人臉演算法訓練算力要求

㈠ 深度學習做人臉識別，和傳統方式比有啥好處

深度學習的演算法可以對人的表情和聲音特質進行分析判斷，多模態的分析模式。

㈡ 人臉識別的識別演算法

人臉識別的基本方法

人臉識別的方法很多，以下介紹一些主要的人臉識別方法。

(1)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。

(2)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，由這些基可以張成低維線性空間。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。

(3)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。

(4)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。

(5)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。

(6)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，該函數的取法沒有統一的理論。

人臉識別的方法很多，當前的一個研究方向是多方法的融合，以提高識別率。

在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化，而稱第二類變化為類內變化。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。正是基於上述原因，一直到21 世紀初，國外才開始出現人臉識別的商用，但由於人臉識別演算法非常復雜，只能採用龐大的伺服器，基於強大的計算機平台。

如果可以的話，可以Te一下colorreco，更好的技術解答。

㈢ 人臉識別的演算法

component analysis，Hidden Markov ModeI(HMM) l 引言近十年來，人臉識別的研究有了很大進展。與指紋、語音等其他人體生物特徵相比，人臉識別更加直接、友好，在身份識別，視頻檢索，安傘艙控等方面有著廣泛的應用，是當前模式識別和人工智慧領域的一個研究熱點【」特徵提取在人臉識別中的作用至關重要，如何根據人的視覺機制提取有效的特徵一直是模式識別領域的研究熱點。早期的研究中有人用Gabor小波對大腦皮層的視覺感知細胞的性態進行建模『，即可以把每個視覺細胞看作一個具有一定方向和尺度的Gabor濾波器。當外界刺激(例如圖像信號)輸入到視覺細2004．08．09收到．2005．01．1】改回中國科學院科技創新基金資助課題胞時，視覺細胞的輸出響應就是圖像與Gabor濾波器的卷積，而這個輸出信號經大腦的進一步處理後形成最後的認知映像。

http://www.jdl.ac.cn/project/faceId/res-identify.htm

http://www.cqvip.com/qk/91130A/200603/21450873.html
(這個網站裡面有很多這方面的參考文獻)

㈣ 為什麼香港中文大學研發的人臉識別演算法能夠擊敗人類

任何一個人臉自動識別程序，首先要考慮的就是去構建一個合適的數據集來測試演算法。那需要一個非常大范圍的，各種各樣的，帶著各種復雜動作、光線和表情的，不同臉的圖像，各種人種、年齡和性別都要考慮在內。然後還要考察服裝、發型以及化妝等其他因素的影響。
比較幸運的是，已經有這么一個擁有各種不同人臉的標准資料庫——Labelled
Faces。它擁有超過13,000張不同人臉的圖片，它們是從網路上收集的6000個不同的公眾人物。更重要的是，每個人都擁有不止一張人臉圖片。
當然也存在其他的人臉資料庫，但是Labelled
faces目前是計算機科學家們所公認的最具參考價值的測試數據集。
面部識別的任務是去比較兩張不同的圖片，然後判斷他們是否是同一個人。
人類在這個資料庫上的表現可以達到97.53%的准確度。但是沒有任何一個計算機演算法能夠達到這個成績。
直到這個新演算法的出現。新的演算法依照5點圖片特徵，把每張臉圖規格化成一個150*120的像素圖，這些特徵分別是：兩隻眼睛、鼻子和嘴角的位置。
然後，演算法把每張圖片劃分成重疊的25*25像素的區域，並用一個數學向量來描述每一個區域的基本特徵。做完了這些，就可以比較兩張圖片的相似度了。
但是首先需要知道的是到底要比較什麼。這個時候就需要用到訓練數據集了。一般的方法是使用一個獨立的數據集來訓練演算法，然後用同一個數據集中的圖片來測試演算法。
但是當演算法面對訓練集中完全不同的兩張圖片的時候，經常都會識別失敗。「當圖片的分布發生改變的時候，這種訓練方法就一點都不好了。」湯曉鷗教授說到。
相反，他們用四個擁有不同圖片的，完全不同的數據集來測試「高斯」演算法。舉個例子，其中一個數據集是著名的Multi-PIE資料庫，它包含了
337個不同的物體，從15種不同的角度，在19種不同的光照情況下，分別拍攝4組圖片。另一個資料庫叫做Life
Photes包含400個不同的人物，每個人物擁有10張圖片。
用這些資料庫訓練了演算法後，他們最終讓新演算法在Labelled
Faces資料庫上進行測試。目標是去識別出所有匹配和不匹配的圖片對。
請記住人類在這個資料庫上的表現是97.53%的精確度。「我們的演算法已經超過99%的精確度，這也是識別演算法第一次擊敗人類。」湯曉鷗教授說道。
希望colorreco人臉識別回答能幫助到你，望採納。

