人臉識別是一種依據人的面部特征，自動進行身份識別的一種生物識別技術，通常我們所說的人臉識別是基于光學人臉圖像的身份識別與驗證的簡稱。

人臉識別利用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉圖像進行一系列的相關應用操作，技術上包括圖像采集、特征定位、身份的確認和查找等等。

簡單來說，就是從照片中提取人臉中的特征，比如眉毛高度、嘴角等等，再通過特征的對比輸出結果。人臉識別的一般流程：

一、人臉采集：

不同的人臉圖像通過攝像鏡頭采集得到，比如靜態圖像、動態圖像、不同位置、不同表情等，當采集對象在設備的拍攝范圍內時，采集設備會自動搜索并拍攝人臉圖像。

人臉采集的主要影響因素：

圖像大小

人臉圖像過小會影響識別效果，人臉圖像過大會影響識別速度，圖像大小反映在實際應用場景就是人臉離攝像頭的距離。

圖像分辨率

越低的圖像分辨率越難識別，圖像大小綜合圖像分辨率，直接影響攝像頭識別距離。

光照環境

過曝或過暗的光照環境都會影響人臉識別效果，可以從攝像頭自帶的功能補光或濾光平衡光照影響，也可以利用算法模型優化圖像光線。

模糊程度

實際場景主要著力解決運動模糊，人臉相對于攝像頭的移動經常會產生運動模糊。部分攝像頭有抗模糊的功能，在成本有限的情況下，考慮通過算法模型優化此問題。

遮擋程度

五官無遮擋、臉部邊緣清晰的圖像為最佳，在實際場景中，很多人臉都會被帽子、眼鏡、口罩等遮擋物遮擋，這部分數據需要根據算法要求決定是否留用訓練。

采集角度

人臉相對于攝像頭角度為正臉最佳，因此算法模型需訓練包含左右側人臉、上下側人臉的數據。

二、人臉檢測方法

在圖像中準確標定出人臉的位置和大小，并把其中有用的信息挑出來（如直方圖特征、顏色特征、模板特征等），然后利用信息來達到人臉檢測的目的。關鍵點檢測是自動估計人臉圖片上臉部特征點的坐標。

主流方法：

基于檢測出的特征采用Adaboost學習算法挑選出一些最能代表人臉的矩形特征（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。

三、人臉圖像預處理

由于系統獲取的原始圖像由于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矯正、噪聲過濾等圖像預處理，并最終服務于特征提取的過程。

主要預處理方法有：人臉對準，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、中值濾波以及銳化等。

四、人臉特征提取

人臉特征提取就是針對人臉的某些特征進行的，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法：

1、基于知識的表征方法

根據人臉器官的形狀描述以及它們之間的距離特性來獲得人臉分類的特征數據，其特征分量通常包括特征點間的歐氏距離、曲率、和角度等。

人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和他們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。

2、基于代數特征或統計學習的表征方法

基本思想是將人臉在空域內的高維描述轉化為頻域或者其他空間內的低維描述，其表征方法為線性投影表征方法和非線性投影表征方法。

五、匹配與識別

提取的人臉特征值數據與數據庫中存貯的特征模板進行搜索匹配，通過設定一個閾值參數，將相似度與這一閾值進行比較，來對人臉的身份信息進行判斷。
責任編輯人：ＣＣ