人脸检测 主流的人脸检测方法

人脸识别是一种基于面部特征信息的生物识别技术。人像识别和人脸识别等一系列相关技术被用来用摄像机采集包含人脸的图像或视频流，并自动检测和跟踪图像中的人脸。

人脸识别系统主要包括四个部分，即:人脸图像采集与检测、人脸图像预处理、人脸图像特征提取、匹配与识别。

人脸图像采集与检测

人脸图像采集:可以通过摄像头采集异脸缘图像，如静态图像、动态图像、不同位置、不同表情等。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测:在实践中，人脸检测主要用于人脸识别的预处理，即准确标定人脸在图像中的位置和大小。人脸图像中的模式特征非常丰富，如直方图特征、颜色特征、模板特征、结构特征和哈尔特征。人脸检测就是挑出有用的信息，利用这些特征来实现人脸检测。

主流的人脸检测方法采用基于上述特征的Adaboost学习算法。Adaboost算法是一种分类方法，它结合了一些弱分类方法，形成了一种新的强分类方法。

在人脸检测过程中，使用Adaboost算法选择一些最能代表人脸的矩形特征。根据加权投票将弱分类器构造为强分类器，然后将训练得到的多个强分类器串联起来形成级联分类器，有效提高了分类器的检测速度。

人脸图像预处理

人脸图像预处理:人脸的图像预处理是基于人脸检测结果，对图像进行处理，最终服务于特征提取的过程。由于各种条件和随机干扰，系统获得的原始图像不能直接使用，因此在图像处理的早期必须进行灰度校正和噪声滤波预处理。对于人脸图像，预处理过程主要包括光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波和锐化。

人脸图像的特征提取

人脸图像特征提取:人脸识别系统中可用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取是针对人脸的某些特征。人脸特征提取，又称人脸表示，是人脸特征建模的过程。人脸特征提取的方法可以分为两类:一类是基于知识的表示方法；另一种是基于代数特征或统计学习的表示方法。

基于知识的表示方法主要是根据人脸器官的形状描述和它们之间的距离特征来获取有助于人脸分类的特征数据。其特征分量通常包括欧氏距离、曲率和特征点之间的角度。人脸由眼睛、鼻子、嘴巴、下巴等组成。这些部分的几何描述及其结构关系可以作为识别人脸的重要特征，这些特征称为几何特征。基于知识的人脸表示主要包括基于几何特征的方法和模板匹配方法。

人脸图像匹配与识别

人脸图像匹配识别:将提取的人脸图像特征数据与数据库中存储的特征模板进行搜索匹配，并设置阈值，当相似度超过该阈值时，输出匹配结果。人脸识别是将待识别的人脸特征与获得的人脸特征模板进行比较，根据相似度判断人脸的身份信息。这个过程分为两类:一类是确认，是一对一的图像比较过程，另一类是识别，是一对多的图像匹配比较过程。

人脸识别产品已经广泛应用于金融、司法、军事、公安、边防检查、政府、航空航天、电力、工厂、教育、医疗等众多企事业单位。随着技术的进一步成熟和社会认知度的提高，人脸识别技术将会应用到更多的领域。

1、企业、住宅安全与管理。如人脸识别门禁考勤系统、人脸识别防盗门等。

2.电子护照和身份证。中国的电子护照项目正由公安部规划和实施。

3.公共安全、司法和刑事调查。例如，人脸识别系统和网络被用于在全国范围内搜索逃犯。

4.自助服务。

5.信息安全。比如电脑登录，电子政务，电子商务。在电子商务中，所有的交易都是在线完成的，电子政务中的很多审批流程也是在线移动的。目前交易或审批的授权都是通过密码实现的。如果密码被盗，安全性无法保证。然而，通过使用生物特征识别技术，可以将互联网上各方的数字身份和真实身份统一起来，从而大大提高电子商务和电子政务系统的可靠性。