人脸识别调研报告5篇

在人们越来越注重自身素养的今天，报告的用途越来越大，我们在写报告的时候要注意涵盖报告的基本要素。那么你真正懂得怎么写好报告吗？下面是差异网为大伙儿带来的5篇《人脸识别调研报告》，希望朋友们参阅后能够文思泉涌。

人脸识别综合实践报告 篇一

人脸识别综合实践报告 一、实践背景 人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。同其它生物识别技术相比，人脸识别技术具以下优越性：①不需要人工操作，是一种非接触的识别技术；②快速、简便；③直观、准确可靠；④性价比高，可扩展性良好；⑤可跟踪性好；⑥具有自学习功能。人脸识别技术是一种精度高、方便使用、鲁棒性好，而且很难假冒、性价比高的生物特征识别技术。由于人脸识别具有以上优点，因此应用非常广泛，主要应用范围有：①档案管理系统，如有些大型公司和学校都用人脸识别来进行考勤打卡；②安全验证系统信用卡验证；③刑事案件侦破；④出入口控制，如北京奥运会和杭州 G20 峰会应用人脸识别技术进行安保；⑤人机交互领域；⑥金融行业，如支付宝推出了刷脸功能。人脸识别技术应用前景广阔。

二、实践概况实习时间：2017-3-7 至 2017-4-29

实习公司：新秩序电子科技有限公司

实习目的：在实习中接触社会，学习市场营销的基本知识，掌握市场营销的基本技能，在实践中锻炼自己在与人沟通、团队合作、制定计划、应对危机等各方面的能力，发现自身的各种问题和缺点并采取实际行动改进。

实习任务：通过面试被聘为新秩序电子科技有限公司的一名实习生，在其销售部担任一名市场营销人员，参与公司人脸识别产品的市场维护及拓展的营销计划。

三、实践方法及内容（一）人脸识别内容 本实践提出的分布式人脸识别模型中有多个代理，并且每个代理可以同时识别多个视频中的行人，为了避免代理处理任务量不均导致的时间延迟，对每个代理处理的任务量采用遗传算法（GA）进行负载均衡。假设有ｋ个代理要处理 m 个视频，每个视频中有多个行人，第 i 个代理处理的 ID 号为iAID ，处理的视频集合为 } ，。.。， ， {2 1iin i i iV V V V  ，其中 i 的范围是（0，k），in 是第 i 个代理中的视频个数， ) ＜n 0 （im  ，iV 中第 j 个视频的行人个数为ijP ， ） n ＜j 0 (i 。

首先对 GA 中的染色体进行初始化，以第 i 个代理为例，将ij ij iP V AID ， ， 这 3个参数作为一个节点，由于第 i 个代理中有in 个视频，所以就有in 个这样的节点，将这in 个节点作为第 i 个染色体的基因。第 i 个染色体由iChrom ，来表示，iChrom初始化结果如下所示:

)。， ， （ )，。.。， ， ， （ ），。.。， ， ， ( ）， ， ， ( :2 2 1 1i iin in i ij ij i i i i i i i iP V AID P V AID P V AID P V AID Chrom

本实践采用的适应值函数如下：

injij iP c F1/

其中 c 是小于 1 的随机数。

其次，使用轮盘赌方式进行选择操作，根据计算公式获得选择结果。考虑个体优劣差距较大的情况，根据染色体的数量，选择不同质量的染色体进行遗传。

kii i chromF F i P1/ ) (

在遗传操作中，选择两点交叉方法进行交叉操作，根据染色体长度的不同，设定这两个交叉点的选择范围，令第一个交叉点的位置为第一个基因节点，假设这两条染色体中最短的染色体长度为minL ，则第二个交叉点的选择范围即为

[min min, 2 / L L ]。

为了避免过早收敛使算法进入局部最优，及保证种群的多样性，根据染色体的适应值对交叉概率cP 和变异概率mP 增加了一些随机性操作，cP 和mP 的计算公式如下所示: 2211MaxFFkMaxFFk P c  

 FMinFkMaxFFk P m413 其中:1MaxF 是染色体中最大的适应值，2MaxF 是染色体中第二个大的适应值，MinF 是染色体中最小的适应值，3 2 1k k k 、、和4k 是[0,1]的随机数。

为了尽快缩小染色体之间的优劣差距，在传统的 GA 算法中加入了迁移操作，即通过将最差染色体中的最大基因迁移至最优的染色体中来完成该操作。

最常用的停比准则是选择一个比较大的数作为迭代次数。但在本实践中，为了不错过最优解，设置了一个阂值函数，公式如下:  ＞ /MaxF F 其中：参数  是一个阈值，这个阈值小于 1。

