酒店人臉識別高性價比的選擇「多圖」

發布時間：2020-10-21 07:19

【廣告】

人臉識別的發展歷史

第壹階段（1950s—1980s）初級階段

人臉識別被當作一個一般性的模式識別問題，主流技術基于人臉的幾何結構特征。這集中體現在人們對于剪影（Profile）的研究上，人們對面部剪影曲線的結構特征提取與分析方面進行了大量研究。人工神經網絡也一度曾經被研究人員用于人臉識別問題中。較早從事 AFR 研究的研究人員除了布萊索（Bledsoe）外還有戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等。總體而言，這一階段是人臉識別研究的初級階段，非常重要的成果不是很多，也基本沒有獲得實際應用。

第二階段（1990s）高潮階段

這一階段盡管時間相對短暫，但人臉識別卻發展迅速，不但出現了很多經典的方法，還出現了若干商業化運作的人臉識別系統，比如為的 Visionics（現為 Identix）的 FaceIt 系統。從技術方案上看， 2D人臉圖像線性子空間判別分析、統計表觀模型、統計模式識別方法是這一階段內的主流技術。

第三階段（1990s末~現在）

人臉識別的研究不斷深入，研究者開始關注面向真實條件的人臉識別問題，主要包括以下四個方面的研究：

1）提出不同的人臉空間模型，包括以線性判別分析為代表的線性建模方法，以Kernel方法為代表的非線性建模方法和基于3D信息的3D人臉識別方法。

2）深入分析和研究影響人臉識別的因素，包括光照不變人臉識別、姿態不變人臉識別和表情不變人臉識別等。

3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度學習方法。

4）利用新的數據源，例如基于視頻的人臉識別和基于素描、近紅外圖像的人臉識別。

什么是人臉檢測？

人臉檢測是人臉識別的流程之一，在圖像中準確標定出人臉的位置和大小，并把其中有用的信息挑出來（如直方圖特征、顏色特征、模板特征、結構特征及Haar特征等），然后利用信息來達到人臉檢測的目的。

人臉關鍵點檢測（人臉對齊）自動估計人臉圖片上臉部特征點的坐標。

基于檢測出的特征采用Adaboost學習算法（一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法）挑選出一些蕞能代表人臉的矩形特征（弱分類器），按照加權投僄的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

近人臉檢測算法模型的流派包括三類及其之間的組合：viola-jones框架（性能一般速度尚可，適合移動端、嵌入式上使用），dpm（速度較慢），cnn（性能不錯）。