人脸系统识别是使用了什么技术

人脸系统识别是使用了什么技术

人脸识别是一种基于人的脸部特征信息进行身份认证的生物特征识别技术。它集成了人工智能、机器识别、机器学习、模型理论、视频图像处理等多种专业技术。人脸识别用摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别。

        人脸识别主要分四步完成：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取、匹配与识别。
       随着智能手机的迅速普及，可以通过手机镜头在手机上做基于人脸识别的身份注册、认证、登录等，使身份认证过程更安全、方便。由于人脸比指纹等视觉辨识度更高，所以“刷脸”的应用前景更广阔。人脸识别具有自然性和非接触性，可以快捷、精准、卫生地进行身份认定，避免个人信息泄露，并能隐蔽使用。人脸识别能够应对复杂的光照并支持多种人脸姿态，可以精确定位眉毛、眼睛、鼻子、嘴巴、脸部轮廓等面部关键区域位置，制成独一无二的“面具”，以便通过已存“面具”和待识“面具”的快速比对，实现准确识别。
      人脸识别也具有不可复制性，能从几百项脸部特征中找出识别对象。人脸识别技术已在智能门禁、门锁、考勤、手机解锁、电脑登录远程认证、人脸支付、特殊人物识别等方面有广泛应用。
   此答案由人脸识别颜鉴科技提供。

以下几种： 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。 希望有帮助。