人脸识别要素

第一节概述

人脸识别在目前来说，还是一件难度非常大的事情，主要因为人脸本身骨骼结构虽不易改变，神态却变化万千，甚至在人的一生中，一张面孔上绝对不会出现两种完全相同的表情。加上年龄增长和不同光照下的明暗变化，识别人脸对于只认数字和计算的电脑来说，困难重重。

但是，人的面部也有许多无法改变的特征：眼眶内外侧的比例，鼻梁长度和鼻翼宽度的比例……这些由人的面部骨骼决定的比例关系，组成了无数个“关键点”，不会因为胖瘦、表情、年龄的变化产生改变。

因此，我们接下来所要分析的人脸识别，将以三庭五眼为依据，结合人脸的基本要素，提炼出不易变化的关键点分别加以论述。

“三庭”是指将面部正面横向分为三等分，即从发际到眉线为一庭，从眉线到鼻底为一庭，鼻底以下为一庭；“五眼”是指将面部正面纵向分为五等分，以一个眼长为一等分，即两眼之间的距离为一个眼的距离，从外眼角垂线到外耳孔垂线之间为一个眼的距离，整个面孔正面纵向分为五个眼的距离。

第二节关键要素：

一、特征：

1.定义及名词解释：指面部特有标记如胎记、痣、疤痕，酒窝等；

二、脸型：

1.定义及名词解释：脸型指面部轮廓的形状。脸的上半部是由上颌骨、颧骨、颞骨、

额骨和顶骨构成的圆弧形结构，下半部则取决于下颌骨的形态，颌骨在整个脸型中起着尤其重要的作用，是决定脸型的基础结构。

2.脸型分类：

●椭圆型（鹅蛋脸）：又名长圆脸，特征是额头饱满，下颚圆润尖细，上下呈椭圆形状态，小鹅

蛋脸即瓜子脸，瓜子脸上部略圆，下部略尖，形似瓜子；

●圆型（娃娃脸）：脸的长宽比例接近，脸型比较圆润，颊部比较丰满、侧面弧度偏平，颧骨不

明显，下颚圆润有弧线，额头和脸型都成圆型，多见于胖人及婴幼儿；

●方型（国字脸）：有长方脸，短方脸之分。方脸下颌骨侧方的下颌角肥大、粗壮，咬肌明显，

方脸上额角、下颌角较宽，下颌两侧有棱角，整体棱角较分明；

图例：长方脸

图例：短方脸

●倒三角型（甲字脸）：上额较宽，向下逐渐收敛变窄，下颌及咬肌平滑不明显，下巴较尖；

●菱型（申字型）：额头与颞部体积窄小，颧骨高、颧颊部较宽大，下颌及頦部较为细长，形成

了两头大中间小的形状，形如枣核，整个脸看起来较长，略有棱角。

图例：菱形脸

●三角型：三角形脸的特征是窄额头、宽下巴，上窄下宽，脸的下半部分宽而平；

图例：三角脸

3.识别要素：

●脸形：确定并比对脸形；

●额宽：比对额宽及形状；

●颧骨：比对颧骨高低及形状；

●下颌：比对下颌角及咬肌形状；

●下巴：比对下巴形状及弧度；

三、五官布局

1.定义及名词解释：所谓的“五官”，指的就是“耳、舌、眼、鼻、口”等五种人体

器官。我们在人脸识别时，对他们重新做了定义，分为“眼、鼻、口、耳、眉”，根据这五种面部器官的分布，来对人脸进行比对。

2.五官类型：

●内脸型：内脸型人的五官都朝中间集中。双眼两侧到脸廓的距离长，脸颊面积也较宽大，会让

人觉得脸蛮大的。

●外脸型：外脸型的人五官都往外跑，感觉五官扁平，不够出色；

●上脸型：上脸型的人五官都集中在上半部，脸颊到下巴的距离很长；

●下脸型：下脸型的人额头很高很宽，五官都往下半部集中。虽然长相可爱，但会给人有点婴儿

肥的感觉，显得孩子气；

●吊脸型：吊脸型的眉毛、下眼尾、嘴角全部往上吊，所以会给人凶巴巴的感觉，显得有点俗气；

●垂脸型：垂脸型的眼睛和脸颊都往下掉，下嘴唇很厚，老是给人一脸倦态的感觉，而且看起来

也比实际年龄大；

3.识别要素：

●形态：确定并比对五官布局形态；

●辅助线工具：以颚底线、鼻底线和眼角线作为标志线；以双眼两侧作为标志线；

四、眉：

1.定义及名词解释：眉指眼上方的弓或嵴，亦指生长在这条嵴上的眉毛；

●眉头：位于鼻翼外侧与内眼角的延长线上，两眉头之间宽度约为一只眼睛的长度；

●眉峰：位于鼻翼外侧与瞳孔外侧的延长线上，眉峰是眉毛的最高点，标准位置在眉毛长度的2/3

处，眉型多在眉峰处转折；

●眉梢：位于鼻翼外侧与外眼角的延长线上，眉尾要高于眉头

图例：眉的定义-1

图例：眉的定义-2

2.眉形：

●标准眉（柳叶眉）：眉峰在眉毛的1/2处，眉型弯曲呈拱形，有一定幅度，线条流畅，从眼

头长长的到达眼尾的后方；

●一字眉：眉头、眉峰和眉梢走行平直

●高挑眉（弧形眉）：眉形向上，眉峰在眉毛的3/5处，眉尾自眉峰向下，眉尾稍长，眉峰较为

圆润，有弧度；

●上扬眉（剑眉）：眉形整体向上，眉尾也是向上或眉尾非常短，向倒过来的八，如果此眉形出

