精准的人脸识别技术，让人脸识别更高效

发布时间：2019/01/23    浏览次数：106

人脸识别在国内的发展已日趋成熟，在技术上也在不断创新。其核心技术在于不断学习的算法识别，在识别方法上技术也有所不同。

今天小编就跟大家盘点一下国内外人脸识别的主要方法，以提高对人脸识别系统的认识。

人脸识别的主要应用方法：

1、EGM（弹性图匹配）

其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处 的多分辨率、多方向局部特征——Gabor变换12特征，称为Jet；边的属性则为不同特征点之间的几何 关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点， 同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识 别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。

2、基于几何特征的方法

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。

3、基于神经网络的方法

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、基于线段Hausdorff 距离(LHD) 的方法

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。

5、基于支持向量机(SVM) 的方法

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，不过需要提供大量的训练样本。

到目前为止，随着人工智能的推陈出新，机器智能被赋予人类智慧，它们也在不断学习，因此才有了不断学习人脸样本的人脸识别系统，以此提高识别的精准度和效率。我们相信随着机器智能不断突破，机器也会向人类一样聪明，在人脸识别领域为各行各业提高工作效率。

而在零售行业，基于精准和高效的识别技术，采集顾客大数据，将为门店针对顾客的精准营销起到核心作用。