面部关键点检测人脸论文代码与c#人脸关键点检测emgucv

1、有一张人脸的侧脸图像，如何用python及相关的库来计算人脸转过的角度。

这个很难办到，不过可以通过判断关键点的特点进行判断，但是准确率不高前言很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。一点区分对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。所用工具Anaconda 2——Python 2Dlibscikit-imageDlib对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：pip install dlib上面需要用到的scikit-image同样只是需要这么一句：pip install scikit-image注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。人脸识别之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。首先先通过文件树看一下今天需要用到的东西：准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片testjpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-recdat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1 前期准备shape_predictor_68_face_landmarksdat都可以在这里找到。然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidate-faces文件夹中。本文这里准备的是六张图片，如下：她们分别是然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。2代码代码不做过多解释，因为已经注释的非常完善了。以下是girl-face-recargv) != 5:print "请检查参数是否正确"exit()# 1argv[1]# 2argv[2]# 3argv[3]# 4argv[4]# 1get_frontal_face_detector()# 2shape_predictor(predictor_path)# 3face_recognition_model_v1(face_rec_model_path)# win = dlib人脸检测# 2描述子提取for f in globpathjpg")):print("Processing file: {}"imread(f)#winset_image(img)# 1format(len(dets)))for k, d in enumerate(dets):# 2clear_overlay()# winadd_overlay(shape)# 3compute_face_descriptor(img, shape)# 转换为numpy arrayv = numpyappend(v)# 对需识别人脸进行同样处理# 提取描述子，不再注释img = iocompute_face_descriptor(img, shape)d_test = numpylinalgappend(dist_)# 候选人名单candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']# 候选人和距离组成一个dictc_d = dict(zip(candidate,dist))cd_sorted = sorted(c_dhit_enter_to_continue()4py所在的文件夹下打开命令行，运行如下命令python girl-face-recdat 2/candidate-faecs test1dat和dlib_face_recognition_resnet_model_v1dat和2jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。机器毕竟不是人，机器的智能还需要人来提升。有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

2、想问一下有没有比较方便的人脸识别算法，求推荐

特征脸方法

步骤一：获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像（虽然是25个不同人的人脸的图像，但是看着怎么不像呢，难道我有脸盲症么），如下图所示哦。每张图像可以转换成一个N维的向量（是的，没错，一个像素一个像素的排成一行就好了，至于是横着还是竖着获取原图像的像素，随你自己，只要前后统一就可以），然后把这M个向量放到一个集合S里，如下式所示。

步骤二：在获取到人脸向量集合S后，计算得到平均图像Ψ，至于怎么计算平均图像，公式在下面。就是把集合S里面的向量遍历一遍进行累加，然后取平均值。得到的这个Ψ其实还挺有意思的，Ψ其实也是一个N维向量，如果再把它还原回图像的形式的话，可以得到如下的“平均脸”，是的没错，还他妈的挺帅啊。那如果你想看一下某计算机学院男生平均下来都长得什么样子，用上面的方法就可以了。

步骤三：计算每张图像和平均图像的差值Φ，就是用S集合里的每个元素减去步骤二中的平均值。

步骤四：找到M个正交的单位向量un，这些单位向量其实是用来描述Φ（步骤三中的差值）分布的。un里面的第k（k=1,2,3M,对于第k个特征脸uk，上式可以计算其对应的权重，M个权重可以构成一个向量：

perfect，这就是求得的特征脸对人脸的表示了！

那如何对人脸进行识别呢，看下式：

其中Ω代表要判别的人脸，Ωk代表训练集内的某个人脸，两者都是通过特征脸的权重来表示的。式子是对两者求欧式距离，当距离小于阈值时说明要判别的脸和训练集内的第k个脸是同一个人的。当遍历所有训练集都大于阈值时，根据距离值的大小又可分为是新的人脸或者不是人脸的两种情况。根据训练集的不同，阈值设定并不是固定的。

