面部識別才用什麼技術

1. 面部識別的原理是什麼

面部識別軟體可歸入名為生物識別的一大類技術。生物識別技術使用生物信息來驗證身份。生物識別背後的理論是：我們的身體包含一些獨一無二的特徵，可以使用它們將我們與他人區分開。除了面部識別之外，生物識別身份驗證方法還包括：

指紋掃描

視網膜掃描

語音識別

面部識別方法有多種，但是通常涉及捕獲、分析和對比等一系列步驟，將你的面孔與資料庫中存儲的圖像進行對比。以下是FaceIt 系統用於捕獲和對比圖像的基本過程：

為了確定某人的身份，面部識別軟體將新近捕獲的圖像與資料庫中存儲的圖像進行對比。

檢測——當系統連接到視頻監視系統後，識別軟體會在攝影機的視野中搜尋面部信息。如果在視野中存在一張面孔，它會在幾分之一秒的時間內檢測到它。它使用多尺度演算法以低解析度搜索麵部圖像。（演算法是提供一組指令以完成特定任務的一個程序）。系統只有在檢測到類似頭部的形狀後，才切換到高解析度搜索。

對齊——一旦檢測到面部圖像，系統會確定頭部的位置、大小和姿態。只有在面部與攝像機至少成35度角的情況下，系統才會記錄它。

標准化——頭部圖像經過縮放和旋轉，以便能記錄和映射到相應的大小和姿態。無論頭部的位置如何以及相距攝像機的距離有多遠，都可以執行標准化過程。光線不會對標准化過程產生影響。

表示——系統將面部數據轉換成一個唯一的代碼。通過編碼，可以更加容易地將新近捕獲的面部數據與存儲的面部數據進行比較。

匹配——將新捕獲的面部數據與存儲的數據進行對比，並（在理想情況下）鏈接到至少一個已存儲的面部圖像。

FaceIt面部識別系統的核心是局部特徵分析（LFA）演算法。這是系統在對面孔進行編碼時使用的數學技術。系統對面孔進行測量，並生成一個面紋，即面部的唯一數字代碼。在存儲了面紋之後，系統會將它與資料庫中存儲的成千或成百萬的面紋數據進行對比。每個面紋都存儲為一個84位元組的文件。

面部識別系統通過使用面部識別軟體，警察可以縮放攝像機畫面並拍攝某個面孔。

系統可以用每分鍾6000萬張面孔的速度對內存中的面紋數據進行匹配，對於硬碟中的面紋數據，每分鍾可以匹配1500萬張面孔。在進行對比時，系統會用介於1到10之間的一個值來表示對比結果。如果該值大於預先定義的閾值，則宣布找到一個匹配結果。然後，操作人員可以查看被宣布為匹配項的兩張照片，確定計算機的工作是否准確。

與其他生物識別技術一樣，面部識別被認為是一種會在不遠的將來得到廣泛使用的技術。在下一節中，我們將介紹它現在的使用情況。FaceIt這樣的面部識別軟體的主要用戶一直是一些執法機構，它們使用這些系統在擁擠的人群中捕獲隨機出現的面孔。然後，將這些面孔與資料庫中犯罪分子的照片進行對比。

