人臉識別技術——人臉檢測和人臉校準

人臉檢測（detection）在opencv中早就有直接能拿來用的haar分類器，基于Viola-Jones算法。但是畢竟是老掉牙的技術，Precision/Recall曲線渣到不行，在實際工程中根本沒法給boss看，作為MSRA腦殘粉，這里介紹一種MSRA在14年的較新技術：Joint Cascade Face Detection and Alignment（ECCV14)。這篇文章直接在30ms的時間里把detection和alignment都給做了，PR曲線彪到很高，時效性高，內存占用卻非常低，在一些庫上虐了Face++和Google Picasa，正好契合這篇想講的東西?？梢宰鳛楸竟澋闹骶€。

人臉校準（alignment）是給你一張臉，你給我找出我需要的特征點的位置，比如鼻子左側，鼻孔下側，瞳孔位置，上嘴唇下側等等點的位置。

{zh1}的強分類器是通過多個基分類器聯合得到的,因此在{zh1}聯合時各個基分類器所起的作用對聯合結果有很大的影響,因為不同基分類器的識別率不同,他的作用就應該不同,這里通過權值體現他的作用,因此識別率越高的基分類器權重越高,識別率越低的基分類器權重越低。權值計算如下: 基分類器的錯誤率: e = ∑( ht ( x i) ≠yi) Di (1) 基分類器的權重:W t = F( e) ,由基分類器的錯誤率計算他的權重。2.3 算法流程及偽碼描述 算法流程描述 算法流程可用結構圖 1 描述,如圖 1 所示 AdaBoost重復調用弱學習算法(多輪調用產生多個分類器) ,首輪調用弱學習算法時,按均勻分布從樣本集中選取子集作為該次訓練集,以后每輪對前一輪訓練失敗的樣本,賦予較大的分布權值( Di 為第i 輪各個樣本在樣本集中參與訓練的概率) ,使其在這一輪訓練出現的概率增加,即在后面的訓練學習中集中對比較難訓練的樣本進行學習,從而得到 T個弱的基分類器, h1 , h2 , …, ht ,其中 ht 有相應的權值 w t ,并且其權值大小根據該分類器的效果而定。{zh1}的分類器由生成的多個分類器加權聯合產生。

人臉識別的一種匹配算法

人臉識別的一種匹配算法采用AdaBoost 對Gabor 特征進行優化選擇和判別分析來提取特征及進行準確匹配。采用了Gabor 特征表示作為原始特征集，借鑒作差法形成兩個“差空間”：“類內差”空間和“類間差”空間，從而將多類問題轉化為AdaBoost 可以解決的兩類問題，然后采用AdaBoost 方法對高維的Gabor 特征進行特征選擇，然后對選擇出來的Gabor 特征進行判別分析從而實現最終的識別，實驗證明此方法取得了比傳統彈性匹配方法（EGM）和Gabor 特征Fisher 判別分類方法（GFC）方法更好的識別性能。

人臉識別系統與指紋識別系統相比較人臉識別系統其實是臺特殊的攝像機，判斷速度相當快，只需要0.01秒左右，由于利用的是人體骨骼的識別技術，所以即使易容改裝，也難以蒙過它的眼睛。而且“人臉識別系統”具有存儲功能，只要把一些具有潛在危險性的“重點人物”的“臉部特寫”輸入存儲系統，重點人物如擅自闖關，就會在0.01秒之內被揪出來，同時向其他安保中心“報警”。另外，某些重要區域如控制中心只允許特定身份的工作人員進出，這時候面部檔案信息未被系統存儲的所有人全都會被拒之門外。

 與此前的指紋識別系統相比，人臉識別系統有很多的改進。指紋技術的使用壽命不如人臉識別系統，使用成本也高于人臉識別系統。由于沾水、沾汗、沾灰，還有傳感器只能在室內使用等原因，指紋識別系統在露天戶外使用的可能性很小。而用于人臉識別的攝像機{yt}24小時都可工作，不侵飯人權，第二它是很安全的，無論室內還是戶外均可使用。人臉識別系統意味著每個人的臉上都貼著名字，外人看不見，但監空系統能看得見。bao括外國人，從踏入中國的一瞬間，他的圖像和個人資料就會進入電腦的控制中心，不管在什么地方出現，都可認出此人。而且被觀察的人不知道有設備在監視他，起到了科技奧運、文明奧運的功能。

重慶人臉識別之智能商業解決方案

智能商業解決方案互聯網背景下，電商的飛速發展，給傳統門店帶來巨大的挑戰和打擊。傳統門店如何與電商抗衡，搶奪市場，還需要在智能化數據分析上下文章。

今天門店來了多少人？A店和B店得客流量是多少？對比客流量和收入，兩個門店的轉化率是多少？是店員怠工還是促銷力度不夠？現零售業的發展，已經使整體的商圈研究進入到系統化、數據化、實操化的階段。當一個顧客進入店鋪，通過人臉識別，店員如果一時間了解顧客的年齡、性別、到訪頻次、VIP、黑名單、粉絲、同{yt}的返店率分析等數據，能讓店員更準確的向顧客推廣產品，提升商場的成交率和轉化率。