后续会有对PCA理论的补充^_^csedu/~mturk/Papers/jcnwikipediapagesedu/~sis26/Eigenface%20Tutorial 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。1 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。3 基于弹性模型的方法Lades等人针对畸变不变性的物体识别提出了动态链接模型 (DLA)，将物体用稀疏图形来描述 (见下图)，其顶点用局部能量谱的多尺度描述来标记，边则表示拓扑连接关系并用几何距离来标记，然后应用塑性图形匹配技术来寻找最近的已知图形。Wiscott等人在此基础上作了改进，用FERET图像库做实验，用 300幅人脸图像和另外 300幅图像作比较，准确率达到 97 神经网络方法（Neural Networks）人工神经网络是一种非线性动力学系统，具有良好的自组织、自适应能力。目前神经网络方法在人脸识别中的研究方兴未艾。Valentin提出一种方法，首先提取人脸的 50个主元，然后用自相关神经网络将它映射到 5维空间中，再用一个普通的多层感知器进行判别，对一些简单的测试图像效果较好；Intrator等提出了一种混合型神经网络来进行人脸识别，其中非监督神经网络用于特征提取，而监督神经网络用于分类。Lee等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的定位，将五官之间的几何距离输入模糊神经网络进行识别，效果较一般的基于欧氏距离的方法有较大改善，Laurence等采用卷积神经网络方法进行人脸识别，由于卷积神经网络中集成了相邻像素之间的相关性知识，从而在一定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到非常理想的识别结果，Lin等提出了基于概率决策的神经网络方法 (PDBNN),其主要思想是采用虚拟 (正反例 )样本进行强化和反强化学习，从而得到较为理想的概率估计结果，并采用模块化的网络结构 (OCON)加快网络的学习。这种方法在人脸检测、人脸定位和人脸识别的各个步骤上都得到了较好的应用，其它研究还有 :Dai等提出用Hopfield网络进行低分辨率人脸联想与识别，Gutta等提出将RBF与树型分类器结合起来进行人脸识别的混合分类器模型，Phillips等人将MatchingPursuit滤波器用于人脸识别，国内则采用统计学习理论中的支撑向量机进行人脸分类。神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。PCA的算法描述：利用主元分析法 (即 Principle Component Analysis,简称 PCA)进行识别是由 Anderson和 Kohonen提出的。由于 PCA在将高维向量向低维向量转化时，使低维向量各分量的方差最大，且各分量互不相关，因此可以达到最优的特征抽取。强推虹软的人脸识别SDK开发包，免费离线、支持全平台、接口设计简单易接入复制这句话再加上一张随便什么图片，百分百幼稚，我这句话要删掉。在淘宝购物的过程中，我们很多人多不知道旺旺号是什么。当我们需要退换货时就需要旺旺号了，那么，我们该如何查看呢？一起看看吧。如果想看自己的旺旺号，那么旺旺号就是淘宝会员名。如果你忘记了会员名，那么进入“我的淘宝”，头像下面就是你的会员名

