人脸识别技术如何实现

问题更新日期：2024-10-14 05:29:04

问题描述

精选答案

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。

折叠

其他回答

造价世界观

人脸识别技术主要是通过图像识别技术来实现的，可分为传统的图像识别方法和基于机器学习（深度学习）的图形识别方法，其本质都是提取人脸的特征点，进行匹配识别，就像钥匙和锁那样，具体的推荐看

https://blog.csdn.net/LEON1741/article/details/81358974

这篇博客

其他回答

建造师

比如云脉实名认证系统为了确保人证一致，在系统中加入人脸识别环节，此环节中，需要用户完成抬头、张嘴、闭眼等活体检测动作，系统将实时获取用户动态图像，并将其与身份证件上的照片一一比对，比对成功，方可完成实名认证。

其他回答

公务员视频辅导

1.基于特征脸（PCA）的人脸识别方法

特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换.高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以转成低维线性空间.如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想.这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的.目前有一些改进型的特征脸方法.

2.神经网络的人脸识别方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等.这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的.

3.弹性图匹配的人脸识别方法

弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息.该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练.

4.线段Hausdorff 距离（LHD） 的人脸识别方法

心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差.LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化.实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好.

5.支持向量机（SVM） 的人脸识别方法

近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能.支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题.通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的.而且支持向量机训练时间长，方法实现复杂，核函数的取法没有统一的理论.