本实践负载均衡操作的步骤如下: 步骤 1:服务器接收代理发送的信息，并初始化为染色体。

步骤 2:根据公式计算每条染色体的适应值。

步骤 3:根据公式执行选择运算。

步骤 4:计算公式，如果没有满足预定的阂值，则执行步骤 5~步骤 7;如果满足预定阂值，则停止。

步骤 5:根据公式计算交叉概率cP 判断是否执行交叉操作，并且重复步骤 2和步骤 3。

步骤 6:根据公式计算变异概率mP ，如果不能执行变异操作，则执行迁移操作，并且重复步骤 2 和步骤 3。

步骤 7:转到步骤 4 继续。

（二）

实习内容 1.了解新秩序公司 在接受新秩序公司人事部主管、营销部等相关人员的基本培训，了解公司的基本概况。新秩序电子科技有限公司是一家研发、生产、销售新型电子产品于一体的高科技有限公司，公司产品旨在降低客户设备购置和使用成本。

在培训的那天，三位公司职务不低的培训人员在上午连续培训几个小时后，只在报告厅的桌子上睡了一下又接着在下午给我们进行精彩的培训，在中午的时候他们完全可以享受更好的休息条件，但他们却没有。在这种行为之中我感受到了公司中人的那种敬业的精神、能吃苦的精神。这也促使我之后在网上搜索该公司更多的信息，使我对公司有了更深刻的了解。

2、拜访经销商，督促其下单，了解市场信息

（1）跟着业务经理一起到各市县拜访各级经销商，了解公司人脸识别产品出货价格、出货渠道、出货时的促销优惠措施等，同时了解各级经销商所卖其他竞争人脸识别产品的各种信息，针对人脸识别产品信息做出人脸识别产品销售策略的调整。

（2）一些大的经销商不用督促其进货，沟通是最佳的手段，只要沟通的好他们会很容易的按其需求进货。只要情感的沟通技巧用的好，比说人脸识别产品性能和促销政策等效果要好很多。有时候印象很重要，要让别人接受你的人脸识别产品，就得先让别人接收你这个人。培养员工的独特方式，体会了一些商场上尔虞我诈、残酷无情的味道，这是我在学校肯定学不到的东西，我感觉这个游戏已经使我不虚此行了。

在我们接受公司营销部的业务培训，了解公司人脸识别产品的种类、特性、市场定位、价格、竞争优势、人脸识别产品流入市场的渠道、竞争产品的相关信息等。

3、拜访销售终端，销售公司人脸识别产品，摸清销售渠道，核实市场信息

跟着业务经理拜访营销点、经销商、等销售终端和终端用户。

（1）了解他们使用或销售人脸识别产品的感受，记录客户使用人脸识别产品后的反馈信息（包括人脸识别产品质量问题、实际使用时的人脸识别产品特性和使用感受），帮助用户解决使用过程中出现的问题，提供技术咨询与技术服务。

（2）从这些销售终端得到电子人脸识别产品及其他竞品的销售渠道、价格、促销、推广力度等的真实信息（竞争品的情报信息尤为重要），与从经销商处得到的信息核对，判断经销商在信息上是否对我们有所隐瞒，如有必要可调整与经销商的合作策略。

（3）从销售终端，了解其他相关人脸识别产品配送的渠道信息，为我们省去找渠道的时间。如了解营销点所用所经营各类人脸识别产品的种类、进货渠道、价格、得到的促销政策、用竞争产品而不用我们公司人脸识别产品的原因（如果用竞争人脸识别产品的话）。

如从营销点了解经销商的信息，若该经销商不经营我们公司的人脸识别产品，之后可以找该经销商谈，尽量将其争取为我们公司人脸识别产品的经销商。同时从营销点可以了解到一个地区的经销商网络状况，通过经销商找终端会为我们拜访客户省去很多找客户的时间。从营销点可以了解到我们的经销商是否执行了我们要求其执行的我们公司人脸识别产品推广计划。

四、实践感悟（一）

沟通 有很多沟通的技巧在销售上是很有用的，特别是在外面拜访客户的时候有很多说话的技巧、观察的技巧，如在拜访营销点、经销商的时候如何打消他们的戒心和疑虑，如何让他们接受你、让他们对你说实话，如何从他们不经意间透露的信息了解到他们卖或用的人脸识别产品、进货渠道、用量或销量，如何说服他们用我们公司的人脸识别产品，如何对他们讲解我们公司电子人脸识别产品的优势，如何让他们对我们的人脸识别产品感兴趣、进有很多沟通的技巧在销售上是很有用的，特别是在外面拜访客户的时候有很多说话的技巧、观察的技巧，如在拜访营销点、经销商的时候如何打消他们的戒心和疑虑，如何让他们接受你、让他们对你说实话，如何从他们不经意间透露的信息了解到他们卖或用的人脸识别产品、进货渠道、用量或销量，如何说服他们用我们公司的人脸识别产品，如何对他们讲解我们公司电子人脸识别产品的优势，如何让他们对我们的人脸识别产品感兴趣、进而用我们的人脸识别产品等等。我也将我学到的和客户谈话技巧的小细节，与客户沟通的小招数，观察客户开的店子需要注意的细节等都认真总结、细心揣摩，从中我汲取到了更多的养分。