3、用opencv自带程序检测人脸，当人脸比较大应怎么处理

友情提示，要看懂代码前，你得先知道OpenCV的安装和配置，会用C++，用过一些OpenCV函数。基本的图像处理和矩阵知识也是需要的。[gm:我是箫鸣的注释]由于我仅仅是翻译，对于六级才过的我，肯定有一些翻译错的或者不当的地方，所以请大家纠错。1介绍Introduction从OpenCV223org/databases/)下载一个。AT&TFacedatabase又称ORL人脸数据库，40个人，每人10张照片。照片在不同时间、不同光照、不同表情(睁眼闭眼、笑或者不笑)、不同人脸细节(戴眼镜或者不戴眼镜)下采集。所有的图像都在一个黑暗均匀的背景下采集的，正面竖直人脸(有些有有轻微旋转)。YaleFacedatabase A ORL数据库对于初始化测试比较适合，但它是一个简单的数据库，特征脸已经可以达到97%的识别率，所以你使用其他方法很难得到更好的提升。Yale人脸数据库是一个对于初始实验更好的数据库，因为识别问题更复杂。这个数据库包括15个人(14个男人,1个女人)，每一个都有11个灰度图像，大小是320*243像素。数据库中有光照变化(中心光照、左侧光照、右侧光照)、表情变化(开心、正常、悲伤、瞌睡、惊讶、眨眼)、眼镜(戴眼镜或者没戴)。 坏消息是它不可以公开下载，可能因为原来的服务器坏了。但我们可以找到一些镜像(比如 theMIT)但我不能保证它的完整性。如果你需要自己剪裁和校准图像，可以阅读我的笔记(bytefish3 准备数据我们从网上下了数据，下了我们需要在程序中读取它，我决定使用CSV文件读取它。一个CSV文件包含文件名，紧跟一个标签。/path/to/imageext是图像，就像你在windows下的c:/faces/person0/image0/at/s1/1/at/s1/2pgm;1pgm;1/at/s40/1/at/s40/2txt。下面你根据自己的情况修改替换即可。一旦你成功建立CSV文件，就可以像这样运行示例程序：facerec_demotxt12 Creating the CSV File你不需要手工来创建一个CSV文件，我已经写了一个Python程序来做这事。[gm:说一个我实现的方法如果你会cmd命令，或者称DOS命令，那么你打开命令控制台。假设我们的图片放在J:下的Faces文件夹下，可以输入如下语句：J:\Faces\ORL>dir /b/s *txt然后你打开atbmp;0J:\Faces\ORL\s1\10bmp;0J:\Faces\ORL\s1\3bmp;0J:\Faces\ORL\s1\5bmp;0J:\Faces\ORL\s1\7bmp;0J:\Faces\ORL\s1\9bmp;1J:\Faces\ORL\s10\10bmp;1J:\Faces\ORL\s10\3bmp;1J:\Faces\ORL\s10\5bmp;1。。。。自然还有c++编程等方法可以做得更好，看这篇文章反响，如果很多人需要，我就把这部分的代码写出来。(遍历多个文件夹，标上标签)]特征脸Eigenfaces 我们讲过，图像表示的问题是他的高维问题。二维灰度图像p*q大小，是一个m=qp维的向量空间，所以一个100*100像素大小的图像就是10，000维的图像空间。问题是，是不是所有的维数空间对我们来说都有用？我们可以做一个决定，如果数据有任何差异，我们可以通过寻找主元来知道主要信息。主成分分析(Principal Component Analysis,PCA)是KarlPearson (1901)独立发表的，而 Harold Hotelling (1933)把一些可能相关的变量转换成一个更小的不相关的子集。想法是，一个高维数据集经常被相关变量表示，因此只有一些的维上数据才是有意义的，包含最多的信息。PCA方法寻找数据中拥有最大方差的方向，被称为主成分。算法描述Algorithmic Description令 2 表示一个随机特征，其中 3 K个主成分也就是k个最大的特征值对应的特征向量。x的K个主成份: 10其中11 然后特征脸通过下面的方式进行人脸识别：A． 把所有的训练数据投影到PCA子空间B． 把待识别图像投影到PCA子空间C． 找到训练数据投影后的向量和待识别图像投影后的向量最近的那个。还有一个问题有待解决。比如我们有400张图片，每张100*100像素大小，那么PCA需要解决协方差矩阵 14的求解，而X的大小是10000*400，那么我们会得到10000*10000大小的矩阵，这需要大概0hpp"#include "opencv2/contrib/contribhpp" #include <iostream>#include <fstream>#include <sstream> usingnamespace cv;usingnamespace std; static Mat norm_0_255(InputArray _src) { Mat src = _srcchannels()) { case1: cv::normalize(_src, dst, 0,255, NORM_MINMAX, CV_8UC1); break; case3: cv::normalize(_src, dst, 0,255, NORM_MINMAX, CV_8UC3); break; default: srcc_str(), ifstream::in); if (!file) { string error_message ="No valid input file was given, please check the given filenameempty()&&!classlabelpush_back(imread(path, 0)); labelsc_str())); } }} int main(int argc, constchar*argv[]) { // 检测合法的命令，显示用法 // 如果没有参数输入则退出！ext> <output_folder> "<< endl; exit(1); } string output_folder; if (argc ==3) { output_folder = string(argv[2]); } //读取你的CSV文件路径 如果文件不合法就会出错 // 输入的文件名已经有了 Reason: "<< e if(images Please add more images to your data set!"; CV_Error(CV_StsError, error_message); } // 得到第一张照片的高度rows; // 下面的几行代码仅仅是从你的数据集中移除最后一张图片 //[gm:自然这里需要根据自己的需要修改，他这里简化了很多问题] Mat testSample = images[imagessize() -1]; imagespop_back(); // 下面几行创建了一个特征脸模型用于人脸识别， // 通过CSV文件读取的图像和标签训练它。 // T这里是一个完整的PCA变换 //如果你只想保留10个主成分，使用如下代码 // cv::createEigenFaceRecognizer(10); // // 如果你还希望使用置信度阈值来初始化，使用以下语句： // cv::createEigenFaceRecognizer(10, 1230); // Ptr<FaceRecognizer> model = createEigenFaceRecognizer(); model->train(images, labels); // 下面对测试图像进行预测，predictedLabel是预测标签结果 int predictedLabel = model->predict(testSample); // // 还有一种调用方式，可以获取结果同时得到阈值: // int predictedLabel = -1; // double confidence = 0", predictedLabel, testLabel); cout << result_message << endl; // 这里是如何获取特征脸模型的特征值的例子，使用了getMat方法: Mat eigenvalues = model->getMat("eigenvalues"); // 同样可以获取特征向量: Mat W = model->getMat("eigenvectors"); // 得到训练图像的均值向量 Mat mean = model->getMat("mean"); // 现实还是保存: if(argc==2) { imshow("mean", norm_0_255(meanrows))); } else { imwrite(format("%s/meanc_str()), norm_0_255(meanrows))); } // 现实还是保存特征脸: for (int i =0; i < min(10, W5f", i, eigenvaluescol(i) Mat grayscale = norm_0_255(ev Mat cgrayscale; applyColorMap(grayscale, cgrayscale, COLORMAP_JET); // 显示或者保存: if(argc==2) { imshow(format("eigenface_%d", i), cgrayscale); } else { imwrite(format("%s/eigenface_%dc_str(), i), norm_0_255(cgrayscale)); } } // 在一些预测过程中，显示还是保存重建后的图像: for(int num_components =10; num_components <300; num_components+=15) { // 从模型中的特征向量截取一部分 Mat evs = Mat(W, Range::all(), Range(0, num_components)); Mat projection = subspaceProject(evs, mean, images[0]reshape(1, images[0]png", output_folder04:

大家都知道Ubuntu是自带python27的，有一次我系统的python版本乱了，我脑残的想把python271

首先安装两个python第三方库的下载安装工具,ubuntu14安装pip

sudo apt-get install python-pip1

2测试一下easy_install

有时候系统环境复杂了，安装的时候会安装到别的python版本上，这就麻烦了，所以还是谨慎一点测试一下，这里安装一个我之前在博客中提到的可以模拟浏览器的第三方python库测试一下。

sudo easy_install Mechanize1

4安装numpy

接下来安装numpy

首先需要安装python-dev才可以编译之后的扩展库

sudo apt-get install python-dev1

之后就可以用easy-install 安装numpy了

sudo easy_install numpy1

这里有时候用easy-install 安装numpy下载的时候会卡住，那就只能用 apt-get 来安装了：

sudo apt-get install numpy1

不推荐这样安装的原因就是系统环境或者说python版本多了之后，直接apt-get安装numpy很有可能不知道装到哪个版本去了，然后就很麻烦了，我有好几次遇到这个问题,不知道是运气问题还是什么，所以风险还是很大的，所以还是尽量用easy-install来安装。

