蔣木奇

恒銀金融科技股份有限公司 天津 300380

1 計算機視覺的基本概念

計算機視覺（ComputerVision）是指使用計算機和相關(guān)設(shè)備對生物視覺建模。通過處理收集的圖像和視頻來獲取相關(guān)信息，可以實現(xiàn)諸如對象識別，形狀和方向確認以及運動識別等功能，以適應和理解外部環(huán)境并控制其自身的運動。簡而言之，計算機視覺試圖學習機器如何學習“看見”，這是機器上生物視覺的延伸。ComputerVision 集成了許多學科，例如計算機科學與工程，信號處理，物理學，應用數(shù)學和統(tǒng)計學，并包括許多技術(shù)，例如圖像處理，模式識別，人工智能和信號處理。特別是通過深度學習，計算機視覺技術(shù)的性能取得了重大突破，已成為人工智能最重要的應用技術(shù)之一，是實現(xiàn)自動化和智能化的必要工具。計算機視覺技術(shù)繼承自機器視覺和機器視覺（MachineVision）技術(shù)，但卻又不完全一樣，圖像處理主要基于數(shù)字圖像的基本屬性（例如顏色，形狀和大?。﹣硖幚韴D像；機器視覺使用機器視覺產(chǎn)品而非人眼來測量和評估目標形態(tài)信息；計算機視覺通常包括圖像處理和其他功能，例如模式識別。與專注于精確幾何測量計算的機器視覺相比，計算機視覺專注于感知和識別。

2 人臉識別算法與實驗結(jié)果

2.1 人臉采集

攝像機鏡頭可捕獲各種人臉圖像，包括靜止圖像，動態(tài)圖像，人臉表情等。圖1 顯示了攝像機捕獲的人臉，該圖像包含兩個人臉，較小的面部圖像會影響識別效果，而較大的面部圖像會影響識別速度。圖像分辨率越低，識別它的難度就越大。過度曝光或過低的照明環(huán)境會影響人臉識別的效果。相對于攝像機的臉部運動通常會導致臉部模糊，最好的圖片是不受阻礙的人臉特征和清晰的臉部邊緣圖像[1]。

2.2 人臉識別的經(jīng)典算法

人臉識別算法經(jīng)歷了三個發(fā)展階段：早期算法，人工字符+分類器和深度學習。特征臉法是將一系列臉圖像轉(zhuǎn)換為一組對象向量的對象，這是初始訓練圖像集（稱為特征臉法）的主要組成部分。在識別期間，將新圖像投影到人臉的子空間中，并且基于子空間中投影點的位置和投影線的長度來做出決定。特征臉部使用基本成分分析（PCA）方法執(zhí)行空間變換，以獲取臉部部分的分布。主要成分將屬性值分解為訓練集中所有圖像的協(xié)方差矩陣，以獲得特征向量。向量的每個元素用于描述人臉之間的特征或記錄變化，因此，特征向量的線性組合可用于表示不同空間。本地二進制模式（Local Binary Patterns，LBP）。在圖像處理領(lǐng)域，使用局部二進制模式（LBP）來描述圖像的紋理特征并提取局部元素作為標準，使用灰度化中心像素的值作為閾值并與其他空間進行比較，以確定相應的二進制值并獲得用于表達局部紋理的特征，該算法可以大大降低光敏性。

2.3 人臉檢測

人臉檢測是指使用某些策略提取圖像或視頻流，首先確定圖像或視頻上是否有人臉。然后確定該人臉的位置，位置和大小。這個過程看起來很簡單，實際上存在一個主要問題，因為目標是動態(tài)的，具有難以避免的變化，例如外觀，人臉特征，不同的表情，發(fā)型或配飾等，并且外部條件的變化，比如說光線影響，設(shè)備的焦距，拍攝距離等，都會給實際的人臉檢測造成干擾[2]。

2.4 人臉識別

人臉識別法的基本原理是使用Karhunen-Loev 變換將圖像從多維矢量轉(zhuǎn)換為低維矢量，消除了每個分量的相關(guān)性，從而簡化了數(shù)據(jù)處理。該方法的優(yōu)點是易于實施和快速，缺點是它會受光照，表情和位置等因素變化的影響，導致檢測率低。一種基于幾何特征的方法。此方法用于確定臉部主要特征器官（如嘴，鼻子，眼睛等）的位置和大小，并使用特征器官的幾何分布比例和比例進行比較和識別。這種方法的優(yōu)點是速度更快，并且可以克服光強度對識別速度的影響，缺點是識別速度不夠高，可靠性不夠高，一旦表情姿態(tài)略有變化，識別效果大大降低。基于深度學習的方法。由于機器學習的不斷發(fā)展，特別是深度學習和大數(shù)據(jù)研究的結(jié)合，人臉識別取得了革命性的成果。深度學習方法在面部識別中的特定應用包括：基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的面部識別方法，用于區(qū)分面部形狀的深度非線性方法，基于面部姿勢可持續(xù)建模的深度學習；在狹窄空間內(nèi)的全自動人臉識別；基于深度學習的視頻監(jiān)控下的人臉檢測。其中，CNN 權(quán)重分布結(jié)構(gòu)的結(jié)構(gòu)更像是生物神經(jīng)網(wǎng)絡(luò)。該方法通過感知面部圖像，總權(quán)重以及局部時空下采樣來分析局部數(shù)據(jù)中包含的特征，從而優(yōu)化了模型結(jié)構(gòu)?；跈C器的向量支持方法。支持向量法（SVM）基于統(tǒng)計理論，其研究方向是解決樣本分類問題。此方法將圖像轉(zhuǎn)換為一個空間，然后將其分類為其他空間。目前，它被廣泛用于人臉識別，該方法的優(yōu)點是結(jié)構(gòu)相對簡單，可以實現(xiàn)全局優(yōu)化。缺點是它類似于神經(jīng)網(wǎng)絡(luò)方法，后者對計算能力和存儲空間有更高的要求，并且需要更多的時間進行訓練[3]。

3 結(jié)語

通過以上描述，我們發(fā)現(xiàn)通過使用各種手段，可以有效識別人臉。但還存在一種基于重要特征點的彈性圖比較方法，不僅可以減少光照，縮放比例和畸變對人臉識別的影響，而且可以提高人臉識別的速度和準確性。但使用此方法的場景相對簡單，對于復雜的動態(tài)場景無法完成有效的人臉識別。