人脸识别算法研究论文

基于特征脸方法

人脸识别是一个高维的模式识别问题，1987年Sirovich 和 Kirby为减少人脸图像的表示采用了PCA方法（主分量分析方法），1991年Matthew Turk 和 Alex Pentland最早将PCA应用于人脸识别[3]，将原始图像投影到特征空间中，得到一系列降维图像，取其主元表示人脸，由于主元具有脸的形状故称为“特征脸”。

特征脸方法是目前较为成功的正面人脸识别方法，但是只考虑了人脸的整体特征且对光照的变化敏感，所以有学者提出了FLD方法，即Fisher脸。通过在Harvard和Yale人脸库上做的测试表明Fisherfaces比Eigenfaces有更低的错误率且对于光照和表情变化有更好的鲁棒性。实验中部分特征脸见图1。

图1 部分特征脸

如前所述，特征脸方法忽略了人脸的局部特征（如：眉毛、眼睛、鼻子、口等）在识别中的作用，因此有学者在特征提取时采用基于多特征（eigenfaces，eigenUpper，eigenTzone，edge distribution）的方法，取得了较好的效果。另外，对人脸图像预处理后，进行特征脸分析也会明显降低错误率。

影响人脸识别技术的因素及解决方法

测量人脸识别的主要性能指标有：

1.误识率(False;Accept;Rate;FAR)：这是将其他人误作指定人员的概率;

2.拒识率(False;RejectRate;FRR)：这是将指定人员误作其它人员的概率。

计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR;随阈值的增大(放宽条件)而增大，拒识率FRR;随阈值的增大而减小。因此，可以采用错误率(Equal;Error;Rate;ERR)作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR;或FRR。

影响人脸识别性能的因素及解决方法

(1)背景和头发：消除背景和头发，只识别脸部图象部分。

(2)人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。

(3)人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。

(4)光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric;shape;from;shading)技术，可以得到一个与光源位置无关的图象。

(5)年龄的变化：建立人脸图象的老化模型。

(6)表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。

(7)附着物(眼镜、胡须)的影响。

(8)照相机的变化：同一人使用不同的照相机拍摄的图象是不同的

如果您是开发者的话，可以Ph一下colorreco，提供更多的技术解答。

动态人脸识别在应用中遇到的挑战 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°。 决定监控系统性能的几个主要因素 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。可以的话百度一下colorreco，更多的信息。

一般来说，人脸识别系统包括图像摄取、人脸定位、图像预处理、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的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。人脸识别算法分类基于人脸特征点的识别算法（Feature-based recognition algorithms）。基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）。基于模板的识别算法（Template-based recognition algorithms）。利用神经网络进行识别的算法（Recognition algorithms using neural network）。基于光照估计模型理论提出了基于Gamma灰度矫正的光照预处理方法,并且在光照估计模型的基础上，进行相应的光照补偿和光照平衡策略。优化的形变统计校正理论基于统计形变的校正理论，优化人脸姿态；强化迭代理论强化迭代理论是对DLFA人脸检测算法的有效扩展；独创的实时特征识别理论该理论侧重于人脸实时数据的中间值处理，从而可以在识别速率和识别效能之间，达到最佳的匹配效果

基于yolo算法的口罩人脸识别研究的意义如下：口罩人脸识别是利用计算机视觉技术判断图像或者视频序列中的行人是否存在未带口罩的情况，在一些需要佩戴口罩的特定场合，比如食堂、饭店等员工需要佩戴口罩上岗，或由于特殊情况，需要行人佩戴口罩的场景，都可以适用。目前市面上的口罩人脸识别系统，常用的方式先对人脸进行检测，再对人脸进行区域划分，统计分析脸部下方区域的颜色信息，进而判断人脸是否佩戴口罩的方式。但在实际现场应用中，人脸的倾斜角度不同，不同光线的干扰也不同，导致传统方式的精度并不理想。因此，现有技术需要改进。