人臉識別模板

① 用orl資料庫做人臉識別訓練樣本是隨機選的嗎

ORL人臉資料庫，用來處理人臉識別的好工具，40個人，每版個人10副圖權像。
-ORL face database is used to handle a good tool for face recognition, 40 indivials, each 10 images.

② 一款人臉識別門禁一體機,通過攝像鏡頭捕捉人臉信息,並將所拍圖像與系統資料庫中預先錄入的人臉照片模板進

50cm。希望會幫助你。

③ 在人臉識別軟體系統識別的過程中，對於人臉檢測，現在主流的方法都基本有啥可以的話詳細介紹一下吧。

基於知識的方法

基於知識的方法（Knowledge-Based Methods）一是基於規則的人臉檢測方法。規則來源於研究者關於人臉的先驗知識。一般比較容易提出簡單的規則來描述人臉特徵和它們的相互關系。

Yang和Huang使用分層的基於知識的人臉檢測方法[11]。他們的系統由3級規則組成。在最高級，通過掃描輸入圖像的窗口和應用每個位置的規則集找到所有可能的人臉候選區。較高級的規則通常描述人臉看起來象什麼，而較低級的規則依賴於面部特徵的細節。多解析度的分層圖像通過平均和二次采樣生成，如圖2所示。

編碼規則通常在較低的解析度下確定人臉的候選區，包括人臉的中心部分圖中較淺的陰影部分，其中有個基本上相同的灰度單元。

基於特徵的方法

基於特徵的方法（Feature-Based Methods）不僅可以從已有的面部特徵而且可以從它們的幾何關系進行人臉檢測。和基於知識的方法相反，它是尋找人臉的不變特徵用於人臉檢測。人們已經提出了許多先檢測人臉面部特徵，後推斷人臉是否存在的方法。面部特徵如眉毛、眼睛、鼻子、嘴和發際等，一般利用邊緣檢測器提取。根據提取的特徵，建立統計模型描述特徵之間的關系並確定存在的人臉。基於特徵的演算法存在的問題是，由於光照、雜訊和遮擋等使圖像特徵被嚴重地破壞，人臉的特徵邊界被弱化，陰影可能引起很強的邊緣，而這些邊緣可能使得演算法難以使用。

模板匹配的方法

Sakai等人用眼睛、鼻子、嘴和人臉輪廓等子模板建模，檢測照片中的正面人臉。每一個子模板按照線分割定義。基於最大梯度變化提取輸入圖像的線，然後與子模板匹配。計運算元圖像和輪廓模板之間的相互關系檢測人臉的候選區域，完成用其他子模板在候選區域的匹配。

Craw等人提出了一種基於正面人臉的形狀模板即人臉的外形定位方法。用Sobel運算元提取邊緣，將邊緣組織在一起，根據幾個約束條件去搜索人臉模板。在頭輪廓定位。

Govindaraju等人提出兩個階段的人臉檢測方法。人臉模型根據邊緣定義的特徵構成。這些特徵描述了正面人臉的左邊、發際和右邊的曲線。人臉必須是垂直、無遮擋和正面的。

基於外觀的方法

基於外觀的方法首先通過學習，在大量訓練樣本集的基礎上建立一個能對人臉和非人臉樣本進行正確識別的分類器，然後對被檢測圖像進行全局掃描，用分類器檢測掃描到的圖像窗口中是否包含人臉，若有則給出人臉所在的位置。

Moghaddam和Pentland提出在高維空間利用特徵空間分解密度估計的概率視覺學習方法[12]。用主成分(PCA)分析來定義子空間從而最好地表示人臉模式集。主成分保存數據中主分量而丟棄了那些次分量。這種方法把向量空間分解為互相排斥和互為補充的2個子空間主子空間或特徵空間和它的正交子空間。因此對象密度被分解為個2成分在主子空間由主分量張成的密度，和它的垂直成分(在標準的PCA中被丟棄的次分量)如圖3所示。用多變數Gaussians和混合Gaussians密度分布進行學習人臉局部特徵的統計。然後將這些概率密度用於基於最大

似然估計的對象檢測。這種方法已經被用於人臉定位、編碼和識別。和傳統的特徵臉方法相比，此方法在人臉識別方面表現出更好的性能。

可以的話去Ph一下colorreco，技術過硬，值得我們大家學習。

④ 關於在人臉識別考勤機上做假過關

所謂用假面、圖片、修改數據、破解管理員等，都是忽悠人的東西，假面如果可行，也就是百分之百地能仿效出人的皮膚，這可是醫學一大難題呀！圖片如果能過，那台必定不是人臉識別考勤機！修改數據、破解管理員就更是自找麻煩，電腦數據安全早就有層層設防，你的一舉一動都會被記錄在案，更嚴重的是，這可涉及到刑事責任！！！