现在男性身上，往往即剑眉；

●八字眉：眉形整体向下，眉梢低于眉头

3.识别要素：

●眉形：确定并比对眉形；

●眉间距：比对两眉间距离；

●眉粗细：比对眉毛整体粗细；

●眉长短：比对眉毛整体长短；

●眉头：比对眉头形状、大小、粗细、方向；

●眉峰：比对眉峰位置、折度、粗细、方向；

●眉梢：比对眉梢形状、大小、粗细、方向；

五、眼：

1.定义及名词解释：

●眼形：针对眼睛大小、形状，方向等的综合定义；

●眼眦：即眼眶。内眦即内眼角；外眦即外眼角；

●眼皮：眼皮指眼睛皮肤在睑缘上方突出或凹进的一层皮叫眼皮。眼皮分双眼皮和单眼皮，双眼

皮是指上睑皮肤在睑缘上方有一浅沟，当睁眼时此沟以下的皮肤上移，而此沟上方皮肤则松弛

在重睑沟处悬垂向下折。单眼皮是指眼皮无褶皱称为单睑；

●眼袋：就是下眼睑浮肿，由于眼睑皮肤很薄，皮下组织薄而松弛，很容易发生水肿现象，从而

产生眼袋。眼袋的形成有诸多因素，遗传是重要因素，而且随着年龄的增长愈加明显。

图例：眼袋

●卧蚕：卧蚕是紧邻睫毛下缘一条约四到七毫米带状隆起物，看来好像一条蚕宝宝横卧在下睫毛

的边缘，笑起来才明显，让眼神变得可爱。区分方法，卧蚕比较小，但是比较凸，而且一般不

黑，而眼袋一般会比较发暗，眼袋一般呈三角形，而卧蚕则呈椭圆形；

图例：卧蚕眼

2.眼形：

●标准眼：又称杏眼，眼睛位于标准位置上，男性多见，特点是睑裂宽度比例适当，较丹凤眼宽，

眦角较钝圆，黑眼珠及眼白露出较多，显英俊俏丽。

●丹凤眼：特征内眼角朝下，外眼角朝上，内眦角大于外眦角，眼形细长，呈弧形展开，眼尾往

斜上延伸向太阳穴部位，眼皮呈内双，黑睛内藏不外露。吊眼（倒三角眼）和丹凤眼较相似，

区别在于吊眼的整个眼睛是往上翘的，整体看似是斜的，而丹凤眼只是眼角上翘，笑起来眯眼

睛的时候尤为突出，吊眼的人一般眼睛稍小，而丹凤眼的人则是眼睛狭长，眼睛很大。

●吊眼（上斜眼）：也称倒三角眼。外眦角高于内眦角，眼轴线向外上倾斜度过高，外眦角成上挑

状。双侧观看呈反"八字"形。显得灵敏机智，目光锐利，但有冷淡、严厉之感。

●垂眼：也称下斜眼。外形特征与吊眼相反，外眦角低于内眦角、眼轴线向下倾斜，形成了外眼

角下斜的眼型。双侧观看呈"八字"形。显得天真可爱，但给人以阴郁的感觉，过度显老态。

●三角眼：一般眦角多正常，主要由于上睑皮肤中外侧松弛下垂，外眦角被遮盖显小，使眼裂变

成近似三角形，中老年人多见，也有先天性三角眼者，但少见。

●细长眼：又称长眼，睑裂细小，睑缘弧度小，黑眼珠及眼白露出相对较少。给人以缺乏眼神感，

往往显得没有精神；如睑裂不仅小，而且短，则为眯缝眼；

图例：细长眼

图例：眯缝眼

●圆眼：也称荔枝眼、大眼。睑裂较高宽，睑缘呈圆弧形，黑眼珠、眼白露出多，使眼睛显示圆

大。给人以目光明亮、机灵有神之感，但相对缺乏秀气。如睑裂不仅高，且短，即为小圆眼；

●肿眼泡：也称金鱼眼，眼睑皮肤显肥厚，皮下脂肪臃肿，鼓突，是眉弓、鼻梁、眼窝之间的立

体感减弱，外形不美观。给人以不灵活、迟钝、神态不佳感觉。

●深眼窝：主要特征是上睑凹陷不丰满，西方人多见。眼形显得整洁、舒展，年轻时具有成熟感，

中老年给以疲劳感，过度显得憔悴。

●突眼：睑裂过于宽大，眼球大，向前方突出，黑眼珠全暴露，眼白暴露范围也多，若黑眼珠四

周均有眼白暴露则俗称"四白眼"，过度是一种病态表现。

●远心眼：主要特征是内眦间距过宽，两眼分开过远，使面部显宽，失去比例美，过度显得呆板。

●近心眼：主要特征是内眦间距过窄，两眼过于靠近，五官呈收拢态，立体感增强，显严肃紧张，

过度有忧郁感。

3.识别要素：

●眼形：确定并比对眼形；

●眼眦：比对内外眦形状；

●眼皮：比对上眼皮形状及有无双眼皮；

●眼袋：比对有无眼袋或卧蚕，及眼袋形状；

●眼间距：比对两眼间距离；

六、鼻：

1.定义及名词解释：隆起于面部正中的嗅觉器官，也是呼吸的孔道。人脸识别主要关注外鼻。外鼻

是指突出于面部的部分，由骨和软骨为支架，外面覆以皮肤构成。外鼻形如三边锥体，突出于颜面中央。

●鼻根：位于外鼻最上部两眼之间，上端较窄；

●鼻梁：位于外鼻中央的隆起部；

●鼻尖：位于外鼻下端高突的部分；

●鼻翼：鼻尖两侧向外方膨隆的部分；

2.鼻形：

●希腊鼻：又称直鼻，其特征是鼻梁从鼻根起笔直凸起向下，鼻根高，鼻根部凹陷不明显，鼻尖

较尖，鼻翼细长，鼻基底部呈水平位；