（二）

尝试 工作中有很多事没开始做的时候感觉很难，但真正开始做的时候会发觉其实没有想象中的难。有些事不管怎样，首先要尝试，只要在尝试后慢慢调整策略就很可能成功。

有一次想坐公交车到经销商的仓库去，但当时整条路都在修，我们所知道的几路公交车都改线路了。因为目的地本身就有点偏，几乎不可能有别的公交车到那里了。当时情况有点急，也可以步行到经销商那里，但会耽误时间，最后我还是尝试问了一个大叔有没有公交到我们的目的地，我们很幸运的得到了肯定的回答。有时候看似不可能或很困难的事，其实只要去尝试，就有解决的机会，不去试的话连丁点机会都不会有。

（三）

总结 总结是很重要的，自己学到的、体会到的知识能不能升华、能不能使自己得到更多的启示就靠总结了。总结能使我反思自己工作中的不足，继而想出解决的办法；能使我举一反三，加快我学习、成长的速度；能使我更清楚我前进的方向。这次写实习报告的过程也就是我总结反思的过程，在写报告的过程中发现了自身很多不足之处，在今后我会很重视这些在实践中发生的问题，竭尽一切努力去改进。

五、实践总结1.增加实践环节。学生们共同的体会之一是“书到用时方恨少”。从销售终端的商品管理、价格确定，到渠道控制、广告投放、新品开发及至市场调研，都需要宽泛的理论知识支撑。

2、承认教师指导社会实践的工作量。目前教师指导社会调查实习、毕业实习都没有计入教学工作量，所以不能调动教师积极性，也出现了上面三番五次强调

但总是难以见效的实际情况。

3、加大教学改革力度。以社会需求为导向，调整课程设置。实习中了解到，目前社会需要大量的营销人才，可是，我们的学生却难以找到合适的岗位。客观表现为企业一般招聘有几年工作经验的人。

最后，我要由衷的感谢新秩序电子科技有限公司给我这个宝贵的实习机会，感谢公司人员的培训，感谢营业部王经理给我的帮助。

人脸识别技术是什么原理 篇二

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。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。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。

银行用人脸识别 篇三

银行人脸识别运用

银行是国家货币流通的主要场所，业务中涉及大量现金、有价证券及贵重物品，因而银行的安全一直以来都是国家安全防范的重点。近年来，金融行业市场发展迅猛，随着营业网点、ATM机、银行资金流动等的增多，银行安防系统所面临的挑战越来越大。 为加强对银行、储蓄所、金库、贵重物品集中场所的安全防范，银行越来越重视技防的作用，作为防止犯罪发生的有效途径，双门互锁门禁系统也应运而生。目前市场上的双门互锁门禁系统大都采用读卡或者指纹的身份验证方式，由于这两种方式都存在一定的安全隐患或不足，因而人脸识别技术的应用受到用户关注。

双门互锁系统是指两道门具有互锁联动的功能，即当一道门被打开时，另一道门则打不开，只有当两道门都关上时，才能打开其中的任一道门。根据《银行营业场所风险等级和防护级别的规定》等相关银行安全管理规范，储蓄网点等现金柜台的进出口必需设置两道门，而且员工在进入第一道门后必需要按照规范锁好第一道门才能进入第二道门，如进入第一道门后没有按要求关好此道门，员工将不能进入第二道门，从而更好地防止犯罪分子尾随作案。 目前，市场上的双门互锁门禁系统大都采用读卡或者指纹的身份验证方式，但是这两种身份验证方式均存在一定的安全隐患。例如：磁卡和智能IC卡均容易被复制，窃取，丢失，它们作为验证模式已经不能满足日益增长的安全需要。而指纹门禁虽然成本低，但是对某类人群的适应性很差，例如指纹不清晰，有磨损等，同时在指纹上有油渍，水渍，蜕皮等情况下，指纹识别的误差也是很大的。 另外，由于多年来指纹一直被当成辨识犯罪的工具，部分人会因为指纹被采集而在心理上产生抵触情绪。而人脸识别利用人的面部特征进行身份辨识，友好，直观，不需要人的刻意配合，是目前所有生物识别技术中对使用者影响最小的，准确性也高。更为可贵的是，有人脸识别门禁摄像头采集的人脸图像，也可为事后调查提供最直观的证据，因此，用人脸识别技术取代双门互锁系统中的读卡或者指纹的验证方式，是实现银行营业厅出入控制的一种最佳的选择。

