人工智能 人脸识别 第三章--人脸识别与视觉图像.ppt

3. 旷视人脸识别技术的应用 卷积神经网络-全连接层 如下图所示，首先通过架设一个多层卷积和降采的间隔结构，在最后一层设计一个全连接层，然后就是softmax层。全连接层以前一层的卷积和降采作为输入，这样可以学习到局部和全局的数据特征，以输出作为对人脸图像的数据表示。 4. 人脸识别流程 人脸识别流程-人脸检测 人脸识别流程首先要完成的是对目标图片的扫描检测，确定画面中是否存在人脸，人脸的位置以及人脸的质量等信息。该过程依然运用CNN卷积神经网络进行训练。 4. 人脸识别流程 人脸识别流程-特征提取 人脸识别的第二步是人脸特征提取。通常由于图像质量、拍摄角度、客观环境等因素造成的图像质量差异，在进行人脸特征提取之前需要对图片进行图像质量矫正、滤波等预处理。完成预处理后对人脸的关键点进行特征点位标注和特征值提取。 4. 人脸识别流程 人脸识别流程-人脸识别 人脸识别的第三步是人脸识别，将人脸特征值提取后，与人员底库中保存的人脸特征值进行欧式距离计算，当计算出来的结果满足系统设定的阈值条件时，返回比对信息。 * * 视觉图像技术简述 从应用领域来讲可以分为两类： 安防领域的相关应用，协助政府或其他机构的安全部门提高室外大地域公共环境的安全防范，比如高级视频移动侦测、物体追踪、任务面部识别、车辆识别和非法滞留等等。 非安防领域的应用，主要面向零售、服务等行业，可以被看作管理和服务的辅助工具，用以提高服务水平和营业额，比如人数统计、人群控制、注意力控制、交通流量控制等等。 视觉图像技术简述 从产品形态来讲可以分为两类： 前端智能产品，像智能摄像机，即将一些智能分析的功能（例如目前有实现车辆检测的车辆抓拍摄像机、实现区域入侵等功能的目标检测报警的摄像机、有实现人类检测抓拍的摄像机等等），智能摄像机自带分析功能，系统架构简单，同时目前的摄像机DSP处理能力已经完全能运行各种较为复杂的分析算法，分析效果和后端产品基本相同。 后端服务器产品，服务器产品有软件开发周期短、项目应用灵活、改造项目适用性强等特点。同时也还有相对比较复杂的智能分析功能，需要的计算量很大，完全移植到摄像机中需要大量优化和改进算法性能，提高前端设备硬件成本。 视觉图像技术简述 从技术角度来讲可以分为两类： 采用画面分割前景提取等方法对视频画面中的目标进行提取检测，通过各种不同的规则来区分不同的事件，从而实现不同判断并产生相应的报警联动等，例如：最早期的一些行为分析类功能（跨界、区域入侵、打架检测、人员聚集等）、还有早期的交通事件检测等都属于这类算法技术的应用。 利用模式识别技术，对画面中特定的物体进行建模，并通过大量样本进行训练，从而达到对视频画面中的特定物体进行检测及相关应用。如车辆检测、人脸检测、人头检测（人流统计）等应用 视觉图像技术现状 监控平台发展的这些年，已经很明显贴近监控高清、集成性的趋势，但智能化的应用表现才刚刚起步，但前景不小。我们说的监控智能化，很多业内人士都认为视觉图像智能分析就是监控的智能化。从目前应用情况分析，视觉图像技术是监控智能化技术最为成熟的技术体系。目前视觉图像技术已经广泛应用于各种安防领域，根据其实现的方式进行区分，有业内人士将其概括为以下两种类型的智能分析。 诊断类智能分析：诊断类智能分析主要是针对视频图像出现的雪花、滚屏、模糊、偏色、增益失衡、云台失控、画面冻结等常见的摄像头故障、视频信号干扰、视频质量下降进行准确分析、判断和报警。诊断类智能分析技术实现起来较为简单，通常以后端管理平台的形式出现，在大型的监控项目，特别是城市级监控的日常运维中作用十分明显。目前市面上一些基于DSP的智能分析设备、DVR和DVS等都自带该项辅助功能。 识别类智能分析：该项技术偏向于对静态场景的分析处理，通过图像识别、图像比对及模式匹配等核心技术，实现对人、车、物等相关特征信息的提取与分析。在对车的识别分析应用上主要是车牌识别技术。该技术经过多年的发展与应用，目前已十分成熟。模糊车牌还原和识别技术的出现使得该项技术不再局限高清，开始向标清领域普及。车牌识别技术被广泛应用于各停车场出入口、高速公路收费站等地，近些年更是发展迅速：配合交通电子卡口系统，车牌识别技术被大量用于车辆交通违章的抓拍，有效降低了车辆交通违章数量，大大减少了交通事故的发生。 早期视频分析应用产品出现在市场上，着实引起了一段骚动，而且很多特殊的应用场景和应用环境，的确能给客户带来很大的价值。如商场的人流统计技术，为商场的数据分析带来了巨大的技术支撑。如车牌识别技术，给公安交通管理带来的价值是无法用数据来衡量的。但是，视频分析技术还没有完全成熟，目前应该还属于技术应用