●蒜头鼻：鼻尖膨大呈球状。

●狮子鼻：鼻跟部较低，鼻冀较大而饱满，鼻头隆起。

●犹太鼻：亦称鹰钩鼻，特点为鼻梁长，且凸曲鼻尖向下，鼻基部朝下方，因此鼻尖形成向下的

钩状。

●马鞍鼻：鼻根低平，鼻梁扁平，鼻和鼻根上部有一定的高度，中间明显凹陷，形似马鞍，是较

丑陋的鼻子之一。

●罗马鼻：鼻根部凹陷稍深，鼻梁部的鼻骨处形成一段隆起，然后呈直线向下或延续为轻度曲线，

鼻根高度中等，但有明显凹陷，鼻尖向前，鼻基部呈水平位。

3.识别要素

●鼻形：确定并比对鼻形；

●鼻根：对比鼻根高低程度；

●鼻梁：对比鼻梁高低及形状；

●鼻尖：对比鼻尖有无突出，是否为尖或圆；

●鼻翼：对比鼻翼宽度及厚度；

七、嘴

1.定义及名词解释：嘴是依附于上下颌骨及牙齿构成的半圆柱体，形体呈圆弧状。位于面部的正下

方，是吞咽和说话的重要器官之一，嘴是脸部运动范围最大、最富有表情变化的部位。

●唇：嘴分为上唇和下唇，闭在一起时只有一条横缝，即口裂。口裂的两头叫口角。

●人中：上唇中部有一条发育程度不同的纵沟，称人中；

●红唇：红唇是口唇轻闭时，正面所见到的赤红色口唇部，红唇部皮肤极薄，没有角质层

和色素，因而能透过血管中血液颜色，形成红唇；

2.嘴形（唇形）：

●正唇：上下平均

●厚唇型：上下唇肥厚，唇峰过高，使唇型有外翻倾向；

●薄唇型：口唇的唇红部单薄；

●口角上翘型：俗称起菱，口角上翘，产生微笑的感觉；

●口角下垂型：突出特征是由上下唇会合形成的口角成弧线向下垂，给人愁苦不愉快的感觉；

●凸唇型：特征是唇峰高，上唇外圆而前突，唇轮廓不圆润，这样的唇型从唇峰最高点做为起点，

从唇峰两侧往外扩花瓣型的圆，两唇角往回收，下唇比上唇略厚，视觉给人饱满的感觉。

●地包天：下前牙咬在上前牙的外面，俗称“地包天”，也叫“兜齿”

3.识别要素

●嘴形（唇）：确定并比对嘴（唇）形；

●人中：对比鼻尖至上唇间距，及人中沟深浅程度；

八、耳：

1.定义及名词解释：位于头部两侧对称的听觉器官，人脸识别中主要关注外耳中的耳廓部分。

●耳轮：弯折的皮肤边缘，耳廓周围的软骨；

●耳垂：耳轮下端之柔软部分。又名耳坠、耳垂珠；

2.耳形：

●金耳：双耳略高于双眉，耳轮圆小，但耳珠饱满下垂，厚而坚实；

●木耳：双耳耳轮单薄，上大下细，薄而无珠，并且常有耳廓不明显或不存在的情况；

●水耳（贴面耳）：双耳略高于双眉，贴肉而生，双耳厚圆坚实较小，耳珠下垂。

●火耳：双耳高于双眉，耳轮较尖，耳长坚硬，廓不明显或似有似无；

●土耳（棋子耳）：耳骨硬实，双耳圆润肥大宽厚，无尖耸、不规整外形，颜色红

润亮泽耳。

●扇风耳：扇风耳是指双耳中正面来看双耳向前全露，并且耳型有兜风的样子。

3.识别要素

●耳形：确定并比对耳形；

●耳尖：比对耳轮上部轮廓是否坚挺或圆润；

●耳垂：比对耳垂大小；

基于人脸的性别识别

For personal use only in study and research; not for commercial use 罿基于人脸的性别识别 Gender Identification Based on Face 院系：电子信息与技术学院 姓名：陈泽腾 学号：13213070

摘要 人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人脸的性别识别就是试图赋予计算机根据输入的人脸图像判断其性别的能力。本文基于人脸正面图像进行性别分类。一般而言，人脸性别识别系统分为图像预处理，人脸特征提取和分类器识别三部分。本文针对这三个部分展开研究，并比较了几种不同方案的识别性能。通过对性别识别的重要理论的研究，为了提高性别识别率，本文提出了采用AdaBoost 算法提取整体特征，主动表观模型提取局部特征，组合局部与整体特征后使用支持向量机（SVM）进行分类的方法。本文在一个由AR、FERET、CAS-PEAL-R1、网上收集和实验室自行采集所共同组成的，包含21,300 余张人脸的数据库上，进行了大量有意义的实验。实验结果显示，融合了整体特征和局部特征后，识别率比基于（单独）整体特征的、基于（单独）局部特征的有很大的提高，达到了90%以上。本文还通过精心设计的对比实验对预处理过程中人脸有效区域的截取和AdaBoost 的结构选择等方面给出了合理的建议。 关键词：性别识别，局部特征，整体特征，AdaBoost，支持向量机，主动表观模型