人脸识别安全性更高

人脸识别技术上划分为1：1比对和1：N比对，对于银行可采用智能卡与人脸识别1：1比对方式相结合，其优势是双重的验证机制。首先需要智能IC卡或者ID卡验证，验证通过之后，进行人脸识别验证，人脸识别验证通过之后，才能开门。与单纯的采用智能卡的门禁系统相比，安全性更高，适合银行这样的高安全性场所使用。 根据目前银行营业厅等重要场所的实际情况，可以设计安全通道门，由两道带人脸识别装备的防盗门、一台两门联动控制器等组成。

其工作原理是：首先在管理系统中注册人员，注册时每人分配一张IC卡或者ID卡，将人员的注册信息和人员图像注册到联动控制器中。以从公共区进入安全区为例，正常使用时，当人脸在门1的人脸识别上验证时，首先联动控制器查询门2是否闭合，如果门2处于开启状态，则拒绝在门1处进行验证，只有当门2闭合，才允许启动验证。

验证时，先刷卡，同时人脸识别摄像头会捕获一张图像，将卡号信息和图像传输至联动控制器中，控制器根据卡号信息找到注册时的图像，与捕获的图像进行比对识别，比对通过则控制器控制电锁开启，关上门1，在门2处重复上述的验证步骤。

在一些特殊情况下，比如卡丢失，员工需要进行挂失，重新补卡才能使用该系统；如果是有入侵者胁迫开门的情况，员工会使用胁迫开门功能，同时向后台管理系统报警，监控中心的人员在管理系统的实时监控中获取警情，可以采取相关报警动作；如果是多人脸识别，系统允许一定时间内，多人相继验证通过，系统才会开门。 智能化管理

通过管理电脑对进出人员的权限，进出时间以及进入方式进行管理。并同时存储相应数据，以备事后查询。 多人脸识别开门功能

在重要的区域，系统可以设置同时多个人脸识别（两人以上）才能开门的方式，即打开一道门要有多人同时在规定时间内通过人脸识别验证后，门才能打开。 优势

综上所述，使用本方案有以下几个方面的优点。 第一，使安全防范级别得到有效提升。

在原有智能卡门禁系统上融入人脸识别技术，可有效防止盗取他人智能卡或者监守自盗现象的发生，是原有出入控制系统安全防范级别的有效提升。 第二，能与CCTV系统无缝结合。 随着人们安防要求的逐渐提高，CCTV系统早已成为银行安防系统中的重要环节。本系统无须另添加任何其它设备即可与银行原有的CCTV系统无缝结合。本方案所述的人脸识别门禁系统还设计有一些通讯接口，可以和视频监控系统进行通讯。比如，在发生胁迫报警时，可以通知视频监控系统，使其调整监控画面，更方便观看现场的情况等。 第三，灵活的事件处理和报警联动。

本系统可以与其它报警系统联动，对各种异常事件，如非法读卡，开门超时，门锁损坏，强行进入等，可根据用户实际需求设定相应的报警处理和提示，以确保安全防范区域的安全可靠，并对犯罪分子具有极大的威慑作用。 结语

近些年来，人脸识别技术虽然取得了很大的发展，但是用户担心识别精度还是会受到光照、姿态、表情、伪装等因素的影响，正缘于此，他们在选用人脸识别产品上会有一些担心与顾虑，可喜的是，人脸识别技术的算法已越来越具鲁棒性（鲁棒性，在此指人脸识别算法的健壮性，减弱外界的光照，姿态，表情等因素对人脸识别的影响），再采用红外成像等手段，可以提升识别精度，使得人脸识别产品真正应用起来。

出入口控制作为安全防范系统中的重要环节，直接影响着整个系统内部的安全。目前，较为成熟的门禁解决方案是卡片或者卡片加密码的模式，但一旦卡片丢失或者密码遗失，对整个系统的安全就构成很大威胁或者对用户的使用造成不便。而人脸识别门禁系统用人脸作为“钥匙”来开门明显安全性更高，并且具有受场地环境影响小、识别准确率高、识别速度快、结果直观等优点，已经越来越受到广大客户的重视。

人脸识别小结 篇四

人脸识别总结

一、概述

生物特征识别技术包括人脸识别、指纹识别、语音识别、表情分析及理解、虹膜识别等 人脸识别的实质就是借助计算机工具来分析人脸面部图像，采用不同的特征表示方法提取有效地人脸特征，是可用来辨识身份的一门自动处理技术，常见重要应用案例包括银行和军事重地的自动门禁系统、智能人脸监控系统、用于公共交通体系中安检系统的嫌疑人自动识别系统、网络服务中的在线验证系统等。 产生不同个体较大差异性的内在因素主要有种族、性别、年龄、心理等。外在因素主要有光照变化、角度偏转、姿态、噪声千扰、遮挡、以及化妆遮挡物等。 18世纪，就有一篇依据人脸特征信息进行身份鉴别的文章发表在《Nature》上，开启了近代最早的人脸识别研宄，最早的自动人脸识别系统是由Chan和Bledsoe创于1965年 人脸识别包括四个主要步骤：图像预处理、人脸检测、面部特征提取和分类识别。

