干货分享！这7种最著名的人脸识别算法你知道几个？_算法_图像

2024-09-19 16:05:05 智能助手

人工神经网络是图像识别中最盛行和最成功的方法。
人脸识别算法基于数学打算，神经网络同时实行大量数学运算。

干货分享！这7种最著名的人脸识别算法你知道几个？_算法_图像智能助手

这些算法实行三个紧张任务：检测图像、***或实时流中的人脸；打算人脸的数学模型；将模型与演习集或数据库进行比较以识别或验证一个人。

本文涵盖了最著名的人脸识别算法和关键特色。
由于每种方法都有其特界说务的上风，研究职员积极考试测验组合方法和开拓新技能。

卷积神经网络 (CNN)

卷积神经网络（CNN）是人工神经网络（ANN）和人工智能发展的打破之一。
它是深度学习中最盛行的算法之一，深度学习是一种机器学习，模型学习直接对图像、***、文本或声音实行分类任务。
该模型在多个领域显示出令人印象深刻的结果：打算机视觉、自然措辞处理 (NLP) 和最大的图像分类数据集 (Image Net)。
CNN 是一个普通的神经网络，带有新的层——卷积层和池化层。
CNN 可以有几十个和几百个这样的层，每个层都学会检测不同的成像特色。

特色脸

Eigenfaces 是一种人脸检测和识别方法，用于确定图像数据集中的人脸方差。
它利用这些差异通过机器学习对人脸进行编码和解码。
一组特色脸是通过对大量人脸图像的统计剖析确定的“标准化人脸身分”的凑集。
面部特色被分配了数学值，由于这种方法不该用数字图片，而是利用统计数据库。
任何人脸都是这些值以不同百分比的组合。

Fisherfaces

Fisherfaces 是最盛行的面部识别算法之一；它被认为是优于它的许多替代品。
作为 Eeigenfaces 算法的改进，它常常与 Eigenfaces 进行比较，并被认为在演习过程中的种别区分方面更成功。
该算法的紧张上风在于它能够对光照和面部表情变革进行内插和外推。
有报告称，在预处理阶段与 PCA 方法结合时，Fisherfaces 算法的准确度为 93%。

内查究法：PCA 和 SVM

主身分剖析（PCA）是一种具有许多实际运用的通用统计方法。
当在人脸识别过程中利用时，PCA 旨在减少源数据的大小，同时保留最干系的信息。
它天生一组加权特色向量，这些特色向量依次构建特色脸——大量不同的人脸图像。
特色脸的线性组合代表演习集中的每个图像。
PCA 用于从演习图像集的协方差矩阵中吸收这些特色向量。
对付每张图像，打算其紧张身分（从 5 到 200）。
其他组件编码面部和噪声之间的细微差异。
识别过程包括将未知图像的紧张身分与所有其他图像的身分进行比较。

支持向量机 (SVM) 是一种机器学习算法，它利用两组分类原则来区分人脸和“非人脸”。
对付每个种别，SVM 模型都会吸收一个标记的演习数据集来对新的测试数据进行分类。
研究职员将线性和非线性 SVM 演习模型运用于人脸识别。
最近的结果表明，非线性演习机具有更大的余量和更好地识别和分类结果。

Haar Cascade

Haar Cascade 是一种用于在图像上定位工具的工具检测方法。
该算法从大量正样本和负样本中学习——前者包含感兴趣的工具，而后者包含除您要查找的工具之外的任何内容。
演习后，分类器可以在新图像上找到感兴趣的工具。
该方法结合局部二值模式算法进行人脸识别，用于刑事鉴定。
Haar 级联分类器利用 200 个（共 6000 个）特色，纵然表情变革也能确保 85-95% 的识别率。

三维识别

3D人脸识别技能的基本思想是人类头骨的独特构造。
每个人的头骨构造都是独一无二的，可以用几十个参数来描述。
这种面部识别方法基于将 3D 面部扫描与数据库模式进行比较。
它有一个主要的上风——扮装、面部毛发、眼镜和类似成分不会影响检测和识别过程。
最新研究利用了将 3D 几何信息映射到规则 2D 网格上的技能。
它许可将 3D 数据的描述性与 2D 数据的打算效率相结合，并显示出 FRGC v2（人脸识别大寻衅 3D 面部数据库）报告的最高性能。

皮肤纹理剖析

皮肤识别技能有很多运用——人脸检测算法、不良图像过滤、手势剖析等。
它常日利用高分辨率图像。
皮肤纹理剖析的分外情形利用不同的独特参数，如痣、肤色、肤色等。
最近基于纹理特色和肤色组合的研究显示了有趣的结果。
研究职员利用神经网络来开拓和测试皮肤识别系统。
项目中利用的前馈神经网络将输入纹理图像分类为“皮肤”和“非皮肤”，并表现出令人印象深刻的性能。