第一章绪论 1.1 性别识别问题描述 人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人机交互技术（HCI）的发展使得计算机视觉、人工智能在监控、GUI人机界面设计等方面发挥了越来越重要的作用。随着技术的进步，基于人脸图像模式识别问题也成为近年来研究的热点。其中包括人脸检测、人脸身份识别、人脸属性（性别、年龄、表情、种族等）识别等各类识别问题。基于人脸的性别分类就是让计算机根据输入的人脸图像判断其性别的过程。人脸的性别识别似乎是人们“与生俱来”的能力，但让计算机识别并不容易，即使有大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的努力，这个问题仍然困扰着他们。赋予计算机同样的能力一直是人类的梦想之一，如果把照相机、摄像头、扫描仪等外设看作计算机的“眼睛”，数字图像就是它看到的“影像”，性别识别的目标就是让计算机从“影像”中找到人脸并正确判断其性别。这种识别过程大体上分为以下步骤： ● ●人脸检测/定位 计算机首先检测“影像”中是否存在人脸。如果存在，则给出其位置坐标、旋转角度、人脸区域大小等信息，以将人脸分离出来，供后续处理。这一步骤主要受到光照、噪声、面部姿态以及各类遮挡的影响。人脸检测是人脸性别识别的前期工作。同时，它也可以作为独立的完整功能模块用于监测、安保系统。 ● ●特征提取 在检测到的人脸上提取性别特征，即采用某种编码方式表示检测出的人脸。常用的特征包括以亮度分布信息为代表的整体特征和以五官的位置和形状轮廓信息为代表的局部特征。特征提取之前往往还需要进行预处理，将这些人脸几何上、颜色上归一化，以削弱遮挡、姿态、光照、饰物等因素的影响。 ● ●性别识别 根据提取的面部特征，对待识别人脸的性别做出判断。 1.2 性别识别的研究意义与典型应用 人脸的性别识别的研究始于二十世纪九十年代，问题起初是由心理学家进行研究的[1][2]，他们致力于了解人类是如何分辨男女性别的。接着，有人从计算机视觉的角度进行研究，主要目标是要得到一个性别分类器。十多年来人脸的性别识别得到了长足的发展，尤其在近些年，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的关注。人脸的性别分类几乎涉及到模式识别的不同方法，如人工神经网络（ANN）、主分量分析（PCA）、贝叶斯决策、支持向量机以及AdaBoost 算法等等。性别识别在各个方面都有潜在的广阔的应用前景。性别识别在身份识别中可以充当“过滤器”的功能，利用检测出来的性别信息可以显著降低进行身份识别的搜索数量，从而提高

人脸识别流程

概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：

页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。

人脸识别实验报告

人脸识别——特征脸方法 贾东亚1２346046 一、实验目的 1、学会使用PCA主成分分析法。 ２、初步了解人脸识别的特征法。 3、更熟练地掌握ｍatｌab的使用。 二、原理介绍 1、ＰＣA(主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员ｉ的 飞行技能，x2(i)表示飞行员ｉ喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在ｕ１两侧，有少许噪声。 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知,如果我们找到一个方向的Ｕ，所有的数据点在U的方向上的投影之 和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而ＸT u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1的特征向量。而此式是数据集的 协方差矩阵。

人脸识别中性别识别模型评价(项目实例)

人脸识别中性别识别模型评价（项目实例）以人脸识别中的性别识别测试为实例，对整个测试过程进行详细讲解。 举例有一个项目，要求是输入一张人脸照片，使用算法对照片中人物的性别进行预测男或女。 测试人员需要对算法模型的表现进行评价，输出客观的评价指标。 测试工作开展： 一、需求分析，查看需求文档，了解需求 算法的输入和输出是什么的内容，格式。 测试人员需要给出的评价指标。 训练数据中男性照片和女性照片数据分别有多少，比例。 照片数据是怎样的（是否有老人，小孩等）。 算法是如何实现的。（整个模型预测流程；数据是如何处理；用的是什么算法） 思考方向： 算法工程师使用男女训练数据比例是否合理？ 照片数据中覆盖是否全面？ 二、测试数据准备（相当于编写测试用例） 类比一个输入框的测试，需要测试汉字、字符、表情、数字、字母，组合等多种情况下的。这里也是类似。 主要考虑： 1，需要什么样的测试数据 2，测试数据要多少 思考什么情况下可能会影响到算法识别性别，准备这样的测试数据。

这里给出一些建议： 男性照片和女性照片测试数据比例和训练数据中比例保持一致。 照片数据中包括不同年龄段男女 正常脸部拍摄的照片 包括不同光线照明场景，尤其是弱光，光线不足，暗场景下的照片。 包括不同姿势（偏头、仰头、侧面）场景照片。 被物体（如眼镜、面膜、口罩、手等）遮挡场景照片。 测试数据总数多少参考之前写的博客。 本次项目测试主要考虑用户群体，用户场景下拍摄的照片。不使用网络照片。不使用国外人脸数据集。不考虑国外人群，像黑种人性别识别。 进入性别识别前有人脸识别模型判断有没有人脸，多人脸判断等，所以不用考虑非人脸是否会识别出性别的问题。 场景下不会有脸部区域很小的照片。此不考虑。 笔者这里使用1100张女性照片，900张男性照片做为测试数据。 测试数据的标注： 如果是图片是本地.jpg格式的，在一个文件夹中新建2个子文件夹，一个命名man存放所有男性照片，一个命名为woman存在所有女性照片。 如果图片是url，所有url保存在一个txt文档中，分为两列，第一列为url，第二列为对应标注1，2 三、测试脚本

