『壹』 人臉識別系統的核心是什麼
人臉識別是一種基於人的臉部特徵信息進行身份認證的生物特徵識別技術。它集成了人工智慧、機器識別、機器學習、模型理論、視頻圖像處理等多種專業技術。人臉識別主要分四步完成：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取、匹配與識別。 樓上已經很詳細的說明了人臉識別的技術原理，這里不做過多贅述。
在人臉識別業界，擁有人臉識別技術核心實力，即是擁有自主知識產權的人臉識別SDK。人臉識別技術，可以看LFW榜和FDDB榜：face++ 99.5% , 商湯 Deepid3 99.53% ， 騰訊 Tencent 99.65% , 網路 Bai 99.77%，顏鑒（ColorReco）99.64%，都是一線了，趕超國外的google 。之所以只列舉這幾家公司，是因為它們相比於其他公司，優勢在於有自己的核心技術，而不是渠道商或傳統廠商。值得一提的是，這些公司目前規模都不大，但卻像谷歌、微軟一樣都有自己的人工智慧研究院，緊密追隨國際最新的科研成果。像前段時間很火的阿爾法狗，其工作原理是深度學習，這一技術其實在中國的這些公司里都已經擁有並投入商用了。
『貳』 通過面部表情來識別人的心理
通過面部表情來識別人的心理
通過面部表情來識別人的心理，生活中，想知道一個人內心在想什麼，其實是有方法的，我們可以通過人們的面部表情，來識別人的心理變化。那麼大家知道要如何通過面部表情來識別人的心理嗎？下面和我一起來了解一下吧！
在人們日常交流中，只有7%的信息是通過語言來傳遞的，55%的信息是通過面部表情來體現的。可見，表情信息在人們之間交流的重要性。
隨著人工智慧和模式識別的不斷發展，人機智能交互中的一項重要技術——人臉表情識別也受到關注。人臉表情識別主要是利用人臉識別技術，對人臉的表情信息進行特徵提取並歸類，使計算機能獲知人的表情信息，進而推斷人的心理狀態，從而實現人機之間的高級智能交互。
從識別模式來看，人臉表情識別與我們的行為心裡學是一致的。行為心裡學有一個說法是瞬間識人的超級心裡密碼是在第一時間看對方的臉。通過表情判斷一個人的心裡情況，也就是通過細小的表情和微小的動作來觀察對方的心裡，對即將發生的事情做出一個准確推斷。
目前，人臉表情識別的應用領域主要是安全領域、智能機器人研製、電腦游戲、醫療領域等。並且人臉表情識別主要定義六種表情生氣、厭惡、害怕、傷心、高興、吃驚，將人臉劃分為若干個運動單元來描述面部動作，這些運動單元顯示了人臉運動與表情的對應關系。
人臉表情識別可分為人臉圖像的獲取與預處理、表情特徵提取和表情分類這三部分。基本上與人臉識別在人臉圖像的獲取和預處理這些環節上是一致的，只是在特徵提取方面有區別，人臉識別提取的特徵是同一人臉的個體差異，而表情識別提取的特徵是同一人臉的不同表情下的差異。
亞里士多德說，臉是心靈的一扇窗，透過表情可以看到一個人的思想。古羅馬時期的大哲學家西塞羅也是這一觀點的支持者。的確，兩千年過去了，面部表情仍然被普遍認為是判斷人們感受的一種有效方式，而且不論年齡、性別和文化差異。比如：挑起眉毛表示困惑，微笑表示幸福，皺眉表示悲傷。
但事實果真如此嗎？心理學家針對數百篇關於面部表情和潛在情緒之間關系的論文進行了一項分析研究，得出的結論有點兒令人意外：並沒有翔實的科學證據表明，人們的日常情緒可以通過面部表情來識別。也就是說，一個沒有面帶微笑的人，並不意味著他不快樂。
心理學家發現，以城市為生活背景的.成年人，生氣時皺眉的機率平均為30%。這就意味著， 人們在生氣時，大約有70%的情況是不會皺眉的。相反，人們把皺眉用在了別處，比如，當人們集中注意力時，當有人講了一個糟糕的笑話時，或者當他們體內有氣體時（想要放屁時）。
