人脸识别技术是什么原理
1面像识别原理
2、1、1面像识别技术概述
面像识别是近年来随着计算机技术、图象处理技术、模式识别技术等技术的快速进步而出现的一种崭新的生物特征识别技术。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术，如同人的指纹、掌纹、眼虹膜、DNA 以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、无法复制一样，不易失窃或被遗忘。由于每个人的这些特征都不相同，因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。
随着计算机技术的迅速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹（视网膜）识别等多种生物识别技术，目前许多技术都己经成熟并得以应用。而面像识别技术则是生物识别技术的新秀，与其他识别技术相比较，面像识别具有简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、出入口控制等多个方面。
面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像，面像跟踪指对被检测到的面像进行动态目标跟踪，面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。
面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过阀值来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断测试样本是否包含人脸；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器；肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。
上述方法在实际系统中也可综合采用。
面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟
踪也不失为一种简单有效的手段。
面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，
面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方
法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等
属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量；面纹模板
法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所
有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结
合的方法。
面像识别技术的最新进展是可以通过摄象机来搜索捕捉识别活动的人像，而不仅仅
识别照片。例如，最近由美国新泽西州Visionics公司开发的面像局部特征分析
法识别
系统，仅用一部摄象机和一台计算机，即可在人群中识别出某个人来。
该系统利用摄象机扫描拍摄的某一区域，搜索有可能是人脸的形状。然后在存储器
中搜索已事先存入的与之类似的面部特征。为了确认扫描到的眼睛、鼻子和嘴等特征就是一
个活人而不是人体模型或图片，系统还对眨眼或其他可以提供信息的面部动作进行搜索。
然后系统对组成面部图像的像素进行分析。它将每个像素点的明暗度与相邻点进行比较，查找明暗度向周围呈放射突变的区域。在眉骨、眼睛、或者其他突起的特征，比如颧骨和鼻子等处，都会出现这种突变。系统将勾勒出每一个这种像素点的位置，这些点称为“参照点”然后在点之间连线，形成一个由三角形构成的网络。
系统将测量每个三角形的角度，生成由672个1和0组成的数来描述一张面孔。之后程
序尝试从它的数据库中找出与该数据相匹配的类似记录。这种匹配不可能绝对理想，因此软
件会将相似程度分为不同的等级。软件是根据骨络结构描绘参考点的，因此胡须、化妆和眼
睛等伪装都不可能骗过它。
用于扑捉面部图像的除了为标准视频外，近来的发展趋势是热成像技术。热成像技术通
过分析由面部的毛细血管的血液产生的热线来形成面部图像，与视频摄像头不同，热成像技
术并不需要在较好的光源条件下，因此即使在黑暗情况下也可以使用。并可更好地排除胡须、
头发以及化妆引起的面部变化的干扰。
2、1、2面像识别过程
1．建立面像档案:可以从摄像头采集面像文件或取照片文件，生成面纹(Faceprint)编码；
2．获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹；
3．将当前面像的面纹编码与档案中的面纹编码进行检索比对。
“面纹”编码方式是根据脸部的本质特征和开头来工作的，它可以抵抗光线、
皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。
上述整个过程都自动、连续、实时地完成，而且系统只需要普通的处理设备。几乎所有的生物测量过程对人们来说都是一种干扰。指纹和掌纹的测定需要人们将手放在玻璃表面。虹膜扫描需要用激光照射你的眼睛。面部识别最大的优越性在于它的方便性, 快速性，而且是非侵扰的。面部识别无需干扰人们行为而达到识别效果，无需为是否愿意将手放在指纹采集设备上，或对着麦克风讲话，或是将他们的眼睛对准激光扫描装置而进行争辩。你只要很快从一架摄像机前走过，你就已经被快速的检验。
2、1、3面像识别技术应用范围