二、研究领域

1、身份验证领域：通过人脸识别技术来判断和鉴别当前用户是否合法或者具备相应的功能权限，例如2008年北京奥运所采用的人脸识别系统。

2、智能视频监控领域，例如车站安装智能监控系统，该系统中加入了人脸识别技术以捕捉人群中的可疑罪犯。

3、人机交互领，例如人脸面部为视觉系统提供了最为主要的特征信息。

三、人脸识别方法及其算法

（一）方法分类

可以分为：基于几何特征的人脸识别、基于弹性图匹配的人脸识别、基于子空间分析的人脸识别、基于神经网络的人脸识别、基于隐马尔可夫模型等。  经典的特征脸“Eigenface”就是该时期由麻省理工学院的M.Turk和A.Pentlaiid提出的，采用PCA变换对原始图像进行降维处理，然后再进行分类识别。   P.Belhumeur等提出的Fisherfaces人脸也被广泛应用在人脸识别中。

90年代中后期，出现了一种基于动态连接结构(Dynamic Link Architecture)的弹性图匹配(Elastic GraphMatching)识别方法。  90年代末支持向量机被应用到人脸识别技术中。

（二）流行算法

主要分为：等距离映射_(Isometrical Mapping,简称 ISOMAP)、局部线性嵌入(Locally LinearEmbedding,简称LLE、拉普拉斯算子特征映射(Laplacian Eigenmaps)、拉普拉斯脸(Laplacianface)方法。基于拉普拉斯Belkin M等提出局部投影(LPP)方法。 近期算法包括：  基于稀疏表示的人脸识别方法(Sparserepresentation recognition, SRC) 针对此识别方法还出现了较多的改进模型，典型的有

 基于Gabor的稀疏表示  基于Metaface的稀疏表示等

（三）难点

1、人脸图像的成像条件包括较大的随机性：光照变化、姿态变换、表情变化、发 型改变、化妆、以及遮挡等复杂条件

2、人脸面部图像的复杂的三维结构属性：包括线性结构和非线性结构

3、人脸图像数据的维数问题

4、不同个体间的面部特征的差异性

四、人脸特征提取研究

（一）人脸特征提取和识别算法分类

  基于统计方法 基于几何方法

（二）具体实现

 主成分分析(principal component analysis, PCA)是一种典型的数据处理和数据降维方法

 Sirovich和Kirby首先研究人脸降维过程，采用基于镜像脸的技术  M.Turk_提出了基于PCA表示的特征脸的概念

 Fisher线性判别方法也是人工智能和模式识别领域中的重要方法之一

 Foley和Sammon提出了基于Sammon最佳鉴别平面的技术

 Duchene和Leclercq提 出了针对多类问题的Foley-Sammon最佳鉴别矢量集的求解公式

 Turk和Pentland提出了基于特征脸的特征提取方法  Kittler又提出了基于Fisher鉴别准则的提取面部特征方法  Hong和Yang提出了采用SVD进行特征提取方法  Cheng等改进并提出了一种新的相似性鉴别准则

 Liu等提出了基于最佳鉴别广义平面和最佳鉴别广义矢量集的一系列特征提取方法  郭等在此基础上提出了改进的最佳鉴别矢量方法  吴等又改进了广义最佳鉴别矢量方法  基于模型的特征提取方法

 Kass等首次提出了主动轮廊线模型(Active Contour Model,ACM)， ACM也被称为Snake模型

 Lee等提出了一种改进Snake模型的方法，改进方法是由正面和侧面结构化特征来对面部进行特征点定位

 基于统计参数化模型的主动形状模型(Active Shape Model, ASM)  优势在于它不仅能有效地定位和提取目标物体的外部轮廓信息，而且能提取目标物体的内部轮廓和形状特征

 Cootes等在ASM基础上提出了主动表观模型 (Active AppearanceModel,AAM)

（三）需要解决的问题

1、根据奇异值分解原理可以得到人脸图像的奇异值向量所在的基空间（矩阵）是由 人脸图像本身决定的。

2、当光照、姿态、表情变化以及遮挡等复杂条件下，人脸的表象会产生较大变化， 从而造成人脸识别系统的性能下降

。

3、需要构造一种能有效描述目标纹理特性的局部纹理轮廓模型，进一步提高模型的 特征点定位精度。

人脸识别MATLAB代码 篇五

1、色彩空间转换

function [r,g]=rgb_RGB(Ori_Face) R=Ori_Face（:，:，1）； G=Ori_Face（:，:，2）； B=Ori_Face（:，:，3）；