人脸识别流程

概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预 处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上 的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：

第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关重 要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。 在特征提取以后就是人脸识别分类过程，人脸识别分类是整个人脸识别系统的最后一个步骤，其主要任务是根据面部特征的提取结果, 将待测人脸数据进行比较，根据其相似程度判断出待测人脸是否为同一个人。 在人脸识别系统中，由于所提取的人脸特征与特定的识别算法有关，人脸特征提取所采用的技术和方法与人脸识别所采用的技术和方法有着很强的继承关系。因此，将特征提取与人脸识别放在一起讨论才变得有意义。流程图如下：

(完整版)CSF8600系列人脸识别终端管理系统说明书

人脸识别终端管理软件系统用户手册 CSF8600 北京碧芮科技有限公司

目录 目录 (2) 一、运行环境 (3) 硬件环境 (3) 软件环境 (3) 二、软件的安装和卸载 (4) 2.1、软件的安装 (4) 2.2、软件的卸载 (8) 三、软件的使用说明 (10) 3.1、使用前准备 (10) 3.2、熟悉界面 (12) 3.3、员工管理 (13) 3.3.1员工管理->员工部门 (14) 3.3.2员工管理->发送员工到机器 (19) 3.4、门禁管理 (21) 3.4.1门禁管理->员工信息管理 (23) 3.4.2门禁管理->时段管理 (24) 3.4.3门禁管理->节假日管理 (25) 3.4.4门禁管理->出入记录 (26) 3.4.5门禁管理->时间设置 (27) 3.5、出入记录管理 (28) 3.6、账户管理 (29)

一、运行环境 硬件环境 1.PC机内存不小于512M； 2.硬盘在10G以上空间； 软件环境 1.操作系统为Windows XP SP3及以上的版本； 2.操作系统识别中文； 3.具有SqlServer的安装条件和北京碧芮科技有限公司的人脸识别终端管理软件；

二、软件的安装和卸载 2.1、软件的安装 提示：安装环境如果在vista及其以上版本下图中所有安装程序必须点击右键选择“以管理员身份运行” 打开门禁管理系统安装包请按照截图顺序安装 注：以下内容未截图说明的地方均请按“下一步”进行安装 安装第2步（运行SQLEXPR32_CHS.EXE）时需要注意以下内容： 安装SQLEXPR32_CHS时请单击右键点击“以管理员身份运行”

人脸识别发展历史介绍

人脸识别发展历史介绍 1 引言 在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。 本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

浅谈人脸识别在安防系统的应用

浅谈人脸识别在安防系统的应用 人脸识别的应用背景 经济的快速发展，带来人员在不同地域之间频繁的流动，随之而来的是对公众人员的安全管理的需求迅速增加，每年刑事案件和治安案件逐年上升，众多涉案人员在逃，此外，还有数量更为庞大的小偷惯犯难以抓捕。据不完全统计，目前公安在逃人员约50万，各地的公安需要新的技术手段对协助其案件技侦和对重点区域提供安全保障。 而另一方面，目前平安城市基本上完成了联网、高清化的建设，正在走向以实战应用、云服务等为代表的新一轮发展，现有的监控系统每天产生海量的网络高清视频数据，其中就包含大量可用的人脸信息，而当前这些人脸的信息整体的利用率不高，配套的使用工具简单，甚至是依靠人工排查的土办法。因此，为了实现在海量视频中的人员身份的快速识别，人脸识别技术无疑是最佳的选择。 人脸识别作为一种新兴的安防智能化产品，其技术源头始于20世纪60年代，上世纪90年代计算机的出现，人脸识别的才进入了真正的机器自动识别阶段。目前，在安防监控领域，人脸识别主要是基于对可见光图像的人脸识别。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，虽然环境光线、人脸的分辨率对识别结果存在影响，但相比其它特征识别，其具有非强制性、隐蔽性、友好性、高并发性等特点，因此，对于开放的公共环境下的应用，人脸识别产品有不可比拟的优势。 目前，市场上人脸识别产品中，静态人脸识别产品的使用比较广泛且成熟，在通关、金融、电信、公证等领域需要对人和证件进行一致性验证的场景下，人脸识别系统应用表现良好。尤其是金融行业，由于银行业务对身份核实的需要及VTM的推广，客户在办理业务或自助办理业务过程中一般均要对客户的身份进行验证核实，在实际应用中，系统获取客户身份证件内的人脸照片和现场客户的图片进行人脸识别比对，完成人证一致性验证，大大提升金融的业务工作效率。 动态人脸识别的应用当前处于前期阶段，并逐步开始在交通、公安、楼宇、社区等领域推广。由于识别目标的非配合性，动态人脸识别应用上比静态人脸稍复杂，实现人脸识别的高准确率和时效性是业务应用的前提，需要专业的团队开发、部署才能取得满意使用结果。 人脸识别技术和应用模式是两翼，服务是主体 人脸识别算法技术 当前人脸识别系统是由人脸图像采集、预处理、特征提取、匹配识别这几个过程。目前，人脸识别的算法很多，业内比较推崇的是基于神经网络的人脸识别算法。神经网络算法是受到人的神经系统启发，利用大量简单处理单元互联而构成的复杂系统，模仿人的认知系统，通过学习的过程获得其它方法难以实现

