人工智能首页 > 虚拟现实 > 正文

人脸识别系统让我们的生活更便捷

2019-04-22 阅读888次

  

  人脸识别系统以人脸识别技术为核心,是一项新兴的生物识别技术,是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法,融合了计算机图像处理技术与生物统计学原理于一体,利用计算机图像处理技术从视频中提取人像特征点,利用生物统计学的原理进行分析建立数学模型,具有广阔的发展前景。2006年,美国已经要求和它有出入免签证协议的国家在10月26日之前必须使用结合了人脸识别的电子护照系统,到 2006年底已经有50多个国家实现了这样的系统。2012年4月,铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统;可以对人脸明暗侦测,自动调整动态曝光补偿, 人脸追踪侦测,自动调整影像放大。

  一、人脸识别系统的应用

  人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来访登记、人脸识别ATM机智能视频报警系统、人脸识别监狱智能报警系统、人脸识别RFID智能通关系统、人脸识别公安罪犯追逃智能报警系统等等。适用范围: 公园、工厂、超市、小区广场、会议中心、体育场馆、学校、医院、住宅区、商业街、大型农贸市场等公众活动和聚集场所的重要部位,酒店(宾馆)、餐饮、娱乐场所、办公楼的大堂出入口、电梯和其他主要通道等室内外范围的监控录像用途。

  二、人脸识别系统的功能模块

  人脸捕获与跟踪人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来,并自动地将其保存。人像跟踪是指利用人像捕获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。

  人脸识别比对人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登 记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指,从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。

  人脸建模与检索系统可以将登记入库的人像数据进行建模提取人脸的特征,并将其生成人脸模板(人脸特征文件)保存到数据库中。在进行人脸搜索时(搜索式),将指定的人像进行建模,再将其与数据库中的所有人的模板相比对识别,最终将根据所比对的相似值列出最相似的人员列表。

  真人鉴别系统可以识别得出摄像头前的人是一个真正的人还是一张照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。

  图像质量检测图像质量的好坏直接影响到识别的效果,图像质量的检测功能能对即将进行比对的照片进行图像质量评估,并给出相应的建议值来辅助识别。

  三、人脸识别系统的科研进展

  人脸识别支付系统2013年,中国科学院重庆绿色智能技术研究院智能多媒体技术研究中心启动了以人脸识别为核心技术的人脸识别支付方式的研究。 [3] 截止2014年8月,该中心已经完成了人脸识别支付系统的关键性技术研究。该中心全球首创的人脸数据采集阵列,能够从91个角度对人脸同步采集,能对人脸识别影响最大的多变光照、多角度、遮挡等状态进行最优的识别效果。智能多媒体技术研究中心的人脸识别系统已应用在边检站自动通关系统、动态人脸识别考勤机、多属性动态人脸识别系统等。在此基础上,中心研发出了人脸识别移动支付系统,已能够实现支付只需“刷脸卡”。

  四、人脸识别系统与逃犯追踪案例

  去年歌神张学友变身“追逃大神”,已经有三名逃犯在他的演唱会上被警方抓获。据嘉兴公安官方微信消息,嘉兴警方于5月20日在张学友演唱会上成功抓获一名逃犯。这是继4月7日南昌演唱会、5月5日赣州演唱会后,警方第三次在张学友演唱会上抓获逃犯。有网友在网上调侃:“他来听我的演唱会,在网上通缉的时候,买了门票一对。”

  但调侃归调侃,一场演唱会往往几万人的规模,人员众多,灯光昏暗,警方是如何在人流量如此之大的情况下成功锁定逃犯的?现在的人脸识别系统发展到了什么程度?

  人山人海中认出逃犯

  嘉兴公安在昨日发布的微信文章中透露了事件经过。文章称,嫌疑人于某在看台入口时,被警方锁定。“当他经过安检门的几分钟之后,我们系统发出预警,此人为网上在逃人员。”嘉兴南湖区警方说。之后警方在看台的出入口蹲守,演唱会散场时成功抓获逃犯。

  实际上,这是利用了AI人脸识别技术。别以为这是只有在电影中才会发生的场景,AI人脸识别技术早已在多地运行。

  前面两起警方在张学友演唱会上成功抓获逃犯的案例同样也是利用的AI人脸识别技术。在之后的新闻报道中,南昌警方表示,之所以能够在人山人海的演唱会中认出逃犯,是会场入口设置的人像识别系统立了功。

  “当我们找到他的时候,他一脸茫然,没想到我们能在数万人中找到他。”南昌民警在接受媒体采访时说。

  五、人脸识别技术发展

  早在20世纪50年代,认知科学家就已着手对人脸识别展开研究。20世纪60年代,人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构,通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法简单直观,但是一旦人脸姿态、表情发生变化,则精度严重下降。

  1991年,著名的“特征脸”方法[1]第一次将主成分分析和统计特征技术引入人脸识别,在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大,例如,Belhumer成功将Fisher判别准则应用于人脸分类,提出了基于线性判别分析的Fisherface方法[2]。

  21世纪的前十年,随着机器学习理论的发展,学者们相继探索出了基于遗传算法、支持向量机(Support Vector Machine, SVM)、boosting、流形学习以及核方法等进行人脸识别。 2009年至2012年,稀疏表达(Sparse Representation)[3]因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。

  与此同时,业界也基本达成共识:基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。Gabor[4]及LBP[5]特征描述子是迄今为止在人脸识别领域最为成功的两种人工设计局部描述子。这期间,对各种人脸识别影响因子的针对性处理也是那一阶段的研究热点,比如人脸光照归一化、人脸姿态校正、人脸超分辨以及遮挡处理等。也是在这一阶段,研究者的关注点开始从受限场景下的人脸识别转移到非受限环境下的人脸识别。LFW人脸识别公开竞赛在此背景下开始流行,当时最好的识别系统尽管在受限的FRGC测试集上能取得99%以上的识别精度,但是在LFW上的最高精度仅仅在80%左右,距离实用看起来距离颇远。

  2013年,MSRA的研究者首度尝试了10万规模的大训练数据,并基于高维LBP特征和Joint Bayesian方法[6]在LFW上获得了95.17%的精度。这一结果表明:大训练数据集对于有效提升非受限环境下的人脸识别很重要。然而,以上所有这些经典方法,都难以处理大规模数据集的训练场景。

  2014年前后,随着大数据和深度学习的发展,神经网络重受瞩目,并在图像分类、手写体识别、语音识别等应用中获得了远超经典方法的结果。香港中文大学的Sun Yi等人提出将卷积神经网络应用到人脸识别上,采用20万训练数据,在LFW上第一次得到超过人类水平的识别精度,这是人脸识别发展历史上的一座里程碑。自此之后,研究者们不断改进网络结构,同时扩大训练样本规模,将LFW上的识别精度推到99.5%以上。如表1所示,我们给出了人脸识别发展过程中一些经典的方法及其在LFW上的精度,一个基本的趋势是:训练数据规模越来越大,识别精度越来越高。如果读者阅读有兴趣了解人脸识别更细节的发展历史,可以参考文献。

  非常感谢你能够浏览到文章的底部,关于人脸识别系统小编今天就总结到这来,如果你对于人工智能有兴趣,欢迎浏览ai study人工智能科技在这里希望你能够获得更有价值的资讯,和小编一起学习一起成长!


随意打赏