人脸算法训练算力要求

㈠ 深度学习做人脸识别，和传统方式比有啥好处

深度学习的算法可以对人的表情和声音特质进行分析判断，多模态的分析模式。

㈡ 人脸识别的识别算法

人脸识别的基本方法

人脸识别的方法很多，以下介绍一些主要的人脸识别方法。

(1)几何特征的人脸识别方法

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。

(2)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，由这些基可以张成低维线性空间。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。

(3)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。

(4)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。

(5)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。

(6)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，该函数的取法没有统一的理论。

人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。

在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是基于上述原因，一直到21 世纪初，国外才开始出现人脸识别的商用，但由于人脸识别算法非常复杂，只能采用庞大的服务器，基于强大的计算机平台。

如果可以的话，可以Te一下colorreco，更好的技术解答。

㈢ 人脸识别的算法

component analysis，Hidden Markov ModeI(HMM) l 引言近十年来，人脸识别的研究有了很大进展。与指纹、语音等其他人体生物特征相比，人脸识别更加直接、友好，在身份识别，视频检索，安伞舱控等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点【”特征提取在人脸识别中的作用至关重要，如何根据人的视觉机制提取有效的特征一直是模式识别领域的研究热点。早期的研究中有人用Gabor小波对大脑皮层的视觉感知细胞的性态进行建模‘，即可以把每个视觉细胞看作一个具有一定方向和尺度的Gabor滤波器。当外界刺激(例如图像信号)输入到视觉细2004．08．09收到．2005．01．1】改回中国科学院科技创新基金资助课题胞时，视觉细胞的输出响应就是图像与Gabor滤波器的卷积，而这个输出信号经大脑的进一步处理后形成最后的认知映像。

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

http://www.cqvip.com/qk/91130A/200603/21450873.html
(这个网站里面有很多这方面的参考文献)

㈣ 为什么香港中文大学研发的人脸识别算法能够击败人类

任何一个人脸自动识别程序，首先要考虑的就是去构建一个合适的数据集来测试算法。那需要一个非常大范围的，各种各样的，带着各种复杂动作、光线和表情的，不同脸的图像，各种人种、年龄和性别都要考虑在内。然后还要考察服装、发型以及化妆等其他因素的影响。
比较幸运的是，已经有这么一个拥有各种不同人脸的标准数据库——Labelled
Faces。它拥有超过13,000张不同人脸的图片，它们是从网络上收集的6000个不同的公众人物。更重要的是，每个人都拥有不止一张人脸图片。
当然也存在其他的人脸数据库，但是Labelled
faces目前是计算机科学家们所公认的最具参考价值的测试数据集。
面部识别的任务是去比较两张不同的图片，然后判断他们是否是同一个人。
人类在这个数据库上的表现可以达到97.53%的准确度。但是没有任何一个计算机算法能够达到这个成绩。
直到这个新算法的出现。新的算法依照5点图片特征，把每张脸图规格化成一个150*120的像素图，这些特征分别是：两只眼睛、鼻子和嘴角的位置。
然后，算法把每张图片划分成重叠的25*25像素的区域，并用一个数学向量来描述每一个区域的基本特征。做完了这些，就可以比较两张图片的相似度了。
但是首先需要知道的是到底要比较什么。这个时候就需要用到训练数据集了。一般的方法是使用一个独立的数据集来训练算法，然后用同一个数据集中的图片来测试算法。
但是当算法面对训练集中完全不同的两张图片的时候，经常都会识别失败。“当图片的分布发生改变的时候，这种训练方法就一点都不好了。”汤晓鸥教授说到。
相反，他们用四个拥有不同图片的，完全不同的数据集来测试“高斯”算法。举个例子，其中一个数据集是著名的Multi-PIE数据库，它包含了
337个不同的物体，从15种不同的角度，在19种不同的光照情况下，分别拍摄4组图片。另一个数据库叫做Life
Photes包含400个不同的人物，每个人物拥有10张图片。
用这些数据库训练了算法后，他们最终让新算法在Labelled
Faces数据库上进行测试。目标是去识别出所有匹配和不匹配的图片对。
请记住人类在这个数据库上的表现是97.53%的精确度。“我们的算法已经超过99%的精确度，这也是识别算法第一次击败人类。”汤晓鸥教授说道。
希望colorreco人脸识别回答能帮助到你，望采纳。