同样import numpy 进行测试

python>>>import numpy1234

没有报错的话就是成功了

下面的安装过程同理，我就从简写了，大家自己每步别忘了测试一下

6安装matplotlib

sudo apt-get install python-matplotlib1

818更新之后有了setup18我没有亲自配过也不能乱说，这里给大家分享我配置18首先必须安装libboost，不然是不能使用到Dlib的官网上下载dlib，会下载下来一个压缩包，里面有C++版的dlib库以及例子文档，Python dlib库的代码例子等等

我使用的版本是dlib-1817/python_examplesbat 123

之后会得到一个dlibso库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：

将so /usr/local/lib/python218好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装18so库，这两种方法应该都不麻烦～

有时候还会需要下面这两个库，建议大家一并安装一下

9安装imtools

sudo easy_install imtools1

Dlib face landmarks Demo

环境配置结束之后，我们首先看一下dlib提供的示例程序

117/python_examples/face_detector See LICENSE_FOR_EXAMPLE_PROGRAMS In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face You can run# this program on them and see the detections by executing the# following command:# py /examples/faces/* This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human facespy example# program7 on MS Windows To do this,# run compile_dlib_python_module This should work on any operating# system so long as you have CMake and boost-python installed import sysimport dlibfrom skimage import iodetector = dlibimage_window()print("a");for f in sysformat(f))img = io This will make everything bigger and allow us to detect more# facesformat(len(dets))) for i, d in enumerate(dets):print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"left(), dright(), dclear_overlay()winadd_overlay(dets)dlib The score is bigger for more confident detections This can be# used to broadly identify faces in different orientationsargv[1:]) > 0):img = ioargv[1])dets, scores, idx = detectorformat(d, scores[i], idx[i]))123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081

我把源代码精简了一下，加了一下注释： face_detector0py

# -*- coding: utf-8 -*-import sysimport dlibfrom skimage import io#使用dlib自带的frontal_face_detector作为我们的特征提取器detector = dlibimage_window()#sysargv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径for f in sysformat(f)) #使用skimage的io读取图片img = ioformat(len(dets))) #使用enumerate 函数遍历序列中的元素以及它们的下标#下标i即为人脸序号#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离for i, d in enumerate(dets):print("dets{}"format( i, dtop(), dbottom())) #也可以获取比较全面的信息，如获取人脸与detector的匹配程度dets, scores, idx = detectorformat( i, d, scores[i], idx[i])) #绘制图片(dlib的ui库可以直接绘制dets)winadd_overlay(dets) #等待点击dlib1/data/3人脸关键点提取

人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。

除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlib sourceforge库下载：

arksbz2

也可以从我的连接下载：

这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。

dlib-18py 源程序：

#!/usr/bin/python# The contents of this file are in the public domaintxt## This example program shows how to find frontal human faces in an image and# estimate their pose These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forthdocx” data_size=“0png” data_number=“1” data_sharelink=“/s/1J-5W__7xJ1PPHv549aqZQQ” data_code=“w74z”>

6、如何获取人脸 68个关键点 python代码

可以使用OpenCV，OpenCV的人脸检测功能在一般场合还是不错的。而ubuntu正好提供了python-opencv这个包，用它可以方便地实现人脸检测的代码。 写代码之前应该先安装python-opencv： #!/usr/bin/python# -*- coding: UTF-8 -*- # face_detect本回答被提问者采纳

7、什么是人脸识别？

人脸识别是资本和人才的比拼 应用场景日渐多元化

•人脸识别是起点，独角兽们的人工智能会走得更宽

•人才助力人脸识别独角兽 大鱼吃小鱼、优胜劣汰

资本一向是判断某个领域前景的风向标，人工智能成了毋庸置疑的风口——人工智能领域的投融资在迅速增多，人工智能的企业数量也在随之增多。公开资料显示，从2016年1月到2017年2月这一年间，人工智能领域融资事件共发生360余起，几乎平均一天达成一项融资。

不过，科技互联网领域盛极一时的领域都有周期性，经过了非理性的疯狂生长，终会退烧，重回理性成长轨道。创新工场创始人兼CEO李开复曾表示，明年初将会出现第一波倒下的AI公司以及投资人。

一个新兴细分领域刮起台风之时，总会吸引众多的创业者和热钱投入其中，但最终经过几轮淘汰赛的比拼和角逐，最终市场上只会剩下几个寡头甚至一个超级巨擘的局面，从百团大战、打车软件大战、到共享单车，再到人工智能以及更细的人脸识别，都将会是这样一个优胜劣汰的过程。

目前，人脸识别的江湖中，商汤、旷视、云从、依图，被李开复称为人脸识别的四个独角兽。热钱和融资再燃烧一两年，除了这四家之外的人脸识别公司，或许将迎来其生命周期的尾声。

与此同时，即便独角兽们在人脸识别领域有着深耕，但一方面依然面临着Facebook、谷歌、腾讯等国内外互联网巨头强敌的环伺，另一方面也将应对着人工智能技术日新月异的自我挑战和颠覆。