面像识别技术作为生物识别技术体系的后起之秀，将有着十分广泛的应用前景。可应用于诸多领域，如出入口控制、银行金融系统、公安追辑嫌疑犯、反恐怖斗争以及互联网中等等。在我国开展的“追逃”斗争，如果能利用面像识别技术，则可大大提高工作效率，并能对犯罪分子产生极大的威慑力量。使用面像识别系统只要在重要的车站、码头、机场、海关出入口附近架设摄像机，系统即可在无人职守的状态下，自动捕捉进、出上述场所的人员的头像，并通过计算机网络将面像特征数据传送到计算机中心数据库，自动与面像数据库中的逃犯面像比较，迅速准确地作出身份判断。一旦发现吻合的头像，可以自动报警并记录。
我国银行金融系统对安全控制有着极高的要求，如电子商务信息系统、金库的安全设施、保险柜、自动柜员机的使用等。由于近年来金融诈骗、抢劫发生率有所增高，对传统安全措施提出了新的挑战。面像识别技术不需要携带任何电子、机械“钥匙”，可以杜绝丢失钥匙、密码的现象，如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。同时，在ATM自动取款机上应用面像识别技术，可以免除用户忘记密码的苦恼，还可以有效防止冒领、盗取的事件发生。
目前，在我国，面部识别技术的研究和应用还刚刚开始，但在欧美等发达国家这一技术已被应用在许多场所。特别是“9.11”恐怖事件之后，美国警方率先在冰岛国际机场、美国波士顿机场、美国奥克兰机场、美国亚特兰大机场、美国休斯敦机场等开始应用这一先进技术，借助闭路监视系统监控扫描人群自动搜寻警方所需要的恐怖分子目标。
蒋遂平:人脸识别技术及应用简介
1 人脸识别的分类
1.1 鉴别、验证和监控
(1) 鉴别(identification)：鉴别回答"这是谁？" 将给定的人脸图象与计算机中存储的N个人的图象逐个比较，输出M幅图象，这些按与给定图象的相似度从大到小排列，再由人来确定这是谁。通常，一个人在计算机中只存储一幅正面图象。
(2) 验证(verification)：验证回答"这是否为某人？" 将给定的人脸图象与与计算机中存储的某人的图象比较，回答给定的图象是否为某人的图象。通常，一个人在计算机中存储多幅不同角度的图象。
(3) 监控(watch list)：监控同时具有鉴别和验证，回?quot;这是否为要找的人？"(Are you looking for me?)。将未知身份的人的图象输入计算机，计算机决定这个人是否在监控名单中，如果在，还必须确定这个人的身份。
1.2 人脸识别和人头识别
(1) 人脸识别：输入给计算机识别的人脸图象，只包括人的脸部部分，没有背景、头发、衣服等。这时，计算机在进行真正的人脸识别。
(2) 人头识别：输入给计算机识别的人脸图象，除了包括人的脸部有皮肤的部分外，还有部分背景、头发、衣服。这时，人脸的五官特征是次要的，头发、背景、人脸轮廓等是主要特征，一旦头发、背景等变化，识别率下降。
1.3 自动与半自动人脸识别
(1) 自动人脸识别：输入到计算机的图象可以是包含人脸的图象，由计算机自动检测人脸部分进行分割后，进行识别。最初人们认为人脸检测是件容易的事，后来发现人脸检测可能比人脸识别更困难（特别是在灰度图象情况下，这时没有运动信息和肤色信息可利用），人脸检测已经是一个独立的研究课题。
(2) 半自动人脸识别：采用人工确定人脸图象中两眼各自的中心位置，计算机根据这两个位置分割人脸图象，进行识别。常用于人脸鉴别。
2 人脸识别的性能
2.1主要性能指标
测量人脸识别的主要性能指标有：（1）误识率(False Accept Rate, FAR)：这是将其他人误作指定人员的概率；（2）拒识率(False Reject Rate, FRR)：这是将指定人员误作其它人员的概率。
计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR 随阈值的增大（放宽条件）而增大，拒识率FRR 随阈值的增大而减小。因此，可以采用错误率（Equal Error Rate, ERR）作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR 或FRR。
2.2 影响人脸识别性能的因素及解决方法
(1) 背景和头发：消除背景和头发，只识别脸部图象部分。
(2) 人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。
(3) 人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。
(4) 光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric shape from shading)技术，可以得到一个与光源位置无关的图象。
(5) 年龄的变化：建立人脸图象的老化模型。
(6) 表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。
(7) 附着物（眼镜、胡须）的影响。
(8) 照相机的变化：同一人使用不同的照相机拍摄的图象是不同的。
3 应用情况
在无数影视或新闻中出现过这样的场景：警方利用人脸识别技术抓住了罪犯。然而，在现实生活中，人脸识别技术的效果并不令人满意。
美国陆军实验室在13周时间内，用270人的图象测试一个人脸识别系统，发现识别率只有51%。这套系统在机场中进行测试时，存储了250人的图象，其中的15人在1个月内通过摄影机958次，只有455次被正确辨认，识别率只有47%。在美国一个机场开展的一项为期8周的公开测试中，使用一家公司的人脸识别系统，在4个星期出错率为53%。在另一个机场开展的一项为期90天的测试中，人脸识别系统发出的错误警报也太多。
人脸识别技术效果不尽如人意的原因：真人的电视图像与存储在数据库中的照片在布光和角度方面有差别。目前的人脸识别技术在人处于静止状态或一小群人通过检测点时有效，因此不适合在交通流量大的机场和街道拐角处使用。人脸识别要得到广泛采用，还很有待时日。