人脸识别原理

人脸识别原理

在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。

人脸识别（Facial Recognition），就是通过视频采集设备获取用户的面部图像，再利用核心的算法对其脸部的五官位置、脸型和角度进行计算分析，进而和自身数据库里已有的范本进行比对，后判断出用户的真实身份。

作为人脸识别的第一步，人脸检测所进行的工作是将人脸从图像背景中检测出来，由于受图像背景、亮度变化以及人的头部姿势等因素影响使人脸检测成为一项复杂研究内容。
检测定位：检测是判别一幅图像中是否存在人脸，定位则是给出人脸在图像中的位置。

定位后得到的脸部图像信息是测量空间的模式，要进行识别工作，首先要将测量空间中的数据映射到特征空间中。采用主分量分析方法，原理是将一高维向量，通过一个特殊的特征向量矩阵，投影到一个低维的向量空间中，表征为一个低维向量，并且仅仅损失一些次要信息。
人脸识别系统采用基于特征脸的主 成分分析法（PCA），根据一组人脸训练样本构造主元子空间，检测时，将测试图像投影到 主元空间上，得到一组投影系数，再和各已知的人脸图像模式比较，从而得到检测结果。


人脸识别法主要集中在二维图像方面，二维人脸识别主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。


特征脸（Eigenface）是指用于机器视觉领域中的人脸识别问题的一组特征向量。

人脸识别四大特征
1、几何特征：从面部点之间的距离和比率作为特征，识别速度快，内存要求比较小，对于光照敏感度降低。
2、基于模型特征：根据不同特征状态所具有概率不同而提取人脸图像特征。
3、基于统计特征：将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式，比较典型的有特征脸、独立成分分析、奇异值分解等。
4、基于神经网络特征：利用大量神经单元对人脸图像特征进行联想存储和记忆，根据不同神经单元状态的概率实现对人脸图像准确识别。

https://www.cnblogs.com/usa007lhy/p/3529563.html

人脸图像匹配与识别
人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输 出。

特征脸识别的局限性
要让系统准确识别需要保证人脸图像满足：
待识别图像中人脸尺寸接近特征脸中人脸的尺寸；
待识别人脸图像必须为正面人脸图像。

https://blog.csdn.net/wanghz999/article/details/78817265

https://blog.csdn.net/qq_17278169/article/details/79510209（人脸检测）

先检测人脸，会返回一张图片里的人脸数量以及人脸在图片的位置，然后可以利用人脸位置，从图像中扣出人脸，将扣出的人脸与人脸库进行对比，返回结果

https://blog.csdn.net/wanghz999/article/details/78751406(人脸检测)
opencv为我们提供了方便API，我们只要调用就可以快速实现人脸检测，过程主要是：
读取图片 -> 转化成灰度图 -> 对灰度图进行直方图均衡化 -> 调用detectMultiScale进行人脸检测 -> 将结果转化成人脸识别需要的训练集格式


https://blog.csdn.net/tmb8z9vdm66wh68vx1/article/details/80248425(人脸检测)



特征提取，用提取到的特征进行分类（得到分类器），测试样本通过特征提取后，将特征放入分类器进行计算就知道是那个分类了

PCA，就是多个人的脸降维得到特征值，多个人的脸取特征值大的进行变换得到每个人脸的特征脸， 测试样本通过特征值得到特征脸，并用这个特征脸与其他的特征脸计算欧氏距离，离那个近就是那个分类