动态人脸识别技术的难点与解决思路
扫描到手机，看更多国搜资讯
您可以用手机或平板电脑的二维码应用拍下左侧二维码，您可以在手机国搜客户端继续浏览本文，并可以分享给你的好友。
核心提示：作为一种比较新而且发展快的技术，并不是所有人都对这门技术有较为清晰的认识和理解。比如人脸识别技术的算法是怎样的，人脸识别技术目前发展到什么程度了，该技术对图像类别及质量有何要求，在实际应用中又有那些分类等等，这些问题姚委员为大家进行了比较细致的解答，并对动态人脸识别技术的系统构成和优势、动态人脸识别与常规监控的区别也进行了阐述。
全国安全防范报警系统标准化委员会、人体生物特征识别应用技术委员会姚若光委员
如地铁、高速公路卡口、车站卡口、超市反扒、边检、人群分析等等。因而很多厂家也生产了动态人脸识别技术的相关产品，如具有人脸识别功能的摄像机、人脸识别分析仪等等。但是林林总总的人脸识别产品给人以丰富的选择的同时也带来了相当大的选择困扰，到底如何选择人脸识别产品呢?哪些产品在人脸识别方面技术比较先进呢?
就这类问题，姚委员介绍了近期省公安局组织的人脸识别摄像机的测试，测试地点在东山口地铁站某扶梯口进行。在该测试中， 性能表现最好的摄像机为Basler黑白摄像机，在监控名单库1和库2时采用低清算法的性能表现最好。在监控名单库3时采用高清算法的性能表现最好，误报率在1%时漏报率维持在25%的实际可用水平。
参照国标《安全防范视频监控人脸识别系统技术要求》，该次测试监控名单库相当于C级(监控名单库容量为1万至10万人)，参加测试人员也基本满足于C级水平(注册测试人员多于10人，每人至少通过2次，即不少于200人次通过;非注册测试人员需为注册测试人员通过次数的2倍以上)。在该次测试中，没有达到一级的系统性能级别，二级系统性能级别有1个测试组合，三级的性能级别有28个测试组合，四级的性能级别有10个测试组合。(误报率在5%的情况下，漏报率小于5%的为一级，5%~20%为二级，20%~50%为三级，50%~70%为四级)。
从实际测试来看，用户的预期与当前的技术水平之间的差距还是比较大的。人脸识别技术在动态监控应用中面临的压力实际上也比较大。
1.用户希望正确报警率要求高。而现实是理论上来说必须接受高误报率。在技术方面，要达到高正确报警率，可以通过降低阈值来实现，但是降低阈值的代价是：高误报率。为了达到95%正确报警率，很多算法可能会产生300%或更高的误报率。
2.用户希望监控库足够大，往往要求数万或几十万，甚至上百万的监控名单，希望能捕到“大鱼”。现实是库容量大就必须接受高误报率。
3. 用户希望大规模成网建设，能够勾画出监控人员的活动轨迹。 现实是必须高投入，重新建专用网络和相关硬件。
4. 用户希望尽量使用目前的监控设备(摄像机和网络)。 现实是现有的摄像机清晰度不够，图像质量差，用于场景监控时视频中人脸过小，网络带宽不够等等造成无法使用现有设备。
5. 用户希望少产生误报甚至不产生误报。 现实是这样就必将损失正确报警率和减少监控库容量，与用户的想法相违。
1.光照问题
面临各种环境光源的考验，可能出现侧光、顶光、背光和高光等现象，而且有可能出现各个时段的光照不同，甚至在监控区域内各个位置的光照都不同。
2. 人脸姿态和饰物问题
因为监控是非配合型的，监控人员通过监控区域时以自然的姿态通过，因此可能出现侧脸、低头、抬头等的各种非正脸的姿态和佩戴帽子、黑框眼镜、口罩等饰物现象。
3. 摄像机的图像问题
摄像机很多技术参数影响视频图像的质量，这些因素有感光器(CCD、CMOS)、感光器的大小、DSP的处理速度、内置图像处理芯片和镜头等，同时摄像机内置的一些设置参数也将影响视频质量，如曝光时间、光圈、动态白平衡等参数。
4.丢帧和丢脸问题
需要的网络识别和系统的计算识别可能会造成视频的丢帧和丢脸现象，特别是监控人流量大的区域，由于网络传输的带宽问题和计算能力问题，常常引起丢帧和丢脸。
视频人脸识别监控的最优方案