人脸识别过程和相关算法(2013)

人 脸 识 别 过 程 图1 人脸识别流程图 1． 人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获 取人脸或人脸上的某些器官在图像上的位置。 2． 特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出 一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。 3． 识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点：规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对

b)缺点：难以将人类知识转化为明确的规则。 基于特征的方法 c)优点：可以依据面部器官的几何关系进行人脸检测。 d)缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算 法难以使用。 基于模版匹配的方法 e)优点：简单高效。 f)缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点：通过大量的样本训练使得人脸识别的精确度高。 h)缺点：算法复杂。 基于肤色的系统 i)优点：不受人脸姿态变化的影响。 j)缺点：受光照等外在因素影响较大。

人脸识别方法 基于几何特征的识别方法 a)优点： i.符合人类识别人脸的机理，易于理解。 ii.对每幅图像只需存储一个特征矢量，存储量小。 iii.对光照变化不太敏感。 b)缺点： i.从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法 c)优点：人脸识别率高。 d)缺点：算法实现复杂。 基于连接机制的方法 e)优点： i.能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。 ii.以并行的方式处理信息，配以硬件实现，可以显著地提高速度。 f)缺点：算法实现复杂。

人脸识别机考勤管理制度

人脸识别机考勤管理制度 一、目的 为规范公司的考勤管理制度，保障正常的服务工作秩序，为加强员工职业道德建设，培养员工遵守劳动纪律的自觉性，特制定本管理制度。 二、适用范围 本制度适用于公司全体员工 三、管理规定 1、工作制度 1.1上班时间：周一至周五上午8:30——12:00 下午13:00——17:30 A．实行不定时工作制的员工，在保证完成甲方工作任务情况下，经公司同意,可自行安排工作和休息时间 B．一线员工工作时间的确定，由各项目部根据自身情况自定，报公司人力资源部备案。 1.2人脸识别制度 1.2.1公司实行上、下班人脸识别考勤制度。全体员工都必须自觉遵守工作时间，实行不定时工作制的员工不必人脸识别； 1.2.2识别次数：一日两次，即早上上班识别一次，下午下班识别一次； 1.2.3人脸识别时间：识别时间为上班到岗时间和下班离岗时间； 1.2.4因公外出不能打卡：因公外出不能打卡应填写《外勤登记表》,注明外出日期、事由、外勤起止时间。因公外出需事先申请，如因特殊情况不能事先申请，应在事毕到岗当日完成申请、审批手续，否则按旷工处理。因停电、卡钟（工卡）故障未打卡的员工，上班前、下班后要及时到部门考勤员处填写《未打卡补签申请表》，由直接主管签字证明当日的出勤状况，报部门经理、人力资源部批准后，月底由部门考勤员据此上报考勤。上述情况考勤由各部门或分公司和项目文员协助人力资源部进行管理。

1.2.5手工考勤制度：由于工作性质，员工无法正常打卡（如外围人员、出差），可由各部门提出人员名单，经主管副总批准后，报人力资源部审批备案。 1.2.6参与手工考勤的员工，需由其主管部门的部门考勤员或部门指定人员进行考勤管理，并与每月20前向人力资源部递交考勤报表。 1.2.7参与手工考勤的员工如有请假情况发生，应遵守相关请、休假制度，如实填报相关表单。 1.2.8 外派员工在外派工作期间的考勤,需在外派公司打卡记录;如遇中途出差,持出差证明,出差期间的考勤在出差地所在公司打卡记录; 1.2.9迟到、早退 （1）每日8:00—8:30为签到时间范围。签到时间为8:31—8:40的，视为迟到，依据《员工手册》扣除考核工资的10%；在8:40—9:00未签到的，扣除岗位工资和考核工资的各10%；超过9:00未签到的，视为旷工半天或依据情况按事假处理，根据公司规定扣除相应的考核工资。因公务的情况下：迟到者需递交《补签条》来证明情况，所有不递交证明者视为无故缺勤。 （2）每日17:30—18:00为签退时间。签退时间为17:20—17:29的，视为早退，依据《员工手册》扣除考核工资的10%；在17:00—17:20没有刷指纹提前离开公司的，扣除岗位工资和考核工资的各10%；在17:00前离开公司未签退的，视为旷工半天或依据情况按事假处理，根据公司规定扣除相应的考核工资。因公务的情况下：早退者需递交《早退条》来证明情况，所有不递交证明者视为无故缺勤。 2、加班管理 2.1定义：加班是指员工在节假日或公司规定的休息日仍照常工作的情况。 2.2员工加班应提前申请，事先填写《加班申请表》，因无法确定加班工时的，应在本次加班完成后3个工作日内补填《加班申请表》。《加班申请表》经部门经理同意，主管副总经理审核报总经理批准后有效。《加班申请表》必须事前当月内上报有效，如遇特殊情况，也必须在一周内上报至总经理批准。如未履行上述程序，视为乙方自愿加班。

