Go最新了解面部识别的不同算法_人脸照片比对算法(1)，2024年最新纯干货

本文链接：https://blog.csdn.net/2401_84925335/article/details/138768180

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

在图片识别方面，人工神经网络是应用最广泛、最有效的技术。神经网络同时执行许多数学过程，神经网络是面部识别系统的基础。

算法执行三个主要功能：识别图像、视频或实时流中的人脸;创建人脸的数学模型;并将模型与训练集或数据库进行比较以确认一个人的身份。

本文介绍了最著名的面部识别算法和重要特征。由于每种方法都具有特定于任务的优势，因此研究人员一直在尝试方法组合并创造新技术。

算法

1）卷积神经网络

人工神经网络（ANN）和人工智能开发的创新之一是卷积神经网络（CNN）。使用最广泛的深度学习技术之一教授模型直接对图像、视频、文本或声音执行分类任务。在计算机视觉、自然语言处理（NLP）和最大的图像分类数据集领域，该模型表现出出色的结果（Image Net）。卷积层和池化层已被添加到典型的神经网络中以创建 CNN。对于CNN来说，这些层可以达到数百甚至数千，并且每个层都获得了识别各种图像元素的能力。

2）哈尔级联

一种在图像上查找对象的方法称为Haar Cascade。该算法从大量的正样本和负样本中学习，其中正样本包含感兴趣的对象，负样本包含其他任何对象。分类器可以在训练后识别新鲜照片上有趣的对象。将该技术与本地二进制模式算法相结合，用于刑事识别以识别人脸。即使表达式波动，Haar 级联分类器也需要 200（共 6000 个）特征才能保证 85-95% 的识别率。

3）特征面

图片数据集中的人脸方差是使用人脸检测和识别算法特征面找到的。在机器学习的帮助下，它使用这些变体对人脸进行编码和解码。通过统计分析许多不同的面部照片，产生一组称为一组特征面部的“标准化面部成分”。由于这种方法不使用数字图像，而是使用统计数据库，因此面部特征被赋予数值。这些变量以不同百分比的混合构成了每个人的面孔。

4）Fisherfaces

作为最受欢迎的面部识别算法之一，Fisherfaces被认为优于许多竞争对手。它经常被比作特征面作为对Eeigenfaces方法的增强，并且在整个训练过程中被认为在类区分方面更有效。该算法的主要优点是它能够推断和插值照明和面部表情的变化。据报道，当在预处理阶段与PCA方法结合使用时，Fisherfaces算法的准确率为93%。

5）内核方法：PCA和SVM

主成分分析（PCA）是一种包罗万象的统计技术，具有广泛的实际用途。PCA旨在最大限度地减少源数据的数量，同时在人脸识别过程中使用时保留最关键的细节。它产生许多加权特征向量，这些特征向量组合形成特征面，特征面是各种人脸图片的相当大的集合。训练集中的每张图像都由特征面的线性组合表示。这些特征向量是使用 PCA 从训练图像集的协方差矩阵中获得的。计算每个图像的主要元素（从 5 到 200）。人脸和噪点之间的细微区别由其他组件编码。作为识别过程的一部分，将未知图像的主要成分与所有其他图像的主要成分进行比较。

一种称为支持向量机（SVM）的机器学习技术采用两组分类原理来区分人脸和“非人脸”。SVM 模型为每个类别提供一个标记的训练数据集，以便对新的测试数据进行分类。对于人脸识别，研究人员使用线性和非线性SVM训练模型。最近的发现表明，非线性训练机具有更大的余量和卓越的识别和分类结果。

6）三维识别

3D人脸识别技术背后的基本概念是人类头骨的独特设计。每个人独特的头骨解剖结构可以用多种因素来解释。这种形式的面部识别通过将3D面部扫描与数据库中的模式进行比较来工作。它具有至关重要的好处，因为检测和识别程序不受化妆品，面部毛发，眼镜和其他此类特征的影响。最近的研究利用了一个将3D几何数据映射到普通2D网格上的系统。它表现出FRGC v2上记录的最高性能，并且能够将3D数据的描述性与2D数据的计算效率（人脸识别大挑战3D面部数据库）集成在一起。

7）局部二进制模式直方图（LBPH）

局部二进制模式（LBP）是计算机视觉中一种简单、高效的纹理运算符，该技术通过为每个像素设置邻域阈值，然后将结果视为二进制数来标记图像中的单个像素。LBPH方法在学习阶段为每个标记和分类的图像生成直方图。训练集中的每个图像都由不同的直方图表示。在这种方法中，比较任何两张照片的直方图是实际识别程序所需要的。

8）FaceNet

基于人脸识别的基准数据集，谷歌研究人员在2015年创建了FaceNet人脸识别系统。由于现成的预训练模型和多个开源第三方实现，该系统非常有名。与其他早期开发的算法相比，FaceNet在研究调查，测试性能和准确性方面具有良好的结果。FaceNet有效地提取人脸嵌入，这是在开发过程后期用于训练人脸识别算法的卓越功能。