1.使用更先进的高清摄像头(3-5百万)。
2.室内均匀光线，或室外白天，无侧光和直射光
3.人群面向同样的方向，朝向相机的方向。
4.恰当的监控点，如走廊、巷子或安检门/闸机口等(不要一群人同时出现)。
5.相机与人脸的角度小于20°。
1.模板库的人数：不宜大，包含关键人物即可。
2.经过摄像头的人数：同时出现在摄像头的人数决定了单位时间里的比对次数。
3.报警反馈时间：实时性越强，对系统性能要求越高。
4.摄像头采集帧数：帧数越高，人员经过摄像头前采集的次数越多，比对的次数也越多。
报警过滤机制
建立报警过滤机制是解决错误报警率高的有效方法，当监控名单库容量较大时，可以通过此方法，将错误报警率控制在千分之N的之内，使动态监控走向实际应用。
综合来看，目前动态人脸识别技术的发展还远远达不到用户的需求，图像分析不尽人意，正确报警率普遍不高，误报率与大容量之间似乎不可调节，性价比较低等等问题似乎成为了动态人脸识别技术的绊脚石。但是，如何将这些绊脚石变为铺路石，正式各厂商及技术人员需要努力的目标。
责任编辑：马万里
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的一系列相关技术，通常也叫做人像识别、面部识别。
支付宝方面对腾讯科技表示在灰度运行两周后，数据显示刷脸验证的识别成功率已经达到90%以上，因此该功能有望在年内向用户全面放开。
萌态可掬的英国乔治小王子一直是英国民众关注的焦点。英国《每日镜报》发布的这则报道称，布拉德福德大学的科学家开发出一种技术，通过将三四十个面部特征录入计算机，就可以得到人不同年龄的模样。”山世光说，如果有父母不同年龄的面部照片，还可以叠加父母不同年龄段的样貌，来更准确地预测相貌。
随着新兴信息技术与传统制造技术不断碰撞，技术与服务的革命正以疾风吹劲草般的态势席卷整个汽车行业。新型技术能够提供集成服务实现的基础设施，技术变迁驱动着集成服务的创新和功能架构，进一步触碰汽车集团客户的需求痛点。
如果相关厂商拒绝提供兼容性，或是利用法律去阻止竞争对手进行反向工程，那么我们就无法实现这一目标。
免责声明：
凡发布在本网上的内容，除标注为“中国搜索”或“国搜”的稿件外，其他均转自第三方网站，是为传递更多信息和学习之目的，不意味着本网认可其观点或证实其内容的真实性、准确性。如有意见建议，请点击页面下方的“对国搜说”，欢迎及时反馈。
版权说明：
凡来源标注为“中国搜索”的本网稿件，转载时请注明出处。
科技热搜词
黄金周哪些景点最受欢迎，会不会被挤成饼干？下载作业帮安装包
扫二维码下载作业帮
1.75亿学生的选择
人脸识别需要用到哪些算法?
目前最普遍的是主成分分析法（PCA）,但是由于人脸是非线性的,PCA这种线性方法往往会丢失人脸上的许多非线性成分,因而后面又出现了流形学习的算法,具体有这些：PCA、ICA、ISOMAP、KPCA、LPCA等等
为您推荐：
其他类似问题
扫描下载二维码您所在的位置： &
ios10照片人脸识别功能什么时候可用
编辑：feng
来源：下载吧
&　　ios10照片人脸识别功能什么时候可用?这个功能要怎么用，在什么时候可以用得上这个功能，关于照片人脸识别的一切，让下载吧小编告诉大家吧!　　iOS10中的照片分类功能支持人脸识别，可以通过人脸来对照片进行分类，将你的照片和宠物照片分类，当然也能将你的照片和朋友的照片分类。对于自拍狂人和旅游达人(照片泛滥)的用户来说，iOS10的照片人脸识别功能好用到哭，麻麻再也不用担心我们熬夜手动分类海量照片了!　　值得一提的是，苹果的模型非常注重隐私，上述内容都是在本地处理的。
ios10照片人脸识别功能什么时候可用相关软件
ios10照片人脸识别功能什么时候可用相关教程
ios10照片人脸识别功能什么时候可用相关新闻
升级ios10教程
ios10使用教程
热门关键字她再也控制住自己情感，边哭边喊着妈妈。
