成都弱電公司訊：

人臉辨認技術是基于人的臉部特征，對輸入的人臉圖象或者視頻流.首先判斷其是否存在人臉，假如存在人臉，則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。并依據這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而辨認每個人臉的身份。

人臉辨認技術原理分析

人臉由于其易采集的特性，受到很多行業客戶的關注，特殊是公安、海關、商場等。人類天天都在進行人臉辨認，因此也最能接受這種身份認證方式。人臉辨認的研究始于上世紀中期，經歷了數十年的努力，現在已經可以應用在我們的實際生活中，為我們提供各種便利。

人臉辨認主要分為人臉檢測(facedetection)、特征提取(featureextraction)和人臉辨認(facerecognition)三個過程.

人臉檢測：人臉檢測是指從輸入圖像中檢測并提取人臉圖像，通常采用haar特征和Adaboost算法練習級聯分類器對圖像中的每一塊進行分類。假如某一矩形區域通過了級聯分類器，則被判別為人臉圖像。

特征提取：特征提取是指通過一些數字來表征人臉信息，這些數字就是我們要提取的特征。常見的人臉特征分為兩類，一類是幾何特征，另一類是表征特征。幾何特征是指眼睛、鼻子和嘴等面部特征之間的幾何關系，如距離、面積和角度等。由于算法利用了一些直觀的特征，計算量小。不過，由于其所需的特征點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特征變化較大。所以說，這類算法只適合于人臉圖像的粗略辨認，無法在實際中應用。

表征特征利用人臉圖像的灰度信息，通過一些算法提取全局或局部特征。其中比較常用的特征提取算法是LBP算法。LBP方法首先將圖像分成若干區域，在每個區域的像素640×960鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP算子。LBP算子的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然后將所有的直方圖連起來組成一個大的直方圖并進行直方圖匹配計算進行分類。

人臉辨認：這里提到的人臉辨認是狹義的人臉辨認，即將待辨認人臉所提取的特征與數據庫中人臉的特征進行對比，根據相似度判別分類。而人臉辨認又可以分為兩個大類：一類是確認，這是人臉圖像與數據庫中已存的該人圖像比對的過程，回答您是不是您的問題；另一類是辨認，這是人臉圖像與數據庫中已存的所有圖像匹配的過程，回答您是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。常用的分類器有最近鄰分類器、支持向量機等。

與指紋應用方式類似，人臉辨認技術目前比較成熟的也是考勤機。因為在考勤系統中，用戶是主動配合的，可以在特定的環境下獲取符合要求的人臉。這就為人臉辨認提供了良好的輸入源，往往可以得到滿意的結果。但是在一些公共場所安裝的成都視頻監控探頭，由于光線、角度問題，得到的人臉圖像很難比對成功。這也是未來人臉辨認技術發展必須要解決的難題之一。

現在已有一些機構、高校在進行人臉辨認新領域、新技術的研究。如遠距離人臉辨認技術，3D人臉辨認技術等。遠距離人臉辨認系統面臨兩個主要困難。一是如何從遠距離獲取人臉圖像。其次，在得到的數據并不理想的情況下如何辨認身份。從某種意義上來看，遠距離人臉辨認并不是一個特定的關鍵技術或基礎研究問題。它可看成是一個應用和系統設計問題。通常有兩類解決方法用于獲取人臉圖片。一種是高清的固定式攝像機，另一種是使用PTZ控制系統多攝像機系統。后者更適合于一般情況，不過其結構更為復雜，造價也更貴。后者需要考慮如何協調多臺攝像機的同步操作。一般地，系統由低分辨率廣角攝像機和高分辨率長焦攝像機組成。前者用于檢測和追蹤目標，后者用于人臉圖像采集和辨認。目前遠距離人臉辨認技術還處于實驗室階段，未來假如能夠解決上述問題，對人員布控這樣的應用有著重要意義。

3D人臉辨認能夠很好地克服2D人臉辨認碰到的姿態、光照、表情等問題。主要原因是2D圖像無法很好地表示深度信息。通常，3D人臉辨認方法使用3D掃描技術獲取3D人臉，然后建立3D人臉模型并用于辨認。不過，3D人臉辨認技術的缺點也是很明顯的。首先它需要額外的3D采集設備或雙目立體視覺技術，其次，建模過程需要的計算量較大。相信隨著未來芯片技術的發展，當計算能力不再受到制約，采集設備成本大幅下降的時候，3D人臉辨認將會成為熱門技術之一。