基于K-L变换的人脸识别

基于K-L变换的人脸识别 一、实验原理及基本要求 特征脸方法是基于K-L变换的人脸识别方法，K-L变换是图像压缩的一种最优正交变换。高维的图像空间经过K-L变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法用于人脸识别的基本思想。在人脸识别中，可以用离散K-L变换对人脸图像的原始空间进行转换，即构造人脸图像数据集的协方差矩阵，对之进行正交变换，求出协方差矩阵的特征向量，再依据特征值的大小对这些特征向量进行排序，每一个向量表示人脸图像中一个不同数量的变量，这些特征向量表示特征的一个集合，它们共同表示一个人脸图像。在人脸识别领域，人们常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。这样我们首先通过有指导的训练（给定训练样本集已知分类）得到样本集在特征脸空间中的坐标。训练完成后，输入待辨识图像，求得在特征脸空间的坐标，采用欧式距离法，就可以实现人脸识别。 我们从网上下载人脸图像，构建人脸训练数据库和测试数据库，采用K-L变换进行特征脸提取，并实现人脸识别。通过K-L变换在人脸识别中的应用，加深对所学内容的理解和感性认识。 二、具体做法及流程图 ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像尺寸是92×112，图像背景为黑色。其中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸尺寸也有最多10%的变化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。 本次试验我们用的是ORL人脸库中的人脸样本集，每个人的人脸样本集中含有十个人脸样本。我们从其中挑出训练样本和测试样本。对训练样本集采用K-L变换进行特征脸提取，并对测试样本集进行人脸识别。 步骤：

人脸识别课程设计论文完美版

前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的

浅析人脸识别在金融行业应用方向

浅析人脸识别在金融行业应用方向

目录 浅析人脸识别在金融行业应用方向 (1) 1背景 (2) 2“人脸识别”自助终端 (3) 3移动金融/营销 (3) 4柜面系统 (4) 1背景 2015年年末，央行发布了《中国人民银行关于改进个人银行账户服务加强账户管理的通知》，明确提出“提供个人银行账户开立服务时，有条件的银行可探

索将生物特征识别技术和其他安全有效的技术手段作为核验开户申请人身份信息的辅助手段”。至此，这两年火遍天际的人脸识别终于得到了“正式名份”!将在银行大显身手的人脸识别到底能做什么?备受银行青睐的人脸识别真有那么“万能”吗? 目前人脸识别在银行的应用主要集中在自助终端、移动金融/营销和柜面系统三大方向。 2“人脸识别”自助终端 “人脸识别”自助终端是当前银行应用最为普遍的方向，交通银行的自助发卡机、民生银行的VTM、农业银行的超级柜台等都是将人脸识别系统引入到自助设备中，利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，工作人员即可根据相似值的高低判断是否直接通过或进行人工审核。 目前，用户可以在自助终端上实现自助开卡、业务变更、密码重置等个人业务，全流程电子化不仅节约时间和成本，也更加环保。不仅如此，银行工作人员也可以通过人脸识别自助终端实现一对多服务，通过客户自助办理＋现场审核授权，原本只能服务一个客户的工作人员可以同时服务6-8人。 3移动金融/营销 银行在开展移动金融/营销时，也经常遇到一个难题：在移动端如何确认客户身份?而人脸识别则可以较好的解决虚拟世界两端“你是谁”的身份认证难题：一

方面用户可以借助于手机等移动设备的摄像头进行人脸身份核查，另一方面银行工作人员也可以通过便携性移动终端进行客户人脸身份核查，为客户办理业务。 目前包括民生银行、攀枝花商行在内的众多银行已经开始基于多模态生物识别统一身份认证平台，通过人脸识别技术平台布局移动金融和移动营销：直销银行、远程贷款、大客户上门服务等都是典型应用。与此同时，该平台还具有强大的渠道管理能力，一旦前端出现报错情况，可以迅速反查、定位并进行修复。 4柜面系统 人脸识别在柜面系统中发挥了更大的作用：内能进行风险管控，外可1S核验客户身份。银行通过人脸识别可以实现内部员工系统登录与授权管理，增强银行的风险管控能力;同时，也可以通过人脸联网核查，将现场照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。

营门出入管理人脸识别系统技术方案

营门出入管理人脸识别 系统技术方案 LEKIBM standardization office【IBM5AB- LEKIBMK08- LEKIBM2C】

营区出入管理人脸识别系统

1.系统概述 根据管理需求对通行人员使用出入管理人脸识别系统进行验证识别。出入管理人脸识别系统实现对人脸的采集、识别和验证。出入管理人脸识别系统主要由人脸注册管理软件、人脸采集摄像机、人脸验证识别服务器组成，具有人脸注册、人脸特征库管理、支持人脸图像的输入、人脸验证识别、记录管理、人脸库参数设置等功能，并提供相应的的软件接口，支持与上层应用系统对接和集成。 2.人员验证识别方式 为了进一步提高出入管理业务的效率，增强内部、来访人员通行的便利性，提出了1:N人脸验证识别方式。 1:N人脸识别业务流程如下所示： 内部人员内部管理中心预先采集所有人员人脸图像信息，来访人员在传达室采集人脸图像信息，人脸图像经过特征提取存储到人脸识别系统人脸库中。 通行人员通过出入口时，设置在出入口的人脸采集摄像机现场采集内部人员人脸信息，与指定人脸库中的N个人脸进行比对，找出最相似的一张脸或多张人脸。根据待识别人脸与现有人脸库中的人脸匹配程度，返回用户信息和匹配度，匹配度超过指定阈值时，对该当通行人员予以放行。在人脸验证识别方式无法正常验证通过时，由执勤人员验证确认后予以放行。流程图见图1。

人脸特征库人脸特征库 人脸照片和身份证信息 出入口 出入管理系统 人脸识别设备 人脸采集摄像机 出入管理系统后台服务 ①信息采集出入管理人脸识别系统组成图如图2、3所示。

图2 出入管理人脸识别系统组成框图 测试机A 测试机B 人脸识别服务器S1 人脸采集摄像机C1 人证采集设备 (身份证T1、军官证T2)图 图2 出入管理人脸识别系统组成与连接关系图

