您好，歡迎來到易龍商務網！
發布時間：2020-10-18 05:52
【廣告】
人臉識別技術這些年已經發生了重大的變化。傳統方法依賴于人工設計的特征（比如邊和紋理描述量）與機器學習技術（比如主成分分析、線性判別分析或支持向量機）的組合。人工設計在無約束環境中對不同變化情況穩健的特征是很困難的，這使得過去的研究者側重研究針對每種變化類型的專用方法，比如能應對不同年齡的方法、能應對不同姿勢的方法、能應對不同光照條件的方法等。
近段時間，傳統的人臉識別方法已經被基于卷積神經網絡（CNN）的深度學習方法接替。深度學習方法的主要優勢是它們可用非常大型的數據集進行訓練，從而學習到表征這些數據的蕞佳特征。網絡上可用的大量自然人臉圖像已讓研究者可收集到大規模的人臉數據集，這些圖像包含了真實世界中的各種變化情況。使用這些數據集訓練的基于 CNN 的人臉識別方法已經實現了非常高的準確度，因為它們能夠學到人臉圖像中穩健的特征，從而能夠應對在訓練過程中使用的人臉圖像所呈現出的真實世界變化情況。
此外，深度學習方法在計算機視覺方面的不斷普及也在加速人臉識別研究的發展，因為 CNN 也正被用于解決許多其它計算機視覺任務，比如目標檢測和識別、分割、光學字符識別、面部表情分析、年齡估計等。
傳統的人臉識別技術主要是基于可見光圖像的人臉識別，這也是人們蕞熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。
迅速發展起來的一種解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別系統逐漸走向實用化。
人臉與人體的其它生物特征（指紋、虹膜等）一樣與生俱來，它的 性和不易被復質的良好特性為身份鑒別提供了必要的前提。
人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。下面宣城盛宇小編給大家介紹一下人臉圖像匹配與識別。
人臉圖像匹配與識別：提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，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。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份進行判斷。這一過程又分為兩類：一類是確認，是一對一 進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。