㈤ 人臉識別成功相似度要求多少以上

相似度超過72%就表示識別成功。

人臉識別技術，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的一系列相關技術，通常也叫做人像識別、面部識別。

人臉識別技術主要是通過人臉圖像特徵的提取與對比來進行的。人臉識別系統將提取的人臉圖像的特徵數據與資料庫中存儲的特徵模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。

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。

(5)人臉演算法訓練算力要求擴展閱讀：

3D人臉識別技術

3D人臉識別技術是人臉識別重要發展發現。目前大部分的人臉識別應用的范疇限定在2D圖像上。人臉實質上是一個立體模型，而2D人臉識別容易受到姿態、光照、表情等因素影響，是因為2D圖像本身有一個缺陷，無法很好地表示深度信息。

如果說深度學習是從人的認知角度來理解人臉識別，那麼3D技術就是從現實模型來反映人臉識別。

目前關於3D人臉識別方向的演算法研究並沒有2D人臉識別技術那麼豐富和深入，許多因素限制了這項技術的發展。3D人臉識別往往需要特定的採集設備，如3D攝像機或雙目攝像機。目前這類採集設備價格還比較昂貴，主要用於特定場景。

3D建模過程需要的計算量較大，對硬體要求較高，也限制了目前的應用。3D人臉識別資料庫比較稀少，研究者缺少訓練樣本和測試樣本，無法開展更深入的理論研究。隨著未來晶元技術和感測器的發展，當計算能力不再收到制約，3D採集設備成本大幅下降的時候，3D人臉識別將取得重要突破。

㈥ 人臉識別技術的核心演算法是什麼

人臉識別核心演算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測（Face Detect）和人臉識別（Face Identification）。

檢測技術核心稱為：迭代動態局部特徵分析(SDLFA)，它是以國際通用的局域特徵分析（LFA）和動態局域特徵分析（DLFA）為基礎，並且針對現實業務場景進行了全面的演算法增強及結果優化，識別技術核心稱為：實時面部特徵匹配（RFFM），其識別特徵數據緊湊，特徵演算法准確高效，是國際國內獨創性的識別技術。

㈦ 人臉識別演算法的簡介

人臉識別（Facial Recognition），就是通過視頻採集設備獲取用戶的面部圖像，再利用核心的演算法對其臉部的五官位置、臉型和角度進行計算分析，進而和自身資料庫里已有的範本進行比對，後判斷出用戶的真實身份。人臉識別技術基於局部特徵區域的單訓練樣本人臉識別方法。第一步，需要對局部區域進行定義；第二步，人臉局部區域特徵的提取，依據經過樣本訓練後得到的變換矩陣將人臉圖像向量映射為人臉特徵向量；第三步，局部特徵選擇（可選）；後一步是進行分類。分類器多採用組合分類器的形式，每個局部特徵 對應一個分類器，後可用投票或線性加權等方式得到終識別結果。 人臉識別綜合運用了數字圖像/視頻處理、模式識別、計算機視覺等多種技術，核心技 術是人臉識別演算法。目前人臉識別的演算法有 4 種：基於人臉特徵點的識別演算法、基於整幅 人臉圖像的識別演算法、基於模板的識別演算法、利用神經網路進行識別的演算法。
作為人臉識別的第一步，人臉檢測所進行的工作是將人臉從圖像背景中檢測出來，由於受圖像背景、亮度變化以及人的頭部姿勢等因素影響使人臉檢測成為一項復雜研究內容。檢測定位：檢測是判別一幅圖像中是否存在人臉，定位則是給出人臉在圖像中的位置。定位後得到的臉部圖像信息是測量空間的模式，要進行識別工作，首先要將測量空間中的數據映射到特徵空間中。採用主分量分析方法，原理是將一高維向量，通過一個特殊的特徵向量矩陣，投影到一個低維的向量空間中，表徵為一個低維向量，並且僅僅損失一些次要信息。通過對經過檢測和定位過的人臉圖像進行特徵提取操作可以達到降低圖像維數，從而可以減小識別計算量，提高識別精度的作用。人臉識別系統採用基於特徵臉的主 成分分析法（PCA），根據一組人臉訓練樣本構造主元子空間，檢測時，將測試圖像投影到 主元空間上，得到一組投影系數，再和各已知的人臉圖像模式比較，從而得到檢測結果。

