ZLG深度解析—人脸识别核心技术

    随着大数据时代的到来，“人脸”也将成为数据的一部分，人脸识别如何实现？本文将为大家从人脸检测、人脸定位、人脸校准以及人脸对比等方面详细阐述人脸识别的原理与实现方式。
    随着计算机技术以及光学成像技术的发展，集成了人工智能、机器学习、视频图像处理等技术的人脸识别技术也逐渐成熟。未来五年，我国人脸识别市场规模平均复合增长率将达到25％，到2021年人脸识别市场规模将达到51亿元左右，具有巨大的市场需求与前景。
    安防、金融是人脸识别切入细分行业较深的两个领域，移动智能硬件终端成为人脸识别新的快速增长点。因此，这三大领域将是人脸识别快速增长的最大驱动力。
    
    2017年，我国安防行业总产值达到6200亿，同比增长16．98％，维持强劲发展势头。从细分产业来看，视频监控是构建安防系统中的核心，在中国的安防产业中所占市场份额最大。而人脸识别在视频监控领域具有相当的优势，应用前景广阔。
    
    市面上的人脸识别解决方案也越来越多，但在系统框架上基本大同小异，大体框架如下图所示：
    
    接下来对人脸识别算法各技术点逐一进行详细介绍，包括人脸检测、人脸定位、人脸校准、人脸比对、人脸反欺诈以及算法优化等。
    一、人脸识别
    人脸检测算法繁多，我们采用由粗到精的高效方式，即先用计算量小的特征快速过滤大量非人脸窗口图像，然后用复杂特征筛选人脸。这种方式能快速且高精度的检测出正脸（人脸旋转不超过45度）。该步骤旨在选取最佳候选框，减小非人脸区域的处理，从而减小后续人脸校准及比对的计算量。
    
    以下为人脸检测算法的初始化接口， 根据实际应用场景设置人脸的相关参数，包括最小人脸尺寸、搜索步长、金字塔缩放系数等：
    
    人脸检测实测效果如下图所示：
    
    在人脸检测领域比较权威的测试集FDDB上进行评测， 100误检时的召回率达到85．2％， 1000误检时的召回率达到89．3％。
    
    
    
    1  2  3  下一页>