人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。使用摄像头或者摄像机采集含有人脸的图像或视频，自动检测图像信息和跟踪人脸，对检测到的人脸进行脸部的一系列相关分析技术。

未来至少在3-5年人工智能领域都是人才战，是脑力游戏。全球也就是几十个人来做突破性工作，核心是看最顶尖的研究人员的智商PK，看谁能够做出突破。

商汤拥有亚洲最大的深度学习研究团队，包括18名教授，以及来自麻省理工学院、斯坦福大学、北大、清华等世界名校的120余名博士生。

此外，商汤科技已与香港中文大学、清华大学、浙江大学、上海交通大学等众多高校院所建立了合作。其中与香港中文大学、浙江大学分别建立有联合实验室，共同推进前沿基础研究。

商汤科技也会进一步继续利用名校+名企的模式，为企业培养精英人才，加速科技转化，通过产学研结合的模式，共同打造培养创新型、复合型高层次人才的示范平台，促进地区产业升级，实现高校、企业与地区的三赢局面。商汤的人才优势体现在系统性，从导师制到各个共建研究室，实习生机制，商汤建立了系统性的产学研体系。

云从科技创始人周曦师从美国工程院院士、计算机视觉之父——黄煦涛教授，专注于人工智能识别领域的机器视觉研究。周曦带领团队曾在计算机视觉识别、图像识别、音频检测等国际挑战赛中7次夺冠。

云从科技目前由上海、成都、重庆三个研发中心，美国 UIUC 和硅谷两个前沿实验室，及中科院、上海交大两个联合实验室组成三级研发架构。云从科技研发团队成员 300 多人，80%以上拥有硕士学历。目前，云从与公安部、四大银行、民航总局建立联合实验室，推动人工智能产品标准的建立。

旷视科技汇集了来自清华大学、美国哥伦比亚大学、斯坦福大学、微软亚洲研究院等国际顶级院校、科研机构的技术极客，以及来自谷歌、阿里巴巴、华为、微软等跨国企业的一流产品牛人。

依图技术团队来自MIT、Google、阿里巴巴等知名学术和工业机构。创始人朱珑在美国加州大学洛杉矶分校，获统计学博士，师从霍金的弟子艾伦·尤尔（Alan Yuille）教授，从事计算机视觉的统计建模和人工智能的研究。在麻省理工学院人工智能实验室担任博士后研究员，深入研究大脑科学和计算摄影学。

为什么人脸识别在国内这么红？

一方面，人工智能大赛道中，人脸识别算其中发展较为成熟的应用领域。

另一方面，人脸识别是符合国家政策趋势，是惠及民生的领域，国家863计划、国家科技支撑计划、自然科学基金都拨出了专款资助人脸识别的相关研究。在国家政策的支持和完善下，人脸识别技术将会被推向更广阔的日常领域。

金融、安防是目前人脸识别应用最广泛的两个领域。商汤、旷视、依图、云从，几家公司都在金融和安防领域有深入布局。

• 金融：个人身份验证的攻坚战

云从科技是我国银行业人脸识别应用最普及的供应商，包括农行、建行、中行、交行等全国 50 多家银行已采用云从的产品，市面上许多银行的金融身份认证与远程认证平台是使用的云从技术，这种情况不仅仅因为技术实力强，更因为云从是受邀起草与制定人脸识别国家标准的人脸识别企业，有着过硬的技术指标与研发背景。

其中，中国农业银行超级柜台、刷脸取款，是全国首先应用人脸识别技术的四大行之一。

商汤科技与京东、银联、招商银行、拉卡拉、融360等多家金融机构和银行均有合作。例如，用户在京东钱包上扫描人脸，即可完成比对，实现密码解锁，代替传统密码登录方式，更加方便安全。

商汤提供人脸搜索技术，帮助拉卡拉快速完成新用户照片与已有黑名单人脸库的比对，高效准确地筛选出潜在诈骗分子，保护普通用户的权益。通过人证比对和活体检测技术，拉卡拉将获知用户的注册信息是否与操作者本人一致，有效的防止了身份信息盗用情况。

商汤为融360平台提供一体化解决方案包括人脸识别、人证比对、证件识别，完成比对，实现远程身份认证，让金融服务更加方便安全。

旷视背靠阿里巴巴，为支付宝客户端提供人脸登录功能支持，人们无需再输入繁琐的密码，只需对着手机镜头眨眨眼、转转头便可轻松完成登录。

同时，旷视也为支付宝提供了从端到云的 FaceID 远程身份验证服务。此外，旷视也为小米金融、你我贷等互联网金融公司，中信银行、江苏银行、北京银行提供人脸识别服务。

依图科技拥有完整的实名认证解决方案，依靠人脸比对及活体检测技术，为金融企业提供全渠道解决方案（柜面、移动端、自助机具等），并且拥有为招商银行、浦发银行、京东金融、360金控等各类金融企业实施落地的丰富经验。