㈧ 人臉識別！要學哪些東西

人臉識別是模式識別的一種，所以一個人臉識別系統的組成也無外乎一般模式識別系統的構成。主要是信號獲取+信號預處理+特徵提取+分類。所以要做一個識別系統就得了解這些方面的知識。
1.信號獲取 感測器技術
2.信號處理 信號與系統、濾波
3.特徵提取 線性代數等
4.分離器 統計概率、決策論、運籌學
以上只是一些專業基礎類的課程，如果要完成一個系統你還需要：必要的數學知識、微機知識、計算機語言（C++、匯編）、嵌入式、必要的軟體應用能力（MATLAB、LabVIEW等）、控制理論等
如果完成了上述學習，算是入門了。人臉識別的核心是識別演算法，你要做的就是去讀論文，去學習別人的演算法。推薦李子青（大牛奧運安保的人臉識別本來是要用他的作品的）and他的書 《人臉識別手冊》（做人臉識別必備的手冊）。
推薦一個網站http://face.nist.gov/frvt/frvt2006/frvt2006.htm
磚就拋到這了，祝你成功！

㈨ 人臉識別演算法的難點

人臉識別技術研究的困難

人臉識別技術擁有多種優勢讓其得到人們青睞，但其研發過程中存在的難度也是不容人們忽視的。人臉識別被認為是生物特徵識別領域甚至人工智慧領域最困難的研究課題之一，人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。

首先是人類臉部存在相似性，不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。

其次是個人人臉存在易變性，人臉的外形很不穩定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭發、胡須等）、年齡等多方面因素的影響。

在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-classdifference），而稱第二類變化為類內變化（intra-classdifference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。

㈩ 人臉識別演算法的難點是什麼

動態人臉識別在應用中遇到的挑戰

1.光照問題

面臨各種環境光源的考驗，可能出現側光、頂光、背光和高光等現象，而且有可能出現各個時段的光照不同，甚至在監控區域內各個位置的光照都不同。

2. 人臉姿態和飾物問題

因為監控是非配合型的，監控人員通過監控區域時以自然的姿態通過，因此可能出現側臉、低頭、抬頭等的各種非正臉的姿態和佩戴帽子、黑框眼鏡、口罩等飾物現象。

3. 攝像機的圖像問題

攝像機很多技術參數影響視頻圖像的質量，這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內置圖像處理晶元和鏡頭等，同時攝像機內置的一些設置參數也將影響視頻質量，如曝光時間、光圈、動態白平衡等參數。

4.丟幀和丟臉問題

需要的網路識別和系統的計算識別可能會造成視頻的丟幀和丟臉現象，特別是監控人流量大的區域，由於網路傳輸的帶寬問題和計算能力問題，常常引起丟幀和丟臉。

視頻人臉識別監控的最優方案

1.使用更先進的高清攝像頭(3-5百萬)。

2.室內均勻光線，或室外白天，無側光和直射光

3.人群面向同樣的方向，朝向相機的方向。

4.恰當的監控點，如走廊、巷子或安檢門/閘機口等(不要一群人同時出現)。

5.相機與人臉的角度小於20°。

決定監控系統性能的幾個主要因素

1.模板庫的人數：不宜大，包含關鍵人物即可。

2.經過攝像頭的人數：同時出現在攝像頭的人數決定了單位時間里的比對次數。

3.報警反饋時間：實時性越強，對系統性能要求越高。

4.攝像頭採集幀數：幀數越高，人員經過攝像頭前採集的次數越多，比對的次數也越多。

可以的話網路一下colorreco，更多的信息。