⑤ 人臉識別

什麼是人臉識別
人臉識別，特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。
人臉識別概述
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。
人臉識別的優勢
人臉識別的優勢在於其自然性和不被被測個體察覺的特點。
所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特徵相同。例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不通過此類生物特徵區別個體。
不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同於指紋識別或者虹膜識別，需要利用電子壓力感測器採集指紋，或者利用紅外線採集虹膜圖像，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。
人臉識別的困難
雖然人臉識別有很多其他識別無法比擬的優點，但是它本身也存在許多困難。人臉識別被認為是生物特徵識別領域甚至人工智慧領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。人臉在視覺上的特點是：
第一，不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的；
第二，人臉的外形很不穩定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭發、胡須等）、年齡等多方面因素的影響。
在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-class difference），而稱第二類變化為類內變化（intra-class difference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。
人臉識別的技術細節
一般來說，人臉識別系統包括圖像攝取、人臉定位、圖像預處理、以及人臉識別（身份確認或者身份查找）。系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉資料庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。
人臉識別的演算法種類
基於人臉部件的多特徵識別演算法(MMP-PCA recognition algorithms)。
基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。
基於整幅人臉圖像的識別演算法（Appearance-based recognition algorithms）。
基於模板的識別演算法（Template-based recognition algorithms）。
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。
人臉識別的應用
人臉識別的應用主要有：
·公安刑偵破案：通過查詢目標人像數據尋找資料庫中是否存在重點人口基本信息。例如在機場或車站安裝系統以抓捕在逃案犯。
·門禁系統：受安全保護的地區可以通過人臉識別辨識試圖進入者的身份。
·攝像監視系統：例如在機場、體育場、超級市場等公共場所對人群進行監視，以達到身份識別的目的。例如在機場安裝監視系統以防止恐怖分子登機。
·網路應用：利用人臉識別輔助信用卡網路支付，以防止非信用卡的擁有者使用信用卡等。
人臉識別軟體
人臉識別軟體順應當前的要求，慢慢走上了歷史的舞台。KnowU (基於視頻的人臉識別系統), 是當前不多的人臉識別軟體中具有代表性的一款，它是由個人開發編寫的，並且隨著版本的升級，逐漸具有了商業開發的色彩，在網上已經免費發布試用了。
人臉識別系統
臉識別系統以人臉識別技術為核心，是一項新興的生物識別技術，是當今國際科技領域攻關的高精尖技術。人臉因具有不可復制、採集方便、不需要被拍者的配合而深受歡迎。人臉識別系統具有廣泛的應用：人臉識別出入管理系統、人臉識別門禁考勤系統、 人臉識別監控管理、人臉識別電腦安全防範、人臉識別照片搜索、人臉識別來防登記等等。

⑥ 人臉識別是怎麼實現的

人臉識別一般是對人臉使用攝像頭/攝像機採集視頻流/圖像數據，並自動在圖像數據中跟蹤和檢測人臉，從而對檢測到的人臉進行臉部比對的一系列相關技術，也可以叫做面部識別、人像識別、臉部識別。
像雲脈人臉識別可對人臉三維朝向，做精準到「度」的判斷，採集到的最優人臉照片經過灰度歸一化、二值化處理後，通過人臉特徵值演算法提取特徵值，然後建模入庫。現場或線上採集照片與其本人證件照進行特徵值比對，從而判定是否為本人持證。

⑦ 人社部人臉識別認證app無模板信息什麼意思

寧夏人社部社保認證沒有本人信息總么辦？

⑧ 求助大神們給個人臉識別的訓練樣本集

OpenCV訓練類器
、簡介

目標檢測初由Paul Viola [Viola01]提並由Rainer Lienhart [Lienhart02]進行改善
該基本步驟：
首先利用本（約幾百幅本圖片） harr 特徵進行類器訓練級聯boosted類器

類器"級聯"指終類器由幾簡單類器級聯組圖像檢測檢窗口依通每級類器 前面幾層檢測部候選區域排除全部通每級類器檢測區域即目標區域

類器訓練完應用於輸入圖像興趣區域(與訓練本相同尺寸)檢測檢測目標區域(汽車或臉)類器輸1否則輸0檢測整副圖像圖像移搜索窗口檢測每位置確定能目標搜索同目標物體類器設計進行尺寸改變比改變待檢圖像尺寸更效所圖像檢測未知目標物體掃描程序通需要用同比例搜索窗口圖片進行幾掃描

目前支持種類器boosting技術四種：
Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost
"boosted" 即指級聯類器每層都選取boosting算(權重投票)並利用基礎類器自我訓練

根據面析目標檢測三步驟：
1、 本創建
2、 訓練類器

3、 利用訓練類器進行目標檢測

二、本創建
訓練本例本反例本其例本指待檢目標本(例臉或汽車等)反例本指其任意圖片所本圖片都歸化同尺寸(例20x20)
負本
負本自於任意圖片些圖片能包含目標特徵負本由背景描述文件描述背景描述文件文本文件每行包含負本圖片文件名（基於描述文件相路徑）該文件必須手工創建
e.g: 負本描述文件例：
假定目錄結構：
/img
img1.jpg
img2.jpg
bg.txt
則背景描述文件bg.txt內容：
img/img1.jpg
img/img2.jpg
本
本由程序craatesample程序創建該程序源代碼由OpenCV給並且bin目錄包含執行程序
本由單目標圖片或者系列事先標記圖片創建
Createsamples程序命令行參數：
命令行參數：
－vec
訓練本輸文件名
－img
源目標圖片（例：公司圖標）
－bg
背景描述文件
－num
要產本數量本圖片數目相同
－bgcolor
背景色（假定前圖片灰度圖）背景色制定透明色於壓縮圖片顏色差量由bgthresh參數指定則bgcolor－bgthreshbgcolor＋bgthresh間像素認透明
－bgthresh
－inv
指定顏色反色
－randinv
指定顏色任意反色
－maxidev
背景色偏離度
－maxangel
－maxangle
－maxzangle
旋轉角度弧度單位
－show
指定每本顯示按"esc"關閉關即顯示本圖片創建程繼續用debug選項
－w
輸本寬度（像素單位）
－h《sample_height》
輸本高度像素單位
註：本預先標記圖像集合獲取集合由文本文件描述類似於背景描述文件每文本行應圖片每行第元素圖片文件名第二元素象實體數面緊跟著與匹配矩形框（x, y, 寬度高度）