人脸识别摄像机技术分析

　　人脸识别算法

　　一般来说，人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别（身份确认或者身份查找）。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的。

　　人脸识别人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。 　　

　　人脸识别算法分类

　　. 基于人脸特征点的识别算法（Feature-based recognition algorithms）。

　　. 基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）。

　　. 基于模板的识别算法（Template-based recognition algorithms）。

　　. 利用神经网络进行识别的算法（Recognition algorithms using neural network）。　

　　基于光照估计模型理论，提出了基于Gamma灰度矫正的光照预处理方法,并且在光照估计模型的基础上，进行相应的光照补偿和光照平衡策略。优化的形变统计校正理论，基于统计形变的校正理论，优化人脸姿态；神经网络识别强化迭代理论，强化迭代理论是对DLFA人脸检测算法的有效扩展；独创的实时特征识别理论，该理论侧重于人脸实时数据的中间值处理，从而可以在识别速率和识别效能之间，达到最佳的匹配效果人脸识别数据。

　　人脸识别需要积累采集到的大量人脸图像相关的数据，用来验证算法，不断提高识别准确性，这些数据诸如A Neural Network Face Recognition Assignment(神经网络人脸识别数据)、orl人脸数据库、麻省理工学院生物和计算学习中心人脸识别数据库、埃塞克斯大学计算机与电子工程学院人脸识别数据等。

　　采用人脸识别的优势

　　人脸识别的优势在于其自然性和不被被测个体察觉的特点。所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同。例如人脸识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有虹膜识别语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。

　　不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。

　　人脸识别困难性

　　人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人脸识别的困难主要是人脸作为生物特征的特点所带来的。

　　相似性：不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。

　　易变性：人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。

　　在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-class difference），而称第二类变化为类内变化（intra-class difference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。

　　人脸识别主要用途

　　人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术所做人脸识别摄像机无疑用于身份识别是最佳的选择，采用快速人脸检测技术可以从监控摄像图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。