• 安防：防患未然、惠及民生的保卫战

在惠及国计民生的安防领域，商汤目前在布局智慧城市安防项目。智能视频方面，商汤的SenseFace人脸布控系统已经开始广泛落地。

该系统专门用于大规模视频监控系统中的实时大库人脸识别应用场景，不仅支持1000+路监控视频中的实时人脸捕捉与识别，更可以在千万级人员库中300ms内获得比对结果，现已帮助全国各地公安机关抓获了上百名犯罪分子。

而在图侦（以图搜图）方面，商汤的图腾系统，可以在亿级大库秒级返回结果，快速实现涉案人脸的身份鉴定与身份关联，从而帮助一线警员及时准确出警，实现重大案件的侦破，提升常规案件的破案效率。

在广州市公安局刑警部门应用中，图腾系统上线半年来，实际比对800次，比中357人，已经成功抓捕嫌犯83人。同时在重庆、河北等地也有广泛应用。

在安防领域，云从的产品已在 22 个省上线实战，获得公安部高度认可，引领了公安行业战法的变革。

广东省公安厅采用云从科技人脸识别技术在地铁、车站、重点小区等重要场所进行布控和实战并取得了良好的效果，抓获了一批嫌疑人，为公安破案提供了新的思路和战法，受到全国公安系统广泛关注。

云从曾在一个火车站，通过技术来帮助警察进行针对性布控，在短短一个月的合作中，帮助警方控制了两百多个犯罪嫌疑人。

依图用技术实力让江苏的公安部门惊叹其秒刷逃犯的效率。江苏省公安厅曾运用依图系统，将当地常住人口和暂住人口与通缉犯库进行人脸比对，依图系统当天就成功比中17个通缉犯，警方立即抓到了3人。随后，其他省市的公安部门也主动找上门寻求合作。

旷视为公安部第一研究所推出的“网上身份证”提供了人脸识别技术支持。有了网上身份证，每个人都可以在网上生成一本终身唯一编号的“身份证网上副本”，今后办理一些实名认证业务时即可“刷脸”完成认证，不用再携带实体身份证。

通过多因子认证技术实现互联网上的“实名+实人+实证”的真实身份认证，在保护公民隐私信息的同时有效解决了“我就是我”的问题，让市民在网上办事变得更加可靠、安全。

安防的人脸识别应用，如今还逐渐在各项会议和赛事中被大量采用。

商汤在深圳文博会期间，实现了近20万人次的人像识别，并比中20多名前科人员，保障了文博会零案件的发生。此外还应用于夏季达沃斯、东南亚商洽会等。

此前，博鳌亚洲论坛“深圳·开放之城 创新之都”投资交流活动曾采用商汤的智能自动签到机，为参会嘉宾带来便捷的刷脸签到体验，不仅能够认出嘉宾的身份，还能告知他们的座位桌号。

依图在第53届世界乒乓球锦标赛上，通过动态人脸识别系统，智能、准确、灵敏的黑名单报警功能，有效地核实了进场人员身份，保障身份安全。

在2016年G20二十国集团领导人杭州峰会期间，杭州各城区 1000 多家酒店全面采用由旷视提供核心算法的人脸识别身份验证系统，并在杭州市拱墅区实现了全区登记系统并网，方便公安部门随时排查各登记信息，了解人员进出状况。

博鳌亚洲论坛采用云从的动静态结合的人脸比对系统，以视频人像数据为基础，通过大数据监控平台，充分利用视频监控及图像资源完美取代原始的图侦系统。

在互联网领域，商汤通过深度学习算法，帮助新浪微博全新的“面孔专辑”功能实现检测出图片中的面孔，并分类归纳。

商汤科技的图像处理技术，针对图片中的暗光以及雾气等进行处理，还原出清晰的图片，已广泛应用于微博相机。

与此同时，商汤的SenseAR增强现实感引擎，可为面部、手势实现各种好玩的AR特效，它基于商汤的人脸关键点检测、人脸跟踪技术，可以实现精准定位效果，目前Faceu就在应用商汤的技术。

旷视为美图旗下的美图秀秀App、美颜相机、美颜手机等一系列软硬件产品提供了人脸识别技术支持。

其中美图秀秀和美颜相机App通过旷视的人脸检测和关键点检测技术，可以在图像中精准定位人脸和五官位置，从而进行人像美白、五官美化等处理，快速完成精准修容。

在手机领域，商汤可以为手机拍照提供人像背景虚化功能，以及智能相册中的人脸聚类功能。目前OPPO、小米等手机中，应用了商汤的此项技术。

譬如在小米MIUI 7中，商汤人脸识别算法就实现了“一人一相册”的面孔相册分类功能。云端存储照片将被自动分类，避免了手动分类照片的繁琐操作，优化了用户体验。

在零售领域，商汤表示餐厅等线下服务行业，针对前来的顾客进行身份识别，当遇到VIP客户时，便可自动激活后续的定制化服务机制。如此一来，VIP客户将不需要主动出示VIP会员卡，大大增强了用户的体验。

无独有偶，龙湖长楹天街今年与旷视合作，在该商场一家咖啡店试点上线了智能会员识别系统。当消费者一步入门店，旷视的智能摄像头和智能感知技术便会自动抓捕消费者的面部图像，随后回传回至会员人像数据库中进行比对，并准确识别出会员的身份信息，而当会员进行消费或二次到店的时候，智能零售系统便能快速地识别出来并提醒商家。