R1=im2double(R)；

% 将uint8型转换成double型 G1=im2double(G)； B1=im2double(B)； RGB=R1+G1+B1;

row=size(Ori_Face,1)；

% 行像素 column=size(Ori_Face,2)；

% 列像素 for i=1:row for j=1:column

rr(i,j)=R1(i,j)/RGB(i,j)；

gg(i,j)=G1(i,j)/RGB(i,j)； end end rrr=mean(rr)； r=mean(rrr)； ggg=mean(gg)； g=mean(ggg)； 2.均值和协方差

t1=imread（'D:matlab皮肤库1.jpg'）；[r1,g1]=rgb_RGB(t1)； t2=imread（'D:matlab皮肤库2.jpg'）；[r2,g2]=rgb_RGB(t2)； t3=imread（'D:matlab皮肤库3.jpg'）；[r3,g3]=rgb_RGB(t3)； t4=imread（'D:matlab皮肤库4.jpg'）；[r4,g4]=rgb_RGB(t4)； t5=imread（'D:matlab皮肤库5.jpg'）；[r5,g5]=rgb_RGB(t5)； t6=imread（'D:matlab皮肤库6.jpg'）；[r6,g6]=rgb_RGB(t6)； t7=imread（'D:matlab皮肤库7.jpg'）；[r7,g7]=rgb_RGB(t7)； t8=imread（'D:matlab皮肤库8.jpg'）；[r8,g8]=rgb_RGB(t8)； t9=imread（'D:matlab皮肤库9.jpg'）；[r9,g9]=rgb_RGB(t9)； t10=imread（'D:matlab皮肤库10.jpg'）；[r10,g10]=rgb_RGB(t10)； t11=imread（'D:matlab皮肤库11.jpg'）；[r11,g11]=rgb_RGB(t11)； t12=imread（'D:matlab皮肤库12.jpg'）；[r12,g12]=rgb_RGB(t12)； t13=imread（'D:matlab皮肤库13.jpg'）；[r13,g13]=rgb_RGB(t13)； t14=imread（'D:matlab皮肤库14.jpg'）；[r14,g14]=rgb_RGB(t14)； t15=imread（'D:matlab皮肤库15.jpg'）；[r15,g15]=rgb_RGB(t15)； t16=imread（'D:matlab皮肤库16.jpg'）；[r16,g16]=rgb_RGB(t16)； t17=imread（'D:matlab皮肤库17.jpg'）；[r17,g17]=rgb_RGB(t17)； t18=imread（'D:matlab皮肤库18.jpg'）；[r18,g18]=rgb_RGB(t18)； t19=imread（'D:matlab皮肤库19.jpg'）；[r19,g19]=rgb_RGB(t19)； t20=imread（'D:matlab皮肤库20.jpg'）；[r20,g20]=rgb_RGB(t20)； t21=imread（'D:matlab皮肤库21.jpg'）；[r21,g21]=rgb_RGB(t21)； t22=imread（'D:matlab皮肤库22.jpg'）；[r22,g22]=rgb_RGB(t22)； t23=imread（'D:matlab皮肤库23.jpg'）；[r23,g23]=rgb_RGB(t23)； t24=imread（'D:matlab皮肤库24.jpg'）；[r24,g24]=rgb_RGB(t24)； t25=imread（'D:matlab皮肤库25.jpg'）；[r25,g25]=rgb_RGB(t25)； t26=imread（'D:matlab皮肤库26.jpg'）；[r26,g26]=rgb_RGB(t26)； t27=imread（'D:matlab皮肤库27.jpg'）；[r27,g27]=rgb_RGB(t27)；

r=cat(1,r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12,r13,r14,r15,r16,r17,r18,r19,r20,r21,r22,r23,r24,r25,r26,r27)；

g=cat(1,g1,g2,g3,g4,g5,g6,g7,g8,g9,g10,g11,g12,g13,g14,g15,g16,g17,g18,g19,g20,g21,g22,g23,g24,g25,g26,g27)； m=mean（[r,g]） n=cov（[r,g]） 3.求质心

function [xmean, ymean] = center（bw) bw=bwfill(bw,'holes'）； area = bwarea(bw)； [m n] =size(bw)； bw=double(bw)； xmean =0; ymean = 0; for i=1:m, for j=1:n,

xmean = xmean + j*bw(i,j)； ymean = ymean + i*bw(i,j)； end; end; if(area==0)

xmean=0;

ymean=0; else

xmean = xmean/area;

ymean = ymean/area;