小公举深夜开启17年虐狗第一弹，宣布昆凌怀二胎。
声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
　　现阶段，我国二代证的普及使中国目前逾12亿人的身份信息有了数码照片数据，平安城市联网的数百万台监控摄像机每天也产生着海量的数据信息，种种迹象表明，目前公安已经跨入大数据应用时代。
　　虽然人脸识别技术性能已有较大提高，但它仍是在模式识别和计算机视觉等领域最困难的问题之一。
　　大数据识别
　　为应对公安大数据应用给人脸识别带来的技术挑战，在人脸识别厂商和研究人员的共同努力下，人脸识别技术在平台架构、产品研发等几个方面取得了一定的进展。
　　（一）基于云架构的人脸识别平台
　　近年来，出现了专门为公安大数据量身打造的基于云计算的高效人脸识别技术。系统基于云架构设计，充分利用云计算平台的超强计算能力，部署多种算法，实现多算法的混合，同时吸纳各种算法的优点，提高大数据库容量下人脸图像的识别和比对性能，宽幅适应年龄、胖瘦、疾病、角度、表情、光照等变化图像。系统采用典型的“映射－规约”框架，将人脸特征散布到数十、数百甚至数千台电脑上并行计算，获取超强的计算能力。
　　在比对过程中，比对平台接收到比对请求后，首先对图像进行特征提取，获取人脸特征，通过映射（Map）过程，将待识别的人脸特征分布到各计算节点进行比对，输出相似程度及对应的人员身份信息；随后通过规约（Reduce）过程，将识别结果按照相似程度排序，并进一步过滤，输出最终的比对结果。
　　与传统的人脸识别算法相比，云计算的识别过程将大量人脸数据库中的数据分布到多个计算节点进行比对处理，使得原来需要顺序进行的人脸比对变成了并行处理，大大加速了识别的过程，并且由于云平台的线性扩展性，保证了系统的数据扩展性，数据增长后，还可以通过增加计算节点的方式提高处理能力，保证了系统的实时性。
　　（二）结合智能视频监控的人脸识别产品
　　随着平安城市建设的推进，中国很多城市已经部署了大量的安防监控摄像头，由此产生的海量视频数据给公共区域安全防范带来机遇的同时也是极大的挑战。
　　在人脸识别厂商和研究人员的共同努力下，已经开始出现智能视频监控人脸识别产品。智能视频监控人脸识别系统一般由视频获取、视频内容分析、人脸识别比对和报警管理等部分组成。视频获取由摄像机、镜头和数字化设备组成，是人脸识别监控系统最关键的模块，目前多采用高清输入设备；视频内容分析从视频流中捕获人脸信息，一般包括人脸捕捉和人脸跟踪；人脸比对模块负责把捕获的人脸和系统预先登录的人脸信息进行对比，确定捕获人脸的身份；报警接收和管理模块负责把报警等结果提交给系统安全管理人员，并以声光等报警信息通知安全管理人员。
　　智能视频监控人脸识别系统是视频监控系统与人脸识别技术的有效结合，能够大大提高安全防范能力，尤其是对犯罪分子起到了强有力的震慑作用。但是，由于监控系统中人员的非配合性、光线和背景等现场环境的复杂性给人脸识别带来较大困难，研制高性能、高可靠性的算法仍是视频监控人脸识别研究的热点。
　　（三）结合低质量图像重建的人脸识别技术
　　公安大数据背景下的人脸识别图像来源多样，质量差异较大，尤其是刑侦破案领域，由于受成像设备、环境、犯罪人员距离较远等诸多因素影响，从犯罪现场调取的犯罪嫌疑人图像/视频通常质量非常差（主要表现在图像模糊、分辨率低）。这种低质量的图像/视频直接应用人脸识别比对，识别率非常低。为满足公安实战业务及大数据发展需要，山西省太原市公安局研制了我国公安系统首个面向全警应用的人脸识别系统，结合人脸图像重建技术，实现低质量图像人脸识别，2012年建设完成后投入全警实战应用。低质量图像重建人脸识别包含两个步骤：首先，采用低分辨率、模糊图像重建算法，对低质量图像进行重建，获取较清晰图像；其次，使用重建图像进行人脸识别，获取犯罪嫌疑人身份。
