人脸识别

人脸识别

技术特点

传统技术：基于可见光图像的人脸识别

缺点

环境光照发生变化时，识别效果会急剧下降

三维图像人脸识别

不成熟

热成像人脸识别

基于主动近红外图像的多光源人脸识别技术

技术流程

人脸图像采集及检测

人脸图像预处理

人脸图像特征提取

人脸图像匹配与识别

优势

自然性：指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同

不被被测个体察觉

困难

相似性

易变性

主要用途

应用前景

其他方面

发展的技术方法

子空间法

在20世纪80、90年代，人脸识别的误差还比较大，应用领域也很有限，通常在检查证件照等特定领域才会使用。当时的技术颇为简单，通常是将图像经简单的预处理后线性地映射到一个高维向量空间中。由于只是线性模型能力的不足，那时的识别准确率与今天相比大概是数10倍的差距。

局部描述子方法

在2000年～2010年，局部描述子方法成为研究主流。它在人脸的局部区域（如眉、眼、鼻、嘴等）抽取局部描述子，再线性或非线性地映射到高维向量空间中去。这类方法的识别准确率较上一阶段的子空间方法有很大提升。不过因为特征和模型始终是人工设计的，所以仍然存在一定的局限性。

深度学习法

从2012年至今，深度学习方法在学术界被迅速地广泛使用。通过深层神经网络训练出来的人脸识别算法极大地提高了识别精度。简而言之，就是让已经在网络结构中预设了人脸识别先验知识的神经网络大量“阅读”很多人在各种环境（例如光照，视角，表情）下拍摄到的不同人脸照片，自动学习并提取人脸各个部位和尺度的低，中，高层特征。在大量学习之后，它便能根据所提供的监督信息将不同的人分开。

技术领先的公司

face++

FDDB评测、人脸关键点定位300-W评测和人脸识别LFW评测上，接连拿下了这三项的世界第一

Face++除了与支付宝合作，还与360、世纪佳缘、美图秀秀、美颜相机、联想、神州智联等公司合作

facebook人脸识别

CSDN