移动端人脸识别技术的识别率已经得到质的提升,目前我司的移动端人脸识别率已经达到99%。移动端...
  • 人脸识别算法的简单发展历程

    千次阅读 2018-12-07 15:57:22
    由于之前长期从事NLP相关工作,对图像领域的知识积累极少,鉴于此次工作需要做一些人脸识别的事情,查阅了一些资料,对人脸识别算法有了简单的了解,总结下,希望能够帮到想快速浏览人脸识别算法的小白们啊!...
  • 简要回顾了人脸识别技术的研究背景及发展历程,总结了近三四年人脸识别方法的研究进展,根据三维人脸重构方法的数据来源不同,将其分为基于静态图像和视频序列的三维重构技术。重点对目前多特征和多模态识别技术进行...
  • 在实际生活中,人脸识别的市场需求在不断增加,随着市场需求增多,人脸识别技术也逐渐发展成熟,原有的人脸识别应用领域在不断被打破。原来人脸识别大多用在社区门禁中,现在人脸识别在逐渐应用到手机支付和解锁功能...
  • 深扒人脸识别60年技术发展

    千次阅读 2018-06-29 19:12:05
    深扒人脸识别60年技术发展史单“他来听我的演唱会,门票换了手铐一对”。最近歌神张学友变阿SIR,演唱会上频频抓到罪犯,将人脸识别技术又一次推到了大众的视线中。要说人脸识别技术的爆发,当属去年9月份苹果iPhone ...
  • 人脸识别技术发展及实用方案设计

    万次阅读 2018-01-10 10:31:35
    作者:汪彪,阿里iDST视觉计算组算法专家 人脸识别技术不但吸引了Google、Facebook、阿里、腾讯、百度等国内外互联网巨头的大量...本文试图梳理人脸识别技术发展,并根据作者在相关领域的实践给出一些实用方案设计,期
  • 人脸识别技术的发展前景是怎样的? 智能时代已悄然到来,"刷脸"逐渐成为了新的风潮。在人脸识别技术商业化应用领域不断扩张的趋势下,"刷脸"办事正愈发常见。人脸识别,是基于人的脸部特征信息进行身份识别的一种...
  • 人脸识别技术发展现状及未来趋势

    万次阅读 多人点赞 2019-02-20 10:05:40
    人脸识别技术商业化应用领域不断扩张的趋势下,"刷脸"办事正愈发常见。  人脸识别,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...
  • 随着技术升级,生物识别技术已经...而近些年越来越火的人脸识别更是在证明你是谁的同时为我们的生活带来了各种便利,其最大的优势在于简单便捷,同时比指纹识别的安全性高出20倍。 随着人脸识别技术不断成熟和计算...
  • 近年来,随着人工智能、计算机视觉、大数据、云计算、芯片等技术的迅速发展人脸识别技术取得了长足的进步并且在众多场景中得以成功应用。 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,包括人脸视图...
  • 用MATLAB实现人脸识别

    万次阅读 多人点赞 2021-02-26 21:08:56
    1、人脸识别技术的细节 一般来说,人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身份的人脸图像,以及人脸数据库中的若干已知身份...
  • 基于MATLAB的人脸识别研究 【摘要】深入分析了主成分分析(Principal Component Analysis,PCA)方法的基本原理,PCA方法最显著的优点是能用低维特征向量来估计原始样本,基于此特点将它用来实现对人脸的识别。...
  • 深度学习的人脸识别技术发展综述 转载地址 目录 前言 人脸识别方法 总结 前言 LFW数据集(Labeled Faces in the Wild)是目前用得最多的人脸图像数据库。该数据库共13,233幅图像,其中5749个人,其中1680人...
  • 人脸识别文献综述

    2011-12-20 17:40:35
    本文对人脸检测和识别的各种方法进行综述,用于写毕业论文的文献综述比较好
  • 人脸识别以及考勤

    2018-12-07 23:44:24
    人脸考勤,人脸考勤是采用当今国际科技领域高精技术——人脸识别技术(融合了计算机图像处理技术与生物统计学原理于一体),利用计算机图像处理技术从视频中提取人像特征点,利用生物统计学的原理进行分析并建立人脸...
  • 人脸识别系统以人脸识别技术为核心,是一项新兴的生物识别技术,是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法,融合了计算机图像处理技术与生物统计学原理于一体,利用计算机图像处理技术从视频...
  • 随着计算机技术的不断发展, 人工智能开始应用在人类社会生活的方方面面。...本文将介绍人工智能中人脸识别技术的概念, 起源发展, 研究历程和实际应用。同时对于人脸识别的未来发展提 出了一些看法。
  • 人脸识别是人工智能在智能感知领域的一项重要任务,同时也具备巨大的实用价值。本文主要从人脸识别的起源、发展历程、主要方法、关键技术、主要应用和发展前景等方面对人脸识别进行阐述。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 37,178
精华内容 14,871
关键字:

人脸识别发展