　　目前，结合低质量图像重建的人脸识别技术在公安一线已有应用，取得了较好效果。以2012年南京“1&6”大案为例，技术人员迅速赶赴现场配合侦破，成功重建嫌疑人的下颌，发出全国通缉令。
　　2009年重庆枪击哨兵案发生后，重庆警方在太原市局的帮助下建立了入所人员人脸特征库，但是获取的图片分辨率非常低。通过低质量图像重建技术处理后，在几十万人数据库比对结果中周克华排名第三。遗憾的是由于缺乏有力证据，目标并未锁定。
　　公安大数据背景下，人脸识别技术应用面临新的机遇和挑战。过去几年里，在需求推动下，人脸识别厂商和技术研发人员从架构、产品、技术等方面进行探索，取得了一定成效，目前，人脸识别技术已经成为侦查破案的一大利器。但是，人脸识别仍是在模式识别和计算机视觉等领域最困难的问题之一，下一步仍需各方的不懈努力，相信未来一定会出现更多、更好的人脸识别产品。
　　3D人脸识别技术
　　现有的人脸识别技术大致可分为2D人脸识别和3D人脸识别两类。其中，3D人脸识别技术可细分为基于数据的3D人脸识别技术和基于2D图像的3D人脸识别技术。
　　基于二维空间的人脸识别系统尽管已广泛应用于工作和生活的各个领域，但是要做到非常准确的识别仍然存在很大困难，比如图像采集时很容易受到光照、拍摄角度等客观因素的影响等。鉴于此类缺陷，目前已有越来越多的学者致力于研究基于三维人脸数据的3D人脸识别系统，并取得了一定程度上的突破。
　　3D人脸识别技术应用领域非常广泛，主要表现在以下几个方面：
　　（一）电子证件防伪及相关管理
　　电子护照、身份证及其它很多证件都有照片，利用人脸识别技术，可对持证人身份进行鉴别，从而实现自动化智能验证。目前，国际民航组织（ICAO）的118个成员国和地区护照全部电子化，通过人脸识别实现身份认证，这是目前国际上最大规模的人脸识别应用。
　　（二）刑侦破案
　　公安机关开展的“网上追逃”斗争，把逃犯的照片、身份证、特征资料发布到内网和公网，利用3D人脸识别技术，只需抓拍到嫌疑人的人脸， 通过网络将人脸数据传送至中心数据库，系统即可自动与人脸数据库中的逃犯人脸进行比较，迅速准确做出身份判断。
　　（三）出入口控制
　　对于机场、边防检查站等重要出入境安全场所，重要会议、研究部门、金融系统等重点防范区域出入通道采用3D人脸识别技术，可以避免伪造或恶意盗用通行证等其他人员闯入的情况，防止非法用户进入。
　　（四）其它社会应用
　　3D人脸识别技术可以和各种门禁控制器、电锁配合，构成重要场所的门口控制管理系统，这些场所如金融信息中心、机房、控制中心、实验室、军事基地及设施、社区管理等。甚至采用3D人脸识别技术可以将叠层式摄像矩阵部署在重要的交通、公共设施场所等出入口，并与金融、医疗、社会及公安系统相连，组成人脸识别天网，实现联动，加强整个社会的公共安全。
　　目前，成熟应用的人脸识别系统大多是2D照片比对系统，完全3D人脸识别系统的成熟应用案例还很少。2D人脸识别技术在光线、角度、表情等影响下识别率不够理想，而传统3D人脸识别技术虽然能够弥补2D人脸识别技术的不足，但一直存在采集设备昂贵、采集系统复杂、传输量大、人脸3D模型库重建算法非常复杂、识别速度较慢等缺点，实际应用案例很少。基于2D图像重建的3D人脸识别系统在传统2D图像的基础上采用3D人脸重建技术，即解决了2D人脸识别系统存在的问题，又可与目前的2D人脸识别系统兼容，且识别速度快，准确率还可满足实际应用要求。因此，基于2D图像的3D人脸识别系统是未来应用的趋势。
　　目前世界各国对反恐打击力度提升到前所未有的高度，在国家安全背景下，一定会加速某些2B特定行业建设进度！
　　温馨提示：优质内容贵在与大家共享，部分文章来源于网络，如有侵权请告知，我们会在第一时间处理。商务合作请加QQ：。
欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
搜狐公众平台官方账号
生活时尚&搭配博主 /生活时尚自媒体 /时尚类书籍作者
搜狐网教育频道官方账号