除了進行執法和安全監視之外，面部識別軟體還有其他幾個用途，包括：

1. 消除投票欺詐

2. 取款身份驗證

3. 計算機安全

2. 人臉識別是靠什麼技術實現的

1.基於特徵臉（PCA）的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法,KL變換是圖像壓縮的一種最優正交變換.高維的圖像空間經過KL變換後得到一組新的正交基,保留其中重要的正交基,由這些基可以轉成低維線性空間.如果假設人臉在這些低維線性空間的投影具有可分性,就可以將這些投影用作識別的特徵矢量,這就是特徵臉方法的基本思想.這些方法需要較多的訓練樣本,而且完全是基於圖像灰度的統計特性的.目前有一些改進型的特徵臉方法.
2.神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等.這類方法同樣需要較多的樣本進行訓練,而在許多應用中,樣本數量是很有限的.
3.彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離,並採用屬性拓撲圖來代表人臉,拓撲圖的任一頂點均包含一特徵向量,用來記錄人臉在該頂點位置附近的信息.該方法結合了灰度特性和幾何因素,在比對時可以允許圖像存在彈性形變,在克服表情變化對識別的影響方面收到了較好的效果,同時對於單個人也不再需要多個樣本進行訓練.
4.線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明,人類在識別輪廓圖（比如漫畫）的速度和准確度上絲毫不比識別灰度圖差.LHD是基於從人臉灰度圖像中提取出來的線段圖的,它定義的是兩個線段集之間的距離,與眾不同的是,LHD並不建立不同線段集之間線段的一一對應關系,因此它更能適應線段圖之間的微小變化.實驗結果表明,LHD在不同光照條件下和不同姿態情況下都有非常出色的表現,但是它在大表情的情況下識別效果不好.
5.支持向量機(SVM) 的人臉識別方法
近年來,支持向量機是統計模式識別領域的一個新的熱點,它試圖使得學習機在經驗風險和泛化能力上達到一種妥協,從而提高學習機的性能.支持向量機主要解決的是一個2分類問題,它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題.通常的實驗結果表明SVM有較好的識別率,但是它需要大量的訓練樣本（每類300個）,這在實際應用中往往是不現實的.而且支持向量機訓練時間長,方法實現復雜,核函數的取法沒有統一的理論.

3. 人臉識別是靠什麼識別的呢

人臉識別。是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉。進而對檢測到的人臉進行臉部識別的一系列相關技術。人臉識別系統主要包括四個組成部分，分別是：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。

4. 人臉識別屬於人工智慧中的什麼技術

屬於生物識別技術，這種技術涵蓋指紋、聲紋、人臉、虹膜、靜脈。相比較，指紋識別應用較多，人臉識別技術因生物特徵的嚴謹性進一步的提高，其演算法近幾年發展的較為迅速，有著較為廣泛的應用前景，相關的資料也比較豐富，希望能幫到你。

5. 人臉識別技術是什麼

人臉識別是基於人的面部特徵信息進行身份識別的一種生物識別技術。它通過採集含有人臉的圖片或視頻流，並在圖片中自動檢測和跟蹤人臉，進而對檢測到的人臉進行面部識別。人臉識別可提供圖像或視頻中的人臉檢測定位、人臉屬性識別、人臉比對、活體檢測等功能。虹軟科技在人臉識別方面做的不錯

6. 人臉識別是靠什麼技術實現的

人臉識別門禁技術如今已漸趨成熟，曾經很多企業、社區、景區、工地所依賴的指紋識別門禁、門禁卡門禁、密碼鎖門禁如今正被人臉識別門禁所取代，為各行業領域帶來了極大的便捷。但人臉識別技術作為一種新興的人員身份鑒別技術，大部分人對於這項技術還是相對陌生，關於與人臉識別相關的問題也時有發生，為了讓大家快速學會使用人臉識別門禁系統，今天寶比萬像人臉識別就來教大家如何學會人臉識別門禁的人臉信息錄入使用。
啟動設備
1.默認打開寶比萬像人臉識別門禁考勤設備端APP，進入「寶比萬像人臉識別門禁考勤系統設備端APP」啟動頁
2.默認進入人臉認證頁面。
3.在人臉認證界面，點擊「首頁」按鈕，返回人臉設備主菜單。
人臉驗證
1.在人臉識別主界面點擊「人臉認證」菜單進行人臉驗證
2.人臉認證：通過認證，閘門開啟，並顯示人臉ID，姓名。
3.人臉認證：沒有登記的人臉進行驗證，提示「人臉無登記」。
人臉登記
1.在人臉識別主界面點擊「人臉登記＋」，彈出登錄界面。
2.輸入登錄賬號、密碼（xxxxxx），點擊登錄。
3.輸入姓名，點擊下一步，跳轉到人臉登記界面。
4.人臉登記初始化頁面。提示登記這，請面對攝像頭。
5.人臉登記：拍攝成功後「確認注冊」，提升「人臉登記成功」。
6.點解「重新獲取」，即對需要登記的人臉進行重新拍攝登記。
7.已登記成功的用戶，再次進行人臉登記，則提示；已登記。
8.點擊當前頁面的返回剪頭，即返回到人臉識別設備APP首頁。

