图像人脸进行检测、识别和跟踪

时间 2019-12-05 标签图像脸进行检测识别跟踪

最近整理了CV方向的一些产品基础知识，我上一篇文章《看AI产品经理如何介绍“计算机视觉”（基于实战经验和案例）》算是这个系列的第一篇；本文是本系列下的第二篇，主要针对人脸识别进行梳理。后续还会有多目标跟踪、OCR等方向的内容。但愿你们能从这个系列收获到更多的CV干货：）算法

人脸识别（Face Recognition）：对图像中的人脸进行检测、识别和跟踪。api

1app

技术流程详解框架

技术流程：性能

一、人脸采集优化

人脸采集主要关注如下因素——ui

1）图像大小：人脸图像太小会影响识别效果，人脸图像过大会影响识别速度。非专业人脸识别摄像头常见规定的最小识别人脸像素为60*60或100*100以上。在规定的图像大小内，算法更容易提高准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。spa

2）图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率，直接影响摄像头识别距离。现4K摄像头看清人脸的最远距离是10米，7K摄像头是20米。.net

3）光照环境：过曝或过暗的光照环境都会影响人脸识别效果。能够从摄像头自带的功能补光或滤光平衡光照影响，也能够利用算法模型优化图像光线。blog

4）模糊程度：实际场景主要着力解决运动模糊，人脸相对于摄像头的移动常常会产生运动模糊。部分摄像头有抗模糊的功能，而在成本有限的状况下，考虑经过算法模型优化此问题。

5）遮挡程度：五官无遮挡、脸部边缘清晰的图像为最佳。而在实际场景中，不少人脸都会被帽子、眼镜、口罩等遮挡物遮挡，这部分数据须要根据算法要求决定是否留用训练。

6）采集角度：人脸相对于摄像头角度为正脸最佳。但实际场景中每每很难抓拍正脸。所以算法模型需训练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度，需知足人脸与摄像头构成的角度在算法识别范围内的要求。

二、人脸检测（Face Detection）

1）人脸位置检测

目的是在图像中准确标定出人脸的位置和大小。

2）人脸关键点检测（人脸对齐）

目的是自动估计人脸图片上脸部特征点的坐标

通常能够使用Openface中的Dlib模型实现人脸检测，利用OpenCV库对数据进行处理。最近人脸检测算法模型的流派包括三类及其之间的组合：viola-jones框架（性能通常速度尚可，适合移动端、嵌入式上使用），dpm（速度较慢），cnn（性能不错）。

人脸检测关注如下指标：

举一个实际例子说明：

在摄像头某张抓拍图像中，一共有7张人脸，算法检测出4张人脸，其中3张是真实人脸，1张是把路标误识为人脸。

在这个实际案例中：检测率=3/7 误检率=1/4 漏检率=（7-3）/7

三、图像预处理

图像预处理的目的是消除图像中无关的信息，尽量去除或者减小光照、成像系统、外部环境等对图像的干扰，使它具备的特征可以在图像中明显地表现出来。主要过程包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校订、滤波以及锐化等。

1）灰度化：将彩色图像转化为灰色图像的过程。

2）直方图均衡化：直方图描述了一副图像的灰度级内容。直方图均衡化主要目的是为了提升对比度和灰度色调的变化，使图像更加清晰。

3）归一化：经过一系列变换，将待处理的原始图像转换成相应的惟一标准形式（该标准形式图像对平移、旋转、缩放等仿射变换具备不变特性），使得图像能够抵抗几何变化的攻击。例如用放大缩小图像、减小图片因为光照不均匀形成的干扰等。

4）中值滤波：将图片进行平滑操做以消除噪声。

预处理的效果直接影响到人脸识别率。能够经过不一样方法，相同算法、相同训练模式评估模型效果，选择最佳的预处理方式。