xmean = round(xmean)；

ymean = round(ymean)；

end

4、 求偏转角度

function [theta] = orient(bw,xmean,ymean) [m n] =size(bw)； bw=double(bw)； a = 0; b = 0; c = 0; for i=1:m, for j=1:n,

a = a + (jxmean) * (iymean)^2 * bw(i,j)； end; end; b = 2 * b;

theta = atan（b/(a-c)）/2;

theta = theta*(180/pi)；

% 从幅度转换到角度 5. 找区域边界

function [left, right, up, down] = bianjie(A) [m n] = size(A)； left = -1; right = -1; up = -1; down = -1; for j=1:n,for i=1:m,if (A(i,j) ~= 0)

left = j;

break;

end;

end;

if (left ~= -1) break;

end; end; for j=n:-1:1, for i=1:m, if (A(i,j) ~= 0)

right = j;

break; end; end;

if (right ~= -1) break; end; end; for i=1:m, for j=1:n,

if (A(i,j) ~= 0)

up = i;

break;

end; end;

if (up ~= -1)

break;

end; end; for i=m:-1:1,for j=1:n,if (A(i,j) ~= 0)

down = i;

break;

end;

end;

if (down ~= -1)

break;

end; end;

6、 求起始坐标

function newcoord = checklimit(coord,maxval) newcoord = coord; if (newcoord<1)

newcoord=1;

end; if (newcoord>maxval)

newcoord=maxval; end; 7.模板匹配

function [ccorr, mfit, RectCoord] = mobanpipei(mult, frontalmodel,ly,wx,cx, cy, angle)

frontalmodel=rgb2gray(frontalmodel)；

model_rot = imresize（frontalmodel,[ly wx]，'bilinear'）； % 调整模板大小 model_rot = imrotate（model_rot,angle,'bilinear'）；

% 旋转模板 [l,r,u,d] = bianjie(model_rot)；

% 求边界坐标 bwmodel_rot=imcrop（model_rot,[l u (r-l) (d-u)]）；

% 选择模板人脸区域 [modx,mody] =center(bwmodel_rot)；

% 求质心 [morig, norig] = size(bwmodel_rot)；

% 产生一个覆盖了人脸模板的灰度图像 mfit = zeros（size(mult)）； mfitbw = zeros（size(mult)）； [limy, limx] = size(mfit)；

% 计算原图像中人脸模板的坐标 startx = cx-modx; starty = cy-mody; endx = startx + norig-1; endy = starty + morig-1; startx = checklimit(startx,limx)； starty = checklimit(starty,limy)； endx = checklimit(endx,limx)； endy = checklimit(endy,limy)； for i=starty:endy, for j=startx:endx,

mfit(i,j) = model_rot(i-starty+1,j-startx+1)； end; end; ccorr = corr2(mfit,mult)

% 计算相关度 [l,r,u,d] = bianjie(bwmodel_rot)； sx = startx+l; sy = starty+u;

RectCoord = [sx sy (r-1) (d-u)]； % 产生矩形坐标 8.主程序 clear;

[fname,pname]=uigetfile（{'*。jpg'；'*。bmp'；'*。tif'；'*。gif'}，'Please choose a color picture.。.'）；

% 返回打开的图片名与图片路径名 [u,v]=size(fname)；

y=fname(v)；

% 图片格式代表值

switch y

case 0

errordlg（'You Should Load Image File First.。.'，'Warning.。.'）；

case{'g'；'G'；'p'；'P'；'f'；'F'}；

% 图片格式若是JPG/jpg、BMP/bmp、TIF/tif或者GIF/gif，才打开

I=cat(2,pname,fname)；

Ori_Face=imread(I)；

subplot(2,3,1)，imshow(Ori_Face)； otherwise

errordlg（'You Should Load Image File First.。.'，'Warning.。.'）； end

R=Ori_Face（:，:，1）； G=Ori_Face（:，:，2）； B=Ori_Face（:，:，3）；

R1=im2double(R)；

% 将uint8型转换成double型处理

G1=im2double(G)； B1=im2double(B)； RGB=R1+G1+B1;

m=[ 0.4144,0.3174]；

% 均值 n=[0.0031,-0.0004;-0.0004,0.0003]；

% 方差 row=size(Ori_Face,1)；

% 行像素数 column=size(Ori_Face,2)；

% 列像素数 for i=1:row

for j=1:column

if RGB(i,j)==0

rr(i,j)=0;gg(i,j)=0;

else

rr(i,j)=R1(i,j)/RGB(i,j)；

gg(i,j)=G1(i,j)/RGB(i,j)；

x=[rr(i,j)，gg(i,j)]；

p（i,j)=exp（(-0.5）*(x-m)*inv(n)*(x-m)'）；

end

end end

subplot(2,3,2)；imshow(p)；

low_pass=1/9*ones(3)；

image_low=filter2(low_pass, p)；

subplot(2,3,3)；imshow(image_low)； % 自适应阀值程序 previousSkin2 = zeros(i,j)； changelist = []；

for threshold = 0.55:-0.1:0.05 two_value = zeros(i,j)；

two_value(find(image_low>threshold)) = 1; change = sum(sum(two_valuel +1)；

% 宽度 ly = (d - u + 1)；

% 高度 wratio = ly/wx

% 高宽比

if ((0.8<=wratio)&(wratio<=2))