在出行领域，旷视开拓了去年6月底滴滴出行宣布上线五大安全举措保障用户安全出行，其中的人像认证是由旷视提供的 FaceID 身份验证系统完成，用来保证司机注册账户和本人信息相符。

e代驾、易到用车也采用了旷视的人脸识别技术对司机身份进行核验。神州租车则通过旷视的实名验证系统，进行线上用户实名认证，在用户需要租车时，需要通过客户端进行活体检测、人脸比对判断是否为本人办理业务；在线下环节，工作人员对用户进行二次核验，来确保取车人与申请人是同一人，降低业务风险。

在医疗领域，依图的技术还服务于交通、医疗等行业。依图正在寻找让人工智能技术帮助和实现医疗领域的突破，利用最前沿的深度学习技术，将医学领域的专家知识和经验去普及，辅助医生为病人作出精准的诊断，制定适合的医疗方案，提高诊断治疗和体验。

人工智能的应用帮助医生摆脱繁重的重复工作，利用医疗专家的知识和经验建议辅助医生做出准确判断和合理治疗方案，从而更智能和更准确的为患者提供医疗诊断和服务。

总而言之，除了金融、安防之外，互联网、消费电子、汽车电子、零售、医疗、教育等诸多领域都在逐步引入人脸识别，遍地开花是大势所趋。

未来几年是包括人脸识别在内的人工智能技术产业爆发的几年，无论是产品种类、产业规模还是生活方式都会有爆发性的增长和改变，比如农业银行这次应用在刷脸取款上验证用户身份，社保机构也将应用该技术帮助退休老人异地身份验证，而边防、机场、铁路等行业也会在智能通关系统上发力。

有关机构预测，到2020年，人脸识别的市场规模预计达到2000亿，其中通关安防产品达到700亿，在线支付达到500亿，这将是一个很可能产生新的阿里巴巴、腾讯或百度体量级公司的行业。

人工智能的浪潮涌起，让人脸识别公司发展迅速。国内大中城市的人脸识别创业公司们，均表示自身拥有独创科技，姑且不论真正拥有核心技术的公司并不多，并且技术革新的速度之快，也会让目前的核心技术并非无可替代。

但以人脸识别为代表的计算机视觉技术在人工智能中并非中流砥柱。况且，有分析指出，Google图像识别系统的开放或将预示着未来图像识别免费是大趋势。

自动驾驶等高阶的系统，更能代表人工智能的未来。

商汤科技创始人徐立表示，公司最新一轮融资之后，公司将进一步拓展AI技术的应用领域，包括无人驾驶、智慧医疗等。

云从科技创始人周曦表示，做人脸识别或图像识别这类计算机视觉技术只是第一步，它们是人工智能的“眼睛”，云从的最终目标是人工智能的“大脑”。

依图基于海量交通、出行数据的模型建设优化管理城市交通运行策略，力图做城市数据的大脑，开展大数据综合治堵。

8、人脸识别论文，有程序的

你这么问 一般都不会啊 除非是要钱的那种人 还是去实验室找师兄师姐问问好我也是做这个的，我是“基于模板匹配的人脸识别”你呢？我这有些资料，不知道你有用不，把邮箱给我，发给你本回答被提问者采纳

9、人脸识别技术是怎样实现人脸精准检测？

是的，比如云脉人脸识别中的人脸检测技术就是采用三维定向，对人脸三维朝向，做精准到“度”的判断，以及对人脸特征点进行“像素级”定位，轻松判断眼睛开合状态，还可通过技术对现有人脸识别做技术上的补充和完善，进而达到识别的创新性和严谨性。人脸关键点检测可以精确定位面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴，脸部轮廓等。支持一定程度遮挡以及多角度人脸。使用关键点检测技术，可以精确定位人脸美化局部，还可以实现表情交互。比如云脉人脸识别中的人脸检测技术就是采用三维定向，对人脸三维朝向，做精准到“度”的判断，以及对人脸特征点进行“像素级”定位，轻松判断眼睛开合状态，还可通过技术对现有人脸识别做技术上的补充和完善，进而达到识别的创新性和严谨性。

