河南人脸识别-人脸识别，究竟是什么？

一、人脸检测 “人脸检测（Face Detection）”是检测出图像中人脸所在位置的一项技术。 人脸检测算法的输入是一张图片，输出是人脸框坐标序列（0我的脸框或1我的脸框或多我的脸框）。通常状况下，输出的人脸坐标 框为一个正朝上的正方形，但也有一些人脸检测技术输出的是正朝上的矩形，或者是带旋转方向的矩形。 常见的人脸检测算法基本是一个“扫描”加“判别”的过程，即算法在图像范围内扫描，再逐个断定候选区域是不是人脸的过程。 所以人脸检测算法的计算速度会跟图像尺寸、图像内容相关。开发过程当中，咱们能够经过设置“输入图像尺寸”、或“最小脸尺寸 限制”、或“人脸数量上限”的方式来加速算法。

 

 2. 人脸配准 “人脸配准（Face Alignment）”是定位出人脸上五官关键点坐标的一项技术。 人脸配准算法的输入是“一张人脸图片”加“人脸坐标框”，输出五官关键点的坐标序列。五官关键点的数量是预先设定好的一个 固定数值，能够根据不一样的语义来定义（常见的有5点、68点、90点等等）。 当前效果的较好的一些人脸配准技术，基本经过深度学习框架实现，这些方法都是基于人脸检测的坐标框，按某种事先设定规则将 人脸区域扣取出来，缩放的固定尺寸，而后进行关键点位置的计算。所以，若不计入图像缩放过程的耗时，人脸配准算法是能够计 算量固定的过程。另外，相对于人脸检测，或者是后面将提到的人脸提特征过程，人脸配准算法的计算耗时都要少不少。 

 3. 人脸属性识别 “人脸属性识别（Face Attribute）”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。 通常的人脸属性识别算法的输入是“一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的属性值。人脸属性识别算法通常 会根据人脸五官关键点坐标将人脸对齐（旋转、缩放、扣取等操做后，将人脸调整到预约的大小和形态），而后进行属性分析。 常规的人脸属性识别算法识别每个人脸属性时都是一个独立的过程，即人脸属性识别只是对一类算法的统称，性别识别、年龄估 计、姿态估计、表情识别都是相互独立的算法。但的一些基于深度学习的人脸属性识别也具备一个算法同时输入性别、年龄、姿态 等属性值的能力。

 4. 人脸提特征 “人脸提特征（Face Feature Extraction）”是将一张人脸图像转化为一串固定长度的数值的过程。这个数值串被称为“人脸特征 （Face Feature）”，具备表征这我的脸特色的能力。 人脸提特征过程的输入也是 “一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的一个数值串（特征）。人脸提特征算法 都会根据人脸五官关键点坐标将人脸对齐预约模式，而后计算特征。 近几年来，深度学习方法基本统治了人脸提特征算法，这些算法都是固定时长的算法。早前的人脸提特征模型都较大，速度慢，仅 使用于后台服务。但的一些研究，能够在基本保证算法效果的前提下，将模型大小和运算速度优化到移动端可用的状态。 

5. 人脸比对（人脸验证、人脸识别、人脸检索、人脸聚类） “人脸比对（Face Compare）”是衡量两我的脸之间类似度的算法 人脸比对算法的输入是两我的脸特征（注：人脸特征由前面的人脸提特征算法得到），输出是两个特征之间的类似度。人脸验证、 人脸识别、人脸检索都是在人脸比对的基础上加一些策略来实现。相对人脸提特征过程，单次的人脸比对耗时极短，几乎能够忽略 。 基于人脸比对可衍生出人脸验证(Face Verification)、人脸识别(Face Recognition)、人脸检索(Face Retrieval)、人脸聚类 （Face Cluster）等算法。 

6. 人脸验证 “人脸验证（Face Verification）”是断定两我的脸图是否为同一人的算法。 它的输入是两我的脸特征，经过人脸比对得到两我的脸特征的类似度，经过与预设的阈值比较来验证这两我的脸特征是否属于同一 人（即类似度大于阈值，为同一人；小于阈值为不一样）。  

7. 人脸识别 “人脸识别(Face Recognition)”是识别出输入人脸图对应身份的算法。 它的输入一我的脸特征，经过和注册在库中N个身份对应的特征进行逐个比对，找出“一个”与输入特征类似度较高的特征。将这个 较高类似度值和预设的阈值相比较，若是大于阈值，则返回该特征对应的身份，不然返回“不在库中”。 

 8. 人脸检索 “人脸检索”是查找和输入人脸类似的人脸序列的算法。 人脸检索经过将输入的人脸和一个集合中的说有人脸进行比对，根据比对后的类似度对集合中的人脸进行排序。根据类似度从高到 低排序的人脸序列即便人脸检索的结果。

 9. 人脸聚类 “人脸聚类（Face Cluster）”是将一个集合内的人脸根据身份进行分组的算法。 人脸聚类也经过将集合内全部的人脸两两之间作人脸比对，再根据这些类似度值进行分析，将属于同一个身份的人划分到一个组里 。 在没有进行人工身份标注前，只知道分到一个组的人脸是属于同一个身份，但不知道确切身份。另外假设集合中有N我的脸，那么人 脸聚类的算法复杂度为O(N2) 

 10. 人脸活体 “人脸活体（FaceLiveness）”是判断人脸图像是来自真人仍是来自攻击假体（照片、视频等）的方法。 和前面所提到的人脸技术相比，人脸活体不是一个单纯算法，而是一个问题的解法。这个解法将用户交互和算法紧密结合，不一样的 交互方式对应于彻底不一样的算法。鉴于方法的种类过于繁多，这里只介绍“人脸活体”的概念，再也不展开。