研究人員得出結論，皺眉，或者面有怒色，是人們表達憤怒的方式之一，但絕不是唯一。人類面部表情之復雜和難以捉摸，不僅限於憤怒，也適用於心理學家定義的六種情緒類別：憤怒、厭惡、恐懼、快樂、悲傷和驚訝。
這讓人們對科技公司開發人工智慧演算法的努力產生了疑問。科技公司總是聲稱，人工智慧演算法可以識別面部表情，並計算出潛在的情緒狀態。例如，微軟聲稱其"情感分析應用程序"能夠通過檢測人們的視頻片段來判斷他們的內心感受。然而，美國俄亥俄州立大學的計算機工程師阿歷克斯·馬丁內斯對此表示懷疑。他認為，試圖根據人臉圖像識別人類情緒的做法，事實上是忽略了產生情緒的背景環境的重要性。
首先，面部表情是人們用來交流的許多非語言形式之一，類似的還有身體語言。人工智慧識別人的情緒也需要考慮這些因素。而了解情緒產生的背景對於面部表情的解讀似乎更為重要。對此，馬丁內斯博士引用了一項實驗來加以證明。在該實驗中，研究人員給參與者展示了一名男子的臉部特寫照片，照片上的人嘴巴大張著似乎在尖叫，臉漲得通紅。
僅僅根據這一點，大多數參與者會猜想照片上的人非常生氣。然而將照片拉到全景，才發現照片實際上是一名足球運動員伸出雙臂慶祝進球。他那張局部看起來像是生氣的臉，實際上是一種狂喜的表情。
考慮到人們在大部分時間里無法通過表情來准確猜測彼此的情緒狀態，馬丁內斯博士認為，計算機也不可能做到這一點。他表示："一些公司聲稱演算法可以通過人們的表情來識別他們的情緒狀態，並將其應用到比如招聘等場景中，""有些公司要求應聘者提交一份視頻簡歷，然後由一個機器學習系統對其面部表情進行分析，之後得出是否適合僱傭的結論，這種做法真的很令人震驚，因為有些演算法可能是基於錯誤的假設，甚至是一個危險的假設，而在此基礎上得出的結論可能是非常可怕、甚至是危險的。"
『叄』 人臉識別主要識別的是什麼
人臉識別是採集人臉的生物信息特徵，也就是我們所說的生物ID，將其存儲在資料庫中。在識別時，將人臉和資料庫中的生物ID進行比對、識別。
『肆』 opencv的人臉識別基於什麼特徵
基於幾何特徵的人臉識別方法
基於特徵的方法是一種自下而上的人臉檢測方法，由於人眼可以將人臉在不此研究人員認為有一個潛在的假設：人臉或人臉的部件可能具有在各種條件下都不會改變的特徵或屬性，如形狀、膚色、紋理、邊緣信息等。基於特徵的方法的目標就是尋找上述這些不變特徵，並利用這些特徵來定位入臉。這類方法在特定的環境下非常有效且檢測速度較高，對人臉姿態、表情、旋轉都不敏感。但是由於人臉部件的提取通常都藉助於邊緣運算元，因此，這類方法對圖像質量要求較高，對光照和背景等有較高的要求，因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響演算法的有效性。
模板匹配演算法首先需要人TN作標准模板(固定模板)或將模板先行參數化(可變模板)，然後在檢測人臉時，計算輸入圖像與模板之間的相關值，這個相關值通常都是獨立計算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度後得出的綜合描述，最後再根據相關值和預先設定的閾值來確定圖像中是否存在人臉。基於可變模板的人臉檢測演算法比固定模板演算法檢測效果要好很多，但是它仍不能有效地處理人臉尺度、姿態和形狀等方面的變化。
基於外觀形狀的方法並不對輸入圖像進行復雜的預處理，也不需要人工的對人臉特徵進行分析或是抽取模板，而是通過使用特定的方法(如主成分分析方法(PCA)、支持向量機(SVM)、神經網路方法(ANN)等)對大量的人臉和非人臉樣本組成的訓練集(一般為了保證訓練得到的檢測器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進行學習，再將學習而成的模板或者說分類器用於人臉檢測。因此，這也是j種自下而上的方法。這種方法的優點是利用強大的機器學習演算法快速穩定地實現了很好的檢測結果，並且該方法在復雜背景下，多姿態的人臉圖像中也能得到有效的檢測結果。但是這種方法通常需要遍歷整個圖片才能得到檢測結果，並且在訓練過程中需要大量的人臉與非人臉樣本，以及較長的訓練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。