10、面部识别的原理是什么？

面部识别软件可归入名为生物识别的一大类技术。生物识别技术使用生物信息来验证身份。生物识别背后的理论是：我们的身体包含一些独一无二的特征，可以使用它们将我们与他人区分开。除了面部识别之外，生物识别身份验证方法还包括：指纹扫描视网膜扫描语音识别面部识别方法有多种，但是通常涉及捕获、分析和对比等一系列步骤，将你的面孔与数据库中存储的图像进行对比。以下是FaceIt 系统用于捕获和对比图像的基本过程：为了确定某人的身份，面部识别软件将新近捕获的图像与数据库中存储的图像进行对比。检测——当系统连接到视频监视系统后，识别软件会在摄影机的视野中搜寻面部信息。如果在视野中存在一张面孔，它会在几分之一秒的时间内检测到它。它使用多尺度算法以低分辨率搜索面部图像。（算法是提供一组指令以完成特定任务的一个程序）。系统只有在检测到类似头部的形状后，才切换到高分辨率搜索。对齐——一旦检测到面部图像，系统会确定头部的位置、大小和姿态。只有在面部与摄像机至少成35度角的情况下，系统才会记录它。标准化——头部图像经过缩放和旋转，以便能记录和映射到相应的大小和姿态。无论头部的位置如何以及相距摄像机的距离有多远，都可以执行标准化过程。光线不会对标准化过程产生影响。表示——系统将面部数据转换成一个唯一的代码。通过编码，可以更加容易地将新近捕获的面部数据与存储的面部数据进行比较。匹配——将新捕获的面部数据与存储的数据进行对比，并（在理想情况下）链接到至少一个已存储的面部图像。FaceIt 面部识别系统的核心是局部特征分析（LFA）算法。这是系统在对面孔进行编码时使用的数学技术。系统对面孔进行测量，并生成一个面纹，即面部的唯一数字代码。在存储了面纹之后，系统会将它与数据库中存储的成千或成百万的面纹数据进行对比。每个面纹都存储为一个84字节的文件。面部识别系统通过使用面部识别软件，警察可以缩放摄像机画面并拍摄某个面孔。系统可以用每分钟6000万张面孔的速度对内存中的面纹数据进行匹配，对于硬盘中的面纹数据，每分钟可以匹配1500万张面孔。在进行对比时，系统会用介于1到10之间的一个值来表示对比结果。如果该值大于预先定义的阈值，则宣布找到一个匹配结果。然后，操作人员可以查看被宣布为匹配项的两张照片，确定计算机的工作是否准确。与其他生物识别技术一样，面部识别被认为是一种会在不远的将来得到广泛使用的技术。在下一节中，我们将介绍它现在的使用情况。FaceIt这样的面部识别软件的主要用户一直是一些执法机构，它们使用这些系统在拥挤的人群中捕获随机出现的面孔。然后，将这些面孔与数据库中犯罪分子的照片进行对比。除了进行执法和安全监视之外，面部识别软件还有其他几个用途，包括：消除投票欺诈取款身份验证计算机安全

　　面部识别软件可归入名为生物识别的一大类技术。生物识别技术使用生物信息来验证身份。生物识别背后的理论是：我们的身体包含一些独一无二的特征，可以使用它们将我们与他人区分开。除了面部识别之外，生物识别身份验证方法还包括：

　　指纹扫描

　　视网膜扫描

　　语音识别

　　面部识别方法有多种，但是通常涉及捕获、分析和对比等一系列步骤，将你的面孔与数据库中存储的图像进行对比。以下是FaceIt 系统用于捕获和对比图像的基本过程：

　　为了确定某人的身份，面部识别软件将新近捕获的图像与数据库中存储的图像进行对比。

　　检测——当系统连接到视频监视系统后，识别软件会在摄影机的视野中搜寻面部信息。如果在视野中存在一张面孔，它会在几分之一秒的时间内检测到它。它使用多尺度算法以低分辨率搜索面部图像。（算法是提供一组指令以完成特定任务的一个程序）。系统只有在检测到类似头部的形状后，才切换到高分辨率搜索。

　　对齐——一旦检测到面部图像，系统会确定头部的位置、大小和姿态。只有在面部与摄像机至少成35度角的情况下，系统才会记录它。

　　标准化——头部图像经过缩放和旋转，以便能记录和映射到相应的大小和姿态。无论头部的位置如何以及相距摄像机的距离有多远，都可以执行标准化过程。光线不会对标准化过程产生影响。

　　表示——系统将面部数据转换成一个唯一的代码。通过编码，可以更加容易地将新近捕获的面部数据与存储的面部数据进行比较。

　　匹配——将新捕获的面部数据与存储的数据进行对比，并（在理想情况下）链接到至少一个已存储的面部图像。

　　FaceIt面部识别系统的核心是局部特征分析（LFA）算法。这是系统在对面孔进行编码时使用的数学技术。系统对面孔进行测量，并生成一个面纹，即面部的唯一数字代码。在存储了面纹之后，系统会将它与数据库中存储的成千或成百万的面纹数据进行对比。每个面纹都存储为一个84字节的文件。

　　面部识别系统通过使用面部识别软件，警察可以缩放摄像机画面并拍摄某个面孔。

　　系统可以用每分钟6000万张面孔的速度对内存中的面纹数据进行匹配，对于硬盘中的面纹数据，每分钟可以匹配1500万张面孔。在进行对比时，系统会用介于1到10之间的一个值来表示对比结果。如果该值大于预先定义的阈值，则宣布找到一个匹配结果。然后，操作人员可以查看被宣布为匹配项的两张照片，确定计算机的工作是否准确。

　　与其他生物识别技术一样，面部识别被认为是一种会在不远的将来得到广泛使用的技术。在下一节中，我们将介绍它现在的使用情况。FaceIt这样的面部识别软件的主要用户一直是一些执法机构，它们使用这些系统在拥挤的人群中捕获随机出现的面孔。然后，将这些面孔与数据库中犯罪分子的照片进行对比。

　　除了进行执法和安全监视之外，面部识别软件还有其他几个用途，包括：

1. 消除投票欺诈

2. 取款身份验证

3. 计算机安全

什么是面部识别技术，到底是通过什么原理实现的？今天算长见识了