人脸识别技术的识别率怎么样

在技术驱动下,人脸识别正在加速商用化落地,并且成功应用到多个行业,未来人脸识别将在各领域大展拳脚。那人脸识别技术的识别率怎么样?下面,37号仓小编给大家讲解一下。

人脸识别具有非接触、友好、识别速度快、外延性等特点,人脸识别技术具有广泛的应用场景,智能门禁系统,身份识别和网络支付,在未来一段时间内,人脸识别市场规模将不断保持增长。

此外,随着国内安防领域的深入发展,城市监控也应用了高清检测设备,监控摄像头也在不断增加,也提高了识别的效率。人脸识别与监控技术相结合,在安防系统中得到了重用,把城市打造成智能化,也辅助机关部门逃犯追捕,黑名单调查等功能的迫切需求,人脸识别就推动着社会的发展。

人脸识别技术的比例值

1:1识别就数据库中当前人脸和人脸图像数据库之间的快速面部比较,并获得匹配过程。刷脸支付、检票和付款都是这样的;

1:N是在庞大的人像数据库中查找并匹配当前用户的面部数据,即从N个人脸中找到一个目标;

M:N是通过数据库中所有人进行人脸识别,并与人像数据库进行动态人脸识别比较,检测是不是VIP客户管理系统、黑名单监控等场景。

以上就是小编对于“人脸识别技术的识别率怎么样”的介绍,希望能够给大家带来帮助。未来的人脸识别系统,将应用场景命中率的不断提升,提高每个主要用途的运行速率,产生安全系数、速率、可维护性等各层面的升級,更改人们衣食住行和办公环境的各个方面。

随着计算机和信息技术的快速发展,人脸识别技术越来越受到重视,本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题,提出了一些改进方法,并通过实验进行了可靠性验证. 针对LBP算法提取人脸图像的表情特征信息时会丢失特殊的特征信息的缺点,本文提出了多重局部二值模式的人脸表情识别方法(Multiple Local Binary Patterns,MILBP),该方法在保持LBP算法优点的前提下,通过增加一位二值编码,利用中心像素点作用以及邻域像素点灰度值之间的关系,得出特征向量图. 实验结果表明MLBP算法比LBP算法描述的表情纹理图像更加均匀,且识别率约提高10%. 针对人脸表情图像进行纹理特征提取时的模块大小划分问题,本文提出将MLBP算法与Harr小波分解相结合,该方法首先将表情图像进行Har小波分解,得到四幅不同频率的子图像,然后对其中三幅图像进行MLBP特征提取,并将得到的特征值串联形成表情图像的特征向量。实验结果表明该方法比MLBP方法直接提取表情特征所产生的特征向量的维数减少了25%,特征提取和识别的速率提高了,其中识别率约提高了9%. 人脸识别研究中的识别率容易受光照强度的影响,针对MLBP算法在光照变化时具有旋转不变性,以及Gabor小波能提供空间位置、空间频率的特性,本文提出了多重局部Gabor二值模式方法(Multiple Local Gabor Binary Pattern,M LGBP),该方法先对人脸图像使用Gabor小波进行变换处理,保留受光照影响较小的高频部分,然后再采用MLBP算法对Gabor提取后的图像采用分块编码,最后得到联合直方图序列,获得丰富的局部特征信息,实验结果表明了该算法有效的降低了光照对识别率的影响,提高了光照不均匀时的人险识别率,且在特征提取方面比Gabor等算法更加有效.
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值