㈤ 人脸识别成功相似度要求多少以上

相似度超过72%就表示识别成功。

人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或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的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别技术主要是通过人脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。

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。

(5)人脸算法训练算力要求扩展阅读：

3D人脸识别技术

3D人脸识别技术是人脸识别重要发展发现。目前大部分的人脸识别应用的范畴限定在2D图像上。人脸实质上是一个立体模型，而2D人脸识别容易受到姿态、光照、表情等因素影响，是因为2D图像本身有一个缺陷，无法很好地表示深度信息。

如果说深度学习是从人的认知角度来理解人脸识别，那么3D技术就是从现实模型来反映人脸识别。

目前关于3D人脸识别方向的算法研究并没有2D人脸识别技术那么丰富和深入，许多因素限制了这项技术的发展。3D人脸识别往往需要特定的采集设备，如3D摄像机或双目摄像机。目前这类采集设备价格还比较昂贵，主要用于特定场景。

3D建模过程需要的计算量较大，对硬件要求较高，也限制了目前的应用。3D人脸识别数据库比较稀少，研究者缺少训练样本和测试样本，无法开展更深入的理论研究。随着未来芯片技术和传感器的发展，当计算能力不再收到制约，3D采集设备成本大幅下降的时候，3D人脸识别将取得重要突破。

㈥ 人脸识别技术的核心算法是什么

人脸识别核心算法包括检测定位、建模、纹理变换、表情变换、模型统计训练、识别匹配等关键步骤，其中最关键的技术包括两部分：人脸检测（Face Detect）和人脸识别（Face Identification）。

检测技术核心称为：迭代动态局部特征分析(SDLFA)，它是以国际通用的局域特征分析（LFA）和动态局域特征分析（DLFA）为基础，并且针对现实业务场景进行了全面的算法增强及结果优化，识别技术核心称为：实时面部特征匹配（RFFM），其识别特征数据紧凑，特征算法准确高效，是国际国内独创性的识别技术。

㈦ 人脸识别算法的简介

人脸识别（Facial Recognition），就是通过视频采集设备获取用户的面部图像，再利用核心的算法对其脸部的五官位置、脸型和角度进行计算分析，进而和自身数据库里已有的范本进行比对，后判断出用户的真实身份。人脸识别技术基于局部特征区域的单训练样本人脸识别方法。第一步，需要对局部区域进行定义；第二步，人脸局部区域特征的提取，依据经过样本训练后得到的变换矩阵将人脸图像向量映射为人脸特征向量；第三步，局部特征选择（可选）；后一步是进行分类。分类器多采用组合分类器的形式，每个局部特征 对应一个分类器，后可用投票或线性加权等方式得到终识别结果。 人脸识别综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术，核心技 术是人脸识别算法。目前人脸识别的算法有 4 种：基于人脸特征点的识别算法、基于整幅 人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。
作为人脸识别的第一步，人脸检测所进行的工作是将人脸从图像背景中检测出来，由于受图像背景、亮度变化以及人的头部姿势等因素影响使人脸检测成为一项复杂研究内容。检测定位：检测是判别一幅图像中是否存在人脸，定位则是给出人脸在图像中的位置。定位后得到的脸部图像信息是测量空间的模式，要进行识别工作，首先要将测量空间中的数据映射到特征空间中。采用主分量分析方法，原理是将一高维向量，通过一个特殊的特征向量矩阵，投影到一个低维的向量空间中，表征为一个低维向量，并且仅仅损失一些次要信息。通过对经过检测和定位过的人脸图像进行特征提取操作可以达到降低图像维数，从而可以减小识别计算量，提高识别精度的作用。人脸识别系统采用基于特征脸的主 成分分析法（PCA），根据一组人脸训练样本构造主元子空间，检测时，将测试图像投影到 主元空间上，得到一组投影系数，再和各已知的人脸图像模式比较，从而得到检测结果。

