吸咪头
发展历史
人脸识别系统的研究始于医用呼叫器
20世纪60年代，80年代后随着计算机技 术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90 年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的 关键在于是否拥有尖端的核心算法，并便识别结果具有实用化的识别率和 识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模 型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处 理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现 了弱人工智能向强人工智能的转化。⑴ 技术特点
传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们 熟悉的识别方式，巳有30多年的研发历史。但这种方式有着难以克服的缺 陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系 统的需要。解决光照问题的方案有三维图像人脸识别和热成像人脸识别。 但这两种技术还远不成熟，识别效果不尽人意。
迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸 识别技术。它可以克服光线变化的影响，巳经取得了卓越的识别性能，在 精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技 术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯 一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型 的生物识别比较人脸识别具有如下特点：
非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态 下就可获取人脸图像，这样的取样方式没有“强制性”；
非接触性：用户不需要和设备直接接触就能获取人脸图像；
并发性：在实际应用场景下可以进行多个人脸的分拣、判断与识别；
除此之外，还符合视觉特性：“以貌识人”的特性，以与操作简单、结果 直观、隐蔽性好等特点。
技术流程
人脸识别系统主要包括四个组成部分，分别为：人脸图像采集与检测、 人脸图像预处理、人脸图像特征提取以与匹配与识别。
人脸图像采集与检测
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静 态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。 当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人 脸图像。
人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像 中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富, 如直方图特征、颜特征、模板特征、结构特征与Ha忍r特征等。人脸检测 就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
铁氧体电感
主流的人脸检测方法基于以上特征采用Adaboost学习算法，
tt277
Adaboost高温轴承shgbzc算法是一种用来分类的方法，它把一些比较弱的分类方法合在 一起，组合出新的很强的分类方法。
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形 特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器， 再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效 地提高分类器的检测速度。
人脸图像预处理
人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图
像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到 各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期 阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其 预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归 一化、几何校正、滤波以与锐化等。
人脸图像特征提取
人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、 像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征 提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它 是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类: 一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征 方法。
基于知识的表征方法主要是根据人脸器官的形状描述以与他们之间 的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征 点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构 成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要 特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何 特征的方法和模板匹配法。