基於代數特徵的人臉識別方法
在基於代數特徵的人臉識別中，每一幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數據特徵來表示人臉的特徵。 設人臉圖像 ) , ( y x I 為二維 N M × 灰度圖像，同樣可以看成是 N M n × = 維列向量，可視為 N M × 維空間中的一個點。但這樣的一個空間中，並不是空間中的每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到一個維數較低的空間中去。然後利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。 在基於代數特徵的人臉識別方法中，主成分分析法（PCA）和Fisher 線性判別分析（LDA）是研究最多的方法。本章簡要介紹介紹了PCA。
完整的PCA(PrincipalComponentAnalysis)人臉識別的應用包括四個步驟：人臉圖像預處理；讀入人臉庫，訓練形成特徵子空間；把訓練圖像和測試圖像投影的上一步驟中得到的子空間上；選擇一定的距離函數進行識別。詳細描述如下：
4.1讀入人臉庫
一歸一化人臉庫後，將庫中的每個人選擇一定數量的圖像構成訓練集，設歸一化後的圖像是n×n，按列相連就構成n2維矢量，可視為n2維空間中的一個點，可以通過K-L變換用一個低維子空間描述這個圖像。
4.2計算K．L變換的生成矩陣
訓練樣本集的總體散布矩陣為產生矩陣，即
或者寫成:
式中xi為第i個訓練樣本的圖像向量，|l為訓練樣本的均值向量，M為訓練樣本的總數。為了求n2×n2維矩陣∑的特徵值和正交歸一化的特徵向量，要直接計算的話，計算量太大，由此引入奇異值分解定理來解決維數過高的問題。
4.3利用奇異值分解(AVD)定理計算圖像的特徵值和特徵向量
設A是一個秩為r的行n×r維矩陣，則存在兩個正交矩陣和對角陣：
其中凡則這兩個正交矩陣和對角矩陣滿足下式：
其中為矩陣的非零特徵值，
4.4 把訓練圖像和測試圖像投影到特徵空間每一副人臉圖像向特徵臉子空間投影，得到一組坐標系數，就對應於子空間中的一個點。同樣，子空間中的任一點也對應於～副圖像。這組系數便可作為人臉識別的依據，也就是這張人臉圖像的特徵臉特徵。也就是說任何一幅人臉圖像都可以表示為這組特徵臉的線性組合，各個加權系數就是K．L變換的展開系數，可以作為圖像的識別特徵，表明了該圖像在子空間的位置，也就是向量
可用於人臉檢測，如果它大於某個閾值，可以認為f是人臉圖像，否則就認為不是。這樣原來的人臉圖象識別問題就轉化為依據子空間的訓練樣本點進行分類的問題。
基於連接機制的人臉識別方法
基於連接機制的識別方法的代表性有神經網路和彈性匹配法。
神經網路(ANN)在人工智慧領域近年來是一個研究熱門，基於神經網路技術來進行人臉特徵提取和特徵識別是一個積極的研究方向。神經網路通過大量簡單神經元互聯來構成復雜系統，在人臉識別中取得了較好的效果，特別是正面人臉圖像。常用的神經網路有：BP網路、卷積網路、徑向基函數網路、自組織網路以及模糊神經網路等n¨。BP網路的運算量較小耗時也短，它的自適應功能使系統的魯棒性增強。神經網路用於人臉識別，相比較其他方法，其可以獲得識別規則的隱性表達，缺點是訓練時間長、運算量大、收斂速度慢且容易陷入局部極小點等。