热像仪

热像仪是一种用于监测被检表面温度分布的设备。
温度分布以不同颜色对应温度的彩色图片显示。
该技能已经有几个适应环球变革的实际运用——基于智好手机的免疫证书、远程发热检测和热面部识别。
热成像仪人脸识别模型基于人脸的独特温度模式。
人类同等的温度“特色”是用热红外 (IR) 虚部丈量的。
在人脸识别中利用热敏方法有一个不可否认的好处——扮装、髯毛、帽子和眼镜不会影响其准确性。
此外，它还可以区分双胞胎兄弟姐妹。

ANFIS

自适应神经模糊滋扰系统 (ANFIS) 是一种人工神经网络。
该方法将神经网络事理与模糊逻辑事理相结合，将它们的优点结合在一个单一的构造中。
ANFIS 用于在预处理阶段对从数据集中提取的图像特色进行分类。
数据科学家将这种方法与各种特色提取算法相结合。
因此，一些研究报告称，在利用二维主身分剖析进行特色提取后，ANFIS 分类准确度达到了令人难以置信的 97.1%。

局部二元模式直方图 (LBPH)

该方法利用局部二进制模式 (LBP)，这是打算机视觉中一种大略有效的纹理算子，它通过设置每个像素的邻域阈值并将结果视为二进制数来标记图像中的像素。
在学习阶段，LBPH 算法为每个标记和分类的图像创建直方图。
每个直方图代表演习集中的每个图像。
这样，实际的识别过程意味着比较任意两幅图像的直方图。

FaceNet

Google研究职员于 2015 年开拓的人脸识别系统 FaceNet 基于人脸识别基准数据集。
可用的预演习模型和各种开源第三方实现使该系统非常广泛。
与早期开拓的其他算法比较，FaceNet 在研究调查、测试性能和准确性方面显示出出色的结果。
FaceNet 准确提取人脸嵌入，高质量特色用于后期演习人脸识别系统。

NEC

日本科技公司 NEC 开拓的办理方案可以在识别年事变革的同时高度准确地识别人。
该办理方案利用自适应区域稠浊匹配，这是一种专注于高度相似的段进行映射的模型。
NEC 技能将输入和注册的图像分成小片段，并且只关注相似度较大的片段。
它可以让系统显示出更高的识别准确率，纵然是在面部戴着口罩或眼镜的情形下。
作为其底层算法，NEC 办理方案利用广义学习矢量量化 (GLVQ)。

旷视 (FACE++)

旷视算法基于图像检测和模糊图像搜索技能。
该技能办理方案利用该公司基于大数据构建的专有深度学习框架 MegEngine。
该公司的技能成功地进行了人脸信息提取，包括几个关键功能：人脸和人体检测和跟踪、人脸识别和聚类、关键点检测、人脸属性估计和人脸搜索引擎。

面部识别：结合不同的技能

每种面部识别技能都有其有效的特点。
然而，最近的研究证明，最好的结果是通过不同算法和方法的组合来实现的。
这些组合旨在办理面部识别过程中的许多常规问题——面部表情、姿势、光照条件、图像噪声等方面的差异。
最新的实验将 LBP 算法与前辈的图像处理技能相结合：双边滤波、直方图均衡、比拟度调度、和图像稠浊。
这样的技能显示了对 LBP 代码的显著改进，并且对付进一步研究看起来非常有希望。

总结

有多种人脸识别算法和方法。
只管它们都有一个紧张目标，但它们可以是针对特界说务和问题的。
根据利用目的和履行情形，它们的范围从神经网络和数学模型到私营公司的技能办理方案。

本文涵盖了最广泛的算法和方法。
然而，更多的研究和科学实验表明，在面部识别过程中结合不同的算法以得到更好的结果是不可否认的好处。
它导致新技能和特定用场方法的涌现。

人脸识别算法常见问题

人脸检测算法是如何事情的？

常日，演习特定的神经网络来检测人脸地标并将人脸与图像中的其他工具区分开来。
地标是通用的人类面部特色，如眼睛、鼻子、嘴巴、眉毛等。
实际实现的办法因算法而异。

什么是人脸识别算法？

人脸识别算法是一种建立生物特色人脸模型以供进一步剖析和人脸识别过程的方法。

如何在 OpenCV 中进行人脸检测？

开源打算机视觉库 (OpenCV) 是一个盛行的打算机视觉算法、图像处理和数值开源通用算法库。
利用OpenCV，可以分三步进行人脸识别过程：

人脸检测利用人脸嵌入进行特色提取面部识别

如何演习人脸识别算法？