㈧ 人脸识别！要学哪些东西

人脸识别是模式识别的一种，所以一个人脸识别系统的组成也无外乎一般模式识别系统的构成。主要是信号获取+信号预处理+特征提取+分类。所以要做一个识别系统就得了解这些方面的知识。
1.信号获取 传感器技术
2.信号处理 信号与系统、滤波
3.特征提取 线性代数等
4.分离器 统计概率、决策论、运筹学
以上只是一些专业基础类的课程，如果要完成一个系统你还需要：必要的数学知识、微机知识、计算机语言（C++、汇编）、嵌入式、必要的软件应用能力（MATLAB、LabVIEW等）、控制理论等
如果完成了上述学习，算是入门了。人脸识别的核心是识别算法，你要做的就是去读论文，去学习别人的算法。推荐李子青（大牛奥运安保的人脸识别本来是要用他的作品的）and他的书 《人脸识别手册》（做人脸识别必备的手册）。
推荐一个网站http://face.nist.gov/frvt/frvt2006/frvt2006.htm
砖就抛到这了，祝你成功！

㈨ 人脸识别算法的难点

人脸识别技术研究的困难

人脸识别技术拥有多种优势让其得到人们青睐，但其研发过程中存在的难度也是不容人们忽视的。人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一，人脸识别的困难主要是人脸作为生物特征的特点所带来的。

首先是人类脸部存在相似性，不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。

其次是个人人脸存在易变性，人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。

在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-classdifference），而称第二类变化为类内变化（intra-classdifference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。

㈩ 人脸识别算法的难点是什么

动态人脸识别在应用中遇到的挑战

1.光照问题

面临各种环境光源的考验，可能出现侧光、顶光、背光和高光等现象，而且有可能出现各个时段的光照不同，甚至在监控区域内各个位置的光照都不同。

2. 人脸姿态和饰物问题

因为监控是非配合型的，监控人员通过监控区域时以自然的姿态通过，因此可能出现侧脸、低头、抬头等的各种非正脸的姿态和佩戴帽子、黑框眼镜、口罩等饰物现象。

3. 摄像机的图像问题

摄像机很多技术参数影响视频图像的质量，这些因素有感光器(CCD、CMOS)、感光器的大小、DSP的处理速度、内置图像处理芯片和镜头等，同时摄像机内置的一些设置参数也将影响视频质量，如曝光时间、光圈、动态白平衡等参数。

4.丢帧和丢脸问题

需要的网络识别和系统的计算识别可能会造成视频的丢帧和丢脸现象，特别是监控人流量大的区域，由于网络传输的带宽问题和计算能力问题，常常引起丢帧和丢脸。

视频人脸识别监控的最优方案

1.使用更先进的高清摄像头(3-5百万)。

2.室内均匀光线，或室外白天，无侧光和直射光

3.人群面向同样的方向，朝向相机的方向。

4.恰当的监控点，如走廊、巷子或安检门/闸机口等(不要一群人同时出现)。

5.相机与人脸的角度小于20°。

决定监控系统性能的几个主要因素

1.模板库的人数：不宜大，包含关键人物即可。

2.经过摄像头的人数：同时出现在摄像头的人数决定了单位时间里的比对次数。

3.报警反馈时间：实时性越强，对系统性能要求越高。

4.摄像头采集帧数：帧数越高，人员经过摄像头前采集的次数越多，比对的次数也越多。

可以的话网络一下colorreco，更多的信息。