7. 人臉識別技術利用的是什麼原理

人臉識別，特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度；它屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。

人臉識別技術包含三個部分：（1）人臉檢測面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法:①參考模板法首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；②人臉規則法由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉③樣品學習這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器④膚色模型法這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。⑤特徵子臉法這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。（2）人臉跟蹤面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。（3）人臉比對面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要採用特徵向量與面紋模板兩種描述方法：①特徵向量法該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。②面紋模板法該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。人臉識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。

8. 很多電子設備可以面部解鎖,這使用了什麼技術

人臉識別，人臉識別是基於人的面部信息特徵的一種生物識別技術，廣義上來說包括人像圖像採集檢測、人臉圖像預處理、人臉圖像特徵提取、人臉圖像識別與匹配等方面。而我們生活中所談到的「人臉識別」通常指基於面部信息的身份驗證。

人臉識別的整個技術流程一般而言是通過硬體物理設備（如相機、監控攝像頭等）獲取面部圖像，得到相應的數據後，計算機將對數據進行預處理，如光線的補償、灰度變換等操作，讓計算機在「01世界」中更好地「讀懂」信息。

預處理後，通過相應的核心演算法進行數據加工，從而得到最終的結果並將其與資料庫中存儲的信息進行比對，若結果在特定的閾值（即大小范圍）內則認為比對成功。

人臉識別技術應用

1、企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。

2、電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織（ICAO）已確定，從2010年4月1日起，其118個成員國家和地區，人臉識別技術是首推識別模式，該規定已經成為國際標准。

3、公安、司法和刑偵。如利用人臉識別系統和網路，在全國范圍內搜捕逃犯。

4、自助服務。如銀行的自動提款機，如果同時應用人臉識別就會避免被他人盜取現金現象的發生。

5、信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現。如果密碼被盜，就無法保證安全。如果使用生物特徵，就可以做到當事人在網上的數字身份和真實身份統一。

9. 人臉識別是一種什麼樣的技術

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

寶比萬像人臉識別門禁系統優勢：

非接觸性：在人臉識別門禁解決方案中，用戶不需要和人臉設備進行任何肢體上的直接接觸，刷臉成功即可通行，而能夠有效避免細菌疾病通過接觸傳播，安全衛生。

並發性：人臉識別門禁解決方案突破了傳統門禁系統只能進行一對一識別的局限，在不同的實際應用場景可以進行多個人臉分揀、判斷及識別。

非強制性：當用戶進入人臉識別的攝像范圍時，人臉設備將主動獲取用戶的人臉信息，用戶無需攜帶任何的信息載體，通行更加便捷，同時用戶體驗更好，接受度更高。

唯一性：人臉信息具有唯一性，人臉識別是活體生物特徵識別技術，動態的人臉信息獨一無二，難以復制，不存在被盜用的風險，安全性更高。

10. 人臉識別通過什麼識別知乎

人臉識別是什麼
人臉識別是什麼？人臉識別特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體(一般特指人)本身的生物特徵來區分生物體個體。
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等;而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
生物特徵識別技術所研究的生物特徵包括人臉、指紋、手掌紋、掌型、虹膜、視網膜、靜脈、聲音(語音)、體形、紅外溫譜、耳型、氣味、個人習慣(例如敲擊鍵盤的力度和頻率、簽字、步態)等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、靜脈識別、語音識別(用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術)、體形識別、鍵盤敲擊識別、簽字識別等。
幾何特徵的人臉識別方法
幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些演算法識別速度快，需要的內存小，但識別率較低。
基於特徵臉(PCA)的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以轉成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。
神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。
彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。
線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明，人類在識別輪廓圖(比如漫畫)的速度和准確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。
支持向量機(SVM) 的人臉識別方法
近年來，支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本(每類300個)，這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，核函數的取法沒有統一的理論。