全球最大华文占星网站-专业研究星座命理及测算服务机构
主演：黄晓明/陈乔恩/乔任梁/谢君豪/吕佳容/戚迹
主演：陈晓/陈妍希/张馨予/杨明娜/毛晓彤/孙耀琦
主演：陈键锋/李依晓/张迪/郑亦桐/张明明/何彦霓
主演：尚格?云顿/乔?弗拉尼甘/Bianca Bree
主演：艾斯?库珀/ 查宁?塔图姆/ 乔纳?希尔
baby14岁写真曝光
李冰冰向成龙撒娇争宠
李湘遭闺蜜曝光旧爱
美女模特教老板走秀
曝搬砖男神奇葩择偶观
柳岩被迫成赚钱工具
大屁小P虐心恋
匆匆那年大结局
乔杉遭粉丝骚扰
男闺蜜的尴尬初夜
客服热线：86-10-
客服邮箱：人脸识别软件是靠什么来识别人脸的？
我的图书馆
人脸识别软件是靠什么来识别人脸的？
智能科学专业
我就说两种吧？第一种是支持向量机的方法这个是统计模式识别领域的一个新的热点（神经网络好像也挺好使的），这玩意可以把脸这个二维的图像通过一些方法映射到更高维的数学空间。还有一些核函数的的方法什么的。我觉得说不下去了，这个方法我没有用过啊~再说说神经网络吧，这种就是给一个输入，经过大量的类似神经一样的转换，可以输出一个想要的东西，比如脸的一些特征（当然神经网络的最小神经元要算出来，这个工作前人已经做好了），这样就可以再通过软件来计算相似度了。第二种是几何特征的识别方法几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。在精度要求不高的情况下这个还是很好使的，相似度不知道是不是这个。不过据说采样频率够高（就是测更多个数据，脸的宽度啊脸颊大小啊下巴啊，越细的测量越好），也是能达到比较好的效果的，当然了，如果人的表情换了，软件的识别会有疑惑的。如果那个软件比较坑爹，还能运行在手机上，估计是这个没跑了。想学习代码可以找一找网上的开源图像识别，想要学思想可以看看书：参考文献：《计算机视觉：一种现代方法》猪的签名：——微笑的猪头——帅气非凡！——
机器学习，数据挖掘
楼上的回答不太对。先说说楼上的错误：支持向量机是在高维空间找一个最优分隔平面来进行分类的一种方法。人脸图像一般维度很高，至少上万，如果你用支持向量机，通过核函数继续投影到更高维空间，非常耗时，性能也很差。神经网络的话，直接用来人脸识别也是不现实的。常用的方法有神经网络的升级版本：深度学习（deep learning）。百度也成立了深度学习的研究院。深度学习的人脸识别，效果非常好，成为了现今研究的热门。还有就是几何特征识别方法，这些方法都是十几年前的方法了，现在许多简单的方法都比基于规则的几何特征方法来的容易地多，也方便地多。这是一种快被淘汰的方法。接着，说说我的理解：人脸识别也是机器学习，人工智能的一个领域。我们把人脸图像的每个像素作为一个特征，便可以用机器学习的方法特征提取与分类。人脸识别遇到的主要问题是小样本问题。所谓的小样本问题就是人脸图像的维度太高了，一般的照片动则百万像素，而人脸图像的样本一般情况下，也就几十，上百张，相比于百万是很少的。根据经验风险结构风险（），以及VC维的知识，对于一般的特征与分类方法都不适用。于是，人脸识别的相比于其他机器学习不同，其主要研究是如何降维。相应的方法有子空间方法。所谓的子空间方法，简单的说就是把人脸映射到一个低维的子空间上面，得到维度少的多的特征。简单的子空间方法有PCA（），LDA等等。还有基于纹理的LBP（），SIFT（）等等方法。最近几年，基于sparse编码以及deep learning的方法在人脸上的运用非常广泛，效果也非常高。sparse也称为稀疏编码。它是模拟人眼视觉细胞的方法，用很少的样本线性组合为图像。deep learing（）则是模拟人类的神经网络的方法来实现的。这两种方法都是从生物学入手的方法，目前有比较广泛的前景。以上为个人理解，如有错误，敬请指正。
学学OpenCV编程吧
后回答问题，你也可以用以下帐号直接登录
发表评论：
馆藏&59042
TA的推荐TA的最新馆藏