一、人脸识别概况
生物识别，是指依靠人体的身体特征来进行身份验证的识别技术，目前较为主流的识别技术有：人脸识别、指纹识别、虹膜识别、语音识别等四类。
人脸识别，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。通常采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。人脸识别系统主要包括四个组成部分，分别为人脸图像采集及检测、人脸识别预处理、人脸图像特征提取以及匹配与识别。
人脸识别与其它生物识别技术相比，优势在于非接触性、非侵扰性、硬件基础完善、可拓展性。指纹识别唯一性比较强，采集成本较低，但是指纹可由指纹贴、指纹膜等复制，且接触性、侵扰性较强，人脸识别与其相比接触性和侵扰性较低；虹膜识别最精准，但是采集成本非常高，识别效率较低，接触性、侵扰性也较强，人脸识别与其相比，采集成本低、识别效率高；语音识别采集成本低，但语音具有可变性，人脸识别与其相比，识别效率高。
人脸识别技术原理简单来讲主要是三大步骤：
一是建立一个包含大批量人脸图像的数据库；
二是通过各种方式来获得当前要进行识别的目标人脸图像；
三是将目标人脸图像与数据库中既有的人脸图像进行比对和筛选。
根据人脸识别技术原理具体实施起来的技术流程则主要包含以下四个部分，即人脸图像的采集与预处理、人脸检测、人脸特征提取、人脸识别和活体鉴别。
1. 采集
需要考虑图像大小，图像分辨率，光照环境，模糊程度，遮挡程度，采集角度 。
人脸图像的采集有两种途径，分别是：人脸图像的批量导入和人脸图像的实时采集。前者是指将采集好的人脸图像批量导入至人脸识别系统，系统会自动完成个人脸图像的采集工作；后者是指调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。
人脸图像的预处理是指对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等处理来使得该人脸图像符合人脸图像特征提取的标准要求。
目前主要有三种图像预处理手段，即灰度调整、图像滤波、图像尺寸归一化。 其中灰度调整是对地点、设备、光照等造成的图像质量差异进行处理，图像滤波是对噪声造成的图像质量差异进行降噪处理，图像尺寸归一化是针对图像像素大小不同进行尺寸处理。
2. 人脸检测
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的。
人脸检测是指判断是否存在人脸及定位出人脸的位置、大小与姿态。目前的人脸检测方法可分为三类，分别是基于肤色模型的检测、基于边缘特征的检测、基于统计理论方法的检测。
基于肤色模型的检测是利用人脸的肤色特征建立肤色模型从而进行检测，其优点是人脸的检测速度较高，对遮挡和光照有一定的鲁棒性，不足是和其他方法不太兼容， 且不易处理复杂背景和多人物同框；
基于边缘特征的检测则是利用图像的边缘特征进行人脸检测，优点是计算量相对较小，可实现实时检测，与其它特征方法可融合， 缺点是在复杂背景下误检率比较高；
基于统计理论方法的检测则是通过对人脸特征值的循环迭代来检测人脸，其计算速度快，应用广泛，但是误检率较高。
3. 特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程。主要方法有基于知识的表征方法（主要包括基于几何特征法和模板匹配法）和基于代数特征或统计学习的表征方法。
基于知识的提取方法是根据人脸五官结构特征等先验知识来进行提取，其特点是识别方法比较简单、容易理解， 检测速度较快， 但是没有形成统一的特征提取标准，对动态人脸图像的鲁棒性较差；
基于代数特征的提取方法是基于统计学习的特征提取方法， 特点是特征易抽取，识别精度较高，应用广泛， 但是需要与相应的数据库进行统计训练。
4. 匹配与识别
这一精确筛选的过程分为两类：一是一对一的筛选，即对人脸身份进行确认的过程；二是一对多的筛选，即根据人脸相似程度进行匹配比对的过程。此外人脸识别包含活体鉴别环节，即区别识别的特征信号是否来自于真正的生物体。
关键技术指标：检测率、误检率、漏检率、速度。识别中的精确率、召回率、错误接受率/认假率/误识率、错误拒绝率/拒真率/拒识率。
临沂人脸识别就找青迈智能！
