什么是配准技术？

来源：蜘蛛抓取(WebSpider) 时间：2022-10-26 00:36 标签： 配合精度

揭秘人脸识别的十大关键技术（附福利）

引言：人脸识别技术的发展让“刷脸”变成现实，门禁刷脸系统、支付宝刷脸登录、准确人脸识别自动P图等等技术丰富了我们的生活。知其然不知其所以然，我们在享受人脸识别技术带来的便利的同时，不仅对人脸识别的原理和实现充满了好奇，下面就来简单的介绍一下人脸识别所涉及的十大关键技术。

“人脸检测(Face Detection)”的作用就是要检测出图像中人脸所在位置。

人脸检测算法的输入是一张图像，输出是人脸框坐标序列，具体结果是0个人脸框或1个人脸框或多个人脸框。输出的人脸坐标框可以为正方形、矩形等。

人脸检测算法的原理简单来说是一个“扫描”加“判定”的过程。即首先在整个图像范围内扫描，再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸大小以及图像内容相关。在实际算法时，我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、“人脸数量上限”的方式来加速算法。

举例说明：绿色矩形框标注的即为人脸检测算法检测到的人脸位置

“人脸配准(Face Alignment)”所实现的目的是定位出人脸上五官关键点坐标。

人脸配准算法的输入是“一张人脸图像”和“人脸坐标框”，输出是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，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通过框架实现。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抠取出来，缩放到固定尺寸，然后进行关键点位置的计算。另外，相对于人脸检测，或者是后面将提到的人脸提取的过程，人脸配准算法的计算耗时都要少很多。

举例说明：输入图像以及输出结果如下，绿色圆点标注出了五官位置。

“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。这在有些相机APP中有所应用，可以自动识别摄像头视野中人物的性别、年龄等并标注出来。

一般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。人脸属性识别算法一般会根据人脸五官关键点坐标将人脸对齐，具体过程为旋转、缩放、抠取等操作后，将人脸调整到预定的大小和形态，以便之后进行属性分析。

人脸的属性识别包括性别识别、年龄估计、表情识别、姿态识别、发型识别等等方面。一般来说每种属性的识别算法过程是独立的，但是有一些新型的基于实现的算法可以实现同时输出年龄、性别、姿态、表情等属性识别结果。

举例说明：人脸属性识别输出结果如下

“人脸提(Face Feature Extraction)”是将一张人脸图像转化为可以表征人脸特点的，具体表现形式为一串固定长度的数值。

人脸提过程的输入是 “一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的一个数值串()。人脸提算法实现的过程为：首先将五官关键点坐标进行旋转、缩放等等操作来实现人脸对齐，然后在提取并计算出数值串。

举例说明：人脸提取过程

“人脸比对(Face Compare)”算法实现的目的是衡量两个人脸之间相似度。

人脸比对算法的输入是两个人脸人脸由前面的人脸提算法获得，输出是两个之间的相似度。

举例说明：人脸对比过程，输出结果为相似度96%

“人脸验证(Face Verification)”是判定两个人脸图是否为同一人的算法。

它的输入是两个人脸，通过人脸比对获得两个人脸的相似度，通过与预设的阈值比较来验证这两个人脸是否属于同一人。

举例说明：人脸验证过程如下，相似度96%大于阈值75%，判定属于同一个人

“人脸识别(Face Recognition)”是识别出输入人脸图对应身份的算法。

它的输入为一个人脸，通过和注册在库中N个身份对应的进行逐个比对，找出“一个”与输入相似度最高的。将这个最高相似度值和预设的阈值相比较，如果大于阈值，则返回该对应的身份，否则返回“不在库中”。

举例说明：人脸识别过程如下，判断结果为输入图像为注册库中的jason

“人脸检索”是查找和输入人脸相似的人脸序列的算法。

人脸检索通过将输入的人脸和一个集合中的说有人脸进行比对，根据比对后的相似度对集合中的人脸进行排序。根据相似度从高到低排序的人脸序列即使人脸检索的结果。

举例说明：人脸检索过程如下，右侧绿框内排序序列为检索结果

“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。

人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行分析，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。