Gutta等人結合RBF與樹型分類器的混合分類器模型來進行人臉識別乜螂1。Lin等人採用虛擬樣本進行強化和反強化學習，採用模塊化的網路結構網路的學習加快，實現了基於概率決策的神經網路方法獲得了較理想結果，。此種方法能較好的應用於人臉檢測和識別的各步驟中。彈性匹配法採用屬性拓撲圖代表人臉，拓撲圖的每個頂點包含一個特徵向量，以此來記錄人臉在該頂點位置周圍的特徵信息¨引。拓撲圖的頂點是採用小波變換特徵，對光線、角度和尺寸都具有一定的適應性，且能適應表情和視角的變化，其在理論上改進了特徵臉演算法的一些缺點。
基於三維數據的人臉識別方法
一個完整的人臉識別系統包括人臉面部數據的獲取、數據分析處理和最終結果輸出三個部分。圖2-1 顯示了三維人臉識別的基本步驟：1 、通過三維數據採集設備獲得人臉面部的三維形狀信息；2 、對獲取的三維數據進行平滑去噪和提取面部區域等預處理；3 、從三維數據中提取人臉面部特徵，通過與人臉庫中的數據進行比對；4 、用分類器做分類判別，輸出最後決策結果。
基於三維數據的方法的代表性是基於模型合成的方法和基於曲率的方法。
基於模型合成的方法，它的基本思想為：輸入人臉圖像的二維的，用某種技術恢復(或部分恢復)人臉的三維信息，再重新合成指定條件下的人臉圖像。典型代表是3D可變形模型和基於形狀恢復的3D增強人臉識別演算法。3D可變形模型首先通過200個高精度的3D人臉模型構建一個可變形的3D人臉模型，用這個模型來對給定的人臉圖像擬合，獲得一組特定的參數，再合成任何姿態和光照的人臉圖像n卜捌。基於形狀恢復的3D增強人臉識別演算法是利用通用的3D人臉模型合成新的人臉圖像，合成過程改變了一定的姿態與光源情況。
曲率是最基本的表達曲面信息的局部特徵，因而最早用來處理3D人臉識別問題的是人臉曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，將人臉深度圖中凸的區域分割出來。
如果你是開發者的話，可以去Tel一下colorreco，更好地技術解答。
『伍』 什麼是人臉表情識別技術
人臉表情識別系統主要包括三個部分：人臉檢測與定位、特徵提取及表情分類。建立一個FER系統，首先要通過外部器件如攝像頭等獲取圖像，在圖像中進行人臉檢測，確定輸入圖像中是否有人臉，在有人臉的情況下確定人臉的位置和大小。這一環節的研究已成為一個獨立的方向；然後對人臉進行特徵提取，得到反映表情特徵的關鍵信息。最後對得到的表情特徵向量進行分類，得到表情所屬的類別，如AU組合或基本表情類別
『陸』 用VC++6.0和OpenCV實現人臉表情識別難么對於新手要多久能完成
你說的是動態表情識別還是靜態表情識別？如果是動態的，首先人臉表情的動態收集就夠你喝一壺的了，別說表情識別了。
如果是靜態的，只需要自己寫一些函數，把圖片收集到資料庫，對表情的一些特徵編寫函數就行了。這樣相對簡單一些，但也需要大量的圖片，這里需要的就是圖形界面化的知識了。對於一個不會MFC的新手，也很難。如果每天認真鑽研，靜態的要1個月吧
『柒』 人臉識別是識別的什麼
人臉識別其實就是生物識別，也就是說你整張臉包括五官，臉型，都會識別的，已經很先進了。
『捌』 人臉識別技術的核心演算法是什麼
人臉識別核心演算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測（Face Detect）和人臉識別（Face Identification）。
檢測技術核心稱為：迭代動態局部特徵分析(SDLFA)，它是以國際通用的局域特徵分析（LFA）和動態局域特徵分析（DLFA）為基礎，並且針對現實業務場景進行了全面的演算法增強及結果優化，識別技術核心稱為：實時面部特徵匹配（RFFM），其識別特徵數據緊湊，特徵演算法准確高效，是國際國內獨創性的識別技術。