% 如果目标区域的高度/宽度比例大于0.8且小于2.0，则将其选出进行下一步运算

S=ly*wx;

% 计算包含此区域矩形的面积

A=bwarea(bwsegment)；

% 计算此区域面积

if (A/S>0.35)

[ccorr,mfit, RectCoord] = mobanpipei(justface,frontalmodel,ly,wx, cx,cy, angle)；

end

if (ccorr>=0.6)

mfitbw=(mfit>=1)；

invbw = xor（mfitbw,ones(size(mfitbw)）)；

source_with_hole = uint8（double(invbw) 。* double(imsourcegray)）；

final_image = uint8（double(source_with_hole) + double(mfit)）；

subplot(2,3,5)；imshow(final_image)；

% 显示覆盖了模板脸的灰度图像

imsourcegray = final_image;

subplot(2,3,6)；imshow(Ori_Face)；

% 显示检测效果图

end;

if (RectCoord ~= -1)

FaceCoord = [FaceCoord; RectCoord]；

end

end end end

% 在认为是人脸的区域画矩形

[numfaces x] = size(FaceCoord)；

for i=1:numfaces,

hd = rectangle（'Position'，FaceCoord（i,:））；

set（hd, 'edgecolor'， 'y'）；

end 人脸检测是人脸识别、人机交互、智能视觉监控等工作的前提。近年来，在模式识别与计算机视觉领域，人脸检测己经成为一个受到普遍重视、研究十分活跃的方向。 本文针对复杂背景下的彩色正面人脸图像，将肤色分割、模板匹配与候选人脸图像块筛选结合起来，构建了人脸检测实验系统，并用自制的人脸图像数据库在该系统下进行了一系列的实验统计。 本文首先介绍了人脸检测技术研究的背景和现状，阐明人脸检测技术发展的重要意义，对目前常用的一些检测算法进行了总结，然后着重阐述了基于肤色分割和模板匹配验证的人脸检测算法。 肤色是人脸重要特征，在通过肤色采样统计和聚类分析后，确立一种在YCbCr空间下的基于高斯模型的肤色分割方法。在YCbCr色彩空间中建立肤色分布的高斯模型，得到肤色概率似然图像，在最佳动态阈值选取算法下完成肤色区域的分割。 采用数学形态学和一些先验知识对所得到的肤色区域进行人脸特征筛选，进一步剔除非人脸肤色区域，减少候选人脸数量，简化后续检测过程的处理。 本文使用平均模板匹配方法对候选人脸进行确认，并针对图像中的人脸通常有一定角度旋转和尺寸大小不确定的问题，通过计算候选人脸图像块的偏转角度和面积，并以此调整模板，优化模板配准，提高模板匹配的准确性，同时避免使用多尺度模板进行多次匹配运算，提高算法效率。提出利用候选人脸图像区域和模板质心作为配准的原点，抑制人脸图像噪声的干扰。 最后构建了基于肤色分割和模板验证的人脸检测试验系统，并对该系统采用自制人脸图像数据库进行测试。实验结果表明，系统算法是有效的，具有较高的检测性能和低的误判率。

对于图象的线性变化，各公司基本都是以如下步骤来解决的（可能各公司的具体算法各异，但基本思路一致） 1,先对图象进行一个直方图分析。质量好的图象，在直方图上，一定是有两个“高峰”。一个是峰是图象中较明的部分，一个峰是图象中较暗的部分。 2,在图象发生线性变化的时候，这两个峰会发生平移:图象整体变亮，两峰一起向右移；图象整体变暗，两峰一起向左移。 3,根据两峰，来取阀值。通常取峰高度的20%~30%（当然，这个值是可设置的）。由这个峰高度的20%所对应的灰度值，就是系统自行找出的新阀值。 这个方法已经相当可靠，可以对付图象的线性变化。所以，目前可公司（注意，指的是作实际应用系统的公司，而不是指提供软件包的公司），几乎都采取这个方法来进行测量与检测。上面这位朋友一再提到的BLOB的算法，各公司（提供软件包的公司）的在自己的BLOB分析控件中，设下的hard thresould以外其他选项，其实都是来对付图象明暗线线变化的手段。

上面内容就是差异网为您整理出来的5篇《人脸识别调研报告》，希望对您有一些参考价值。