举例说明：人脸聚类过程如下，右侧绿框内按身份的分组结果为聚类结果

“人脸活体(FaceLiveness)”是判断人脸图像是来自真人还是来自攻击假体(照片、视频等)的方法。

在我们生活环境中，人脸认证系统中主要容易受到这种手段欺骗：

(1)用偷拍的照片假冒真实人；

(2)在公开场合录的视频或网上公开的视频片段；

(3)用计算机辅助软件设计的三维模型欺骗;

(4)用蜡或塑料等材质构造的三维雕像欺骗。

现在所以人脸活体检测技术的研究显得异常重要。对于照片欺骗，主要是根据分辨率、三位三维信息、眼动等来进行区分；对于视频欺骗，根据三维信息、光线等来区分。

　　司南导航：近年来，由于地表形变引发的地质灾害频繁发生，严重威胁人们的生命财产安全，因此加强地表形变监测具有十分重要的意义。随着科技的不断进步，传统的监测技术难以满足现代社会的发展要求，INSAR技术作为一种新型的空间对地观测技术，具有精确度高、实时动态监测等优点，在地表形变监测中得到了广泛应用。本文简单分析了INSAR技术的基本工作原理及其在地表形变监测中的具体应用。

　　由于受到过度抽取地下水、大量开采煤矿等人为因素以及冰川漂流、火山运动等自然因素的影响，地球表面时刻发生着细微的形变，当形变积累到一定程度，将会引发严重的地质灾害，例如火山、地震、海啸、滑坡等，对自然环境以及人们的生命财产安全构成严重的危害。在这种情况下，加强先进监测技术的研究和应用成为相关地质部门和企业的重要任务。随着雷达遥感技术的不断进步，INSAR技术获得发展，为大范围地表形变的监测提供了有效保障，在地表形变监测中体现出较高的形变敏感度和空间分辨率，同时不会受到恶劣天气的影响，因此，INSAR技术具有十分重要的应用价值，值得相关部门和企业进行深入研究和推广。

　　1.文章部分文字与图片来源网络，如有问题请及时联系我们。

　　2.涉及转载的所有文章、图片、音频文件等资料，版权归版权所有人所有。

　　3.本文章内容如无意中侵犯了媒体或个人的知识产权，请联系我们立即删除。

近年来，虚拟现实（VR）行业迎来了爆发式增长，其消费级别的量产产品，目前已做到近千万级别的年销量。与此同时，VR行业不论是上游基础硬件还是下游软件生态都在迅速发展。

增强现实（AR）行业因其应用场景更加广阔，人们对其需求也更加强烈。苹果、谷歌、Meta以及微软等科技巨头纷纷看好AR行业是下一个大蓝海，拥有非常大的发展红利。

然而基于目前的技术，想要实现真正轻便的消费级AR产品，或许时日尚早。

于是，行业领先的AR/VR公司，纷纷在热销的VR产品上增加了See-Through功能，在扩充VR产品功能边界的同时，实现了VR设备在AR功能上的探索。

VR给用户提供了一个交互式虚拟三维空间，通过感知单元提供视觉、听觉、触觉等感官的模拟，让人进入完全沉浸的虚拟世界。

因此，VR需要用户使用一个特定的头显，以形成一个完全密闭的虚拟空间。

而See-Through则是打破了这种限制，让用户可以走出VR世界。

其通过相机采集周围环境的实时视图并通过屏幕进行显示，给人一种人眼能够直接透过头显看到周围真实世界的感觉，因此也被叫做透视功能。

在VR中，See-Through功能的最初目的是解决安全问题。当用户接近虚拟空间的边界时，See-Through功能将自动开始显示来自相机采集的实时图像，以增加用户对周围环境的感知。

通过这样的方式，让用户得以了解边界区域的真实环境，提高用户的安全系数。

同时，See-Through功能可以让用户在不摘除头显的情况下，实现与外部现实世界的行为交互，例如触摸和打开控制器，甚至签收快递、收发短信等等，增强了VR头显体验的可持续性。

另一方面，随着越来越多的实验性增强现实（AR）功能被集成到See-Through中，可使用户在VR设备上体验到更多AR功能，同时还允许用户对AR功能进行二次开发，极大地丰富了VR设备的实用性。

我要回帖

更多关于 配合精度 的文章

 

随机推荐