人脸识别数据库
A. 虹软人脸识别SDK脸库是什么
虹软最近开放了人脸识别的SDK引擎（免费的哦），刚好有Android版的，就体验了一波。下面来回说说Android版的SDK使用心得：
ArcFace 虹软答人脸认知引擎简介
目前开放的版本有人脸比对（1:1）和人脸检索（1：N），根据应用场景可选择
人脸检索分为小型网络（检测100人内），中型网络（1000人内），大型网络（需联系虹软官方）
目前开放的功能有人脸比对，人脸识别，人脸追踪
B. 关于Extended Yale B database(人脸数据库)
(How to divide the database into the three subsets can also be found in the homepage of Extended Yale B.)
顺便问一下，是否可以将你你dataset发给我做一下实验，[email protected]，非专常感谢！属
C. 人脸识别数据库中gallery和probe set都是什么意思
probe是测试图像，目的是用来测试算法的识别率。
D. android中人脸识别扫描人然后怎样将图像保存到本地数据库
用AndroidSDK中的Face
Detector实现人脸识别
流程是这样的：
1.
读取一张图片至Bitmap
（从Resource中，或是从手机相册中选取）版
2.
使用FaceDetector
API分析权Bitmap，将探测到的人脸数据以FaceDetector.Face存储在一个Face
list中；
3.将人脸框显示在图片上。
E. 基于pca 的人脸识别系怎样将训练数据库导入
识别率指的是通过人脸识别技术识别正确数占识别总数的百分比。
人脸识别算法分类版
基于人脸特征点的识权别算法（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）。
神经网络识别
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；
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
F. 人脸识别数据是什么
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，不断提高识别准确版性，这权些数据诸如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。
G. 人脸识别常用的人脸数据库有哪些
给你提供几个线索，数据都可以去数据堂下载。
1.FERET人脸数据库 -
由FERET项目创建,包含1万多张多姿态和光照的人脸图像,是人脸识别领域应用最广泛的人脸数据库之一.其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一
2.CMU-PIE人脸数据库
由美国卡耐基梅隆大学创建,包含68位志愿者的41,368张多姿态,光照和表情的面部图像.其中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重要的测试集合
3.YALE人脸数据库
由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿态
的变化.
4. YALE人脸数据库B
包含了10个人的5,850幅多姿态,多光照的图像.其中的姿态和光照变化的图像都是在严格控制的条件下采集的,主要用于光照和姿态问题的建模与分析.由于采集人数较少,该数据库的进一步应用受到了比较大的限制
5. MIT人脸数据库
由麻省理工大学媒体实验室创建,包含16位志愿者的2,592张不同姿态,光照和大小的面部图像.
6. ORL人脸数据库
由剑桥大学AT&T实验室创建,包含40人共400张面部图像,部分志愿者的图像包括了姿态,
表情和面部饰物的变化.该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多数系统的识别率均可以达到90%以上,因此进一步利用的价值已经不大.
7. BioID人脸数据库
包含在各种光照和复杂背景下的1521张灰度面部图像，眼睛位置已经被手工标注。
H. 人脸识别的识别数据
人脸识复别需要积累采集到的制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。
I. 如何使用yale大学的人脸数据库进行人脸识别的训练，python语言
基于特征脸(PCA)的人脸识别方法
特征脸方法是基于KL变换的人脸识别方法，KL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KL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，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。
比如人脸灰度照片40x40=1600个像素点，用每个像素的灰度值组成的矩阵代表这个人的人脸。那么这个人人脸就要1600 个特征。拿一堆这样的样本过来做pca，抽取得到的只是在统计意义下能代表某个样本的几个特征。
人脸识别可以采用神经网 络深度学习的思路，国内的ColorReco在这边有比较多的案例。
J. 怎样为具备高质量人 脸识别基础数据库，提供行业开放数据接口
为贯彻落实“十三五”规划《纲要》,加快推进 “互联网+”行动、人工智能...具备高质量人脸识别基础数据库,提供行业开放数据接口。