华工数学实验基于回归模型的增量人脸识别探索性实验

实验六 基于回归模型的增量人脸识别探索性实验 1． 实验目的 ● 了解数字图像的基本概念，了解人脸识别的基本含义； ● 掌握基于回归模型的人脸识别算法的基本原理； ● 了解Matlab 中基本的文件和图像处理命令。 2． 实验任务 利用各种增量人脸识别算法：基于回归模型的增量人脸识别算法，最远子空间增量分类算法、最近最远子空间增量分类算法或其他快速算法，选择其中的一种或几种算法，对给定的人脸数据库进行识别测试，得出识别正确率和（或）运行时间。并与第5节不采用增量学习的算法进行比较，分析实验结果。在实验过程中，可以察看原始的人脸图片，哪些人脸识别错误？该算法有哪些优缺点？改进方向是什么？ 2.1实验原理 在本次实验中选取基于回归模型的增量人脸识别算法； 增量学习可以利用原有训练样本已得到的计算结果和新增数据来计算新的参数，不再需要原来的样本数据，从而降低学习的开销，提高算法处理数据的运行效率。即主要推导求逆矩阵的增量学习公式，以提高LRC 处理较大规模数据的效率。 2.1.1预处理：对训练数据和测试数据对应的图像的像素都映射到[0,1]区间；将一个数据集剖分为训练数据集和测试数据集。 2.1.2读入训练数据，利用LRC 算法和逆矩阵的增量学习公式，得到 令(1)(1)111111111T N N N N N T N N N N N T N N N N T N N N R R R c R ?+?++++?+++++=∈=∈=∈=∈A X X A X X X x x x α 11111 11111记　T N N N N N N N N N R t c --+?+-++++??=-?=∈?A A αααγ

人脸识别布控系统方案

人脸识别布控考勤及门禁系统 应用方案 设计单位：武汉美讯华迪科技有限公司 负责人：许波

目录

背景概述 随着经济的高速发展以及城镇化进程的加快，我国城市人口日趋密集，城市人口流动性也大大增加，加强对城市建设中的诸如交通管理、社会治安、重点区域防范、维稳等方面的管理迫在眉睫。 当前公安机关追逃主要靠工作人员人工去排查，由于人流量太大，要靠人工去记住犯罪嫌疑人的模样再去辨别，往往容易漏识、误识。而如果要通过巨量的监控视频去查找、确认犯罪嫌疑人，这个工作量也会非常大，效率很低。如何引进高新技术，快速、高效的辨别犯罪嫌疑人员，是公安机关、安保部门亟需解决的问题。 随着深度学习，大数据等新技术的发展，人脸识别的效果在某些条件下，已经超越人眼识别的效果，人脸识别技术在视频监控领域应用成为可能。人脸生物识别技术作为全球最前沿的生物识别技术及图像处理技术，具有更高的安全性、非接触性、直观性、识别速度快、不易被察觉等特点，在当今社会公共安全防范、逃犯追捕等领域得到了广泛的应用。天地伟业开发的人脸布控系统，主要是针对公安对在逃人员进行追逃布控场景提出的一套解决方案。 1.专业术语 人脸检测：确定图像中人脸的确切位置和大小，以方便将人脸区域从图像切割出来。 人脸抓拍:在视频中跟踪人脸，并在跟踪的过程中连续抓拍多张同一个人的人脸照片进行图片质量评估，当人脸离开检测区域时，生成图片质量最高的正面人脸照片。 人脸识别：通过计算机自动判断两幅人脸照片相似度的技术，它是人体生物识别技术的一种。 人脸建模:特征点定位算法找出脸部的各个特征点的位置，算法根据特征点的位置对人脸大小进行归一化（即将所有的人脸进行仿射变换，根据特征点的位置与一个预设的模板对齐）处理。 黑名单实时报警:系统对在特定重点场所的卡口位置抓拍的人员与布控名单数据库中的布控 人员进行实时比对，如果人脸的相似度达到预设的报警阀值，系统就可以报警。 人脸属性识别:对人的肤色、性别、年龄段、穿戴等人脸信息的识别。 深度学习：深度学习，简单来说，是一项模拟人脑结构的机器学习算法。 2.系统简介 本系统基于人工智能核心“深度学习”技术实现，是一套专门用于人员动态布控的预警系统，集视频分析、运动跟踪、人脸检测、人脸识别、图片存储检索和自动预警技术于一体。通过在人员经过地点设卡部署摄像机，对经过卡口的人员进行人脸抓拍。将抓拍到的人脸图片进行存储，并与人脸布控名单库进行实时比对，当发现布控人员时，系统自动发出报警信号，并采用多种联动方式通知值班民警或值班人员。系统具有强大的查询、检索等后台数据处理功能及强大的通信、联网功能，可广泛应用于交通枢纽、重要关卡、步行街、社区、街道、学校、高端连锁店等行人频繁出入和经过的场所。 3.系统特点 一、动态比对支持超大人脸库，一般厂家动态比对仅能支持到1000人脸库，算法动态比对库2000人脸库级别识别率仍然是非常稳定的。 二、实时分析JPEG视频流和图片流，既支持专用人脸检测相机，也支持普通相机传过来的视频流。 三、采用高清逐帧检测/跟踪技术，自动扫描监测区域内的人员，输出最佳人脸图像。 四、可检测左右旋转±30度以内，俯仰±15度以内的人脸，算法适应范围高于国内其他厂家。

人脸识别主要算法原理

人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）