【正文】 在我看來(lái)， 未來(lái) 的人臉識(shí)別 方向 將是 超高清和 3D識(shí)別的天下 ,他們 可能 會(huì) 使人臉識(shí)別 進(jìn)入一個(gè)新 階段新轉(zhuǎn)折， 成為更有價(jià)值的識(shí)別技術(shù)。 然而，當(dāng)前的面部識(shí)別技術(shù)還沒(méi)有達(dá)到我們的需要，它目前的真正只應(yīng)用于兩個(gè)場(chǎng)景 ， 就 是人臉考勤機(jī)和證件照比對(duì) 這兩場(chǎng)景 ， 并且這兩場(chǎng)景都很特殊 ， 難以 普及化和生活化，所以 很難讓它在生活中處處存在處處應(yīng)用面太窄 。第二，面部識(shí)別 技術(shù)不需要人們特別配合，只要相機(jī)可以監(jiān)視的地方，是否配合識(shí)別都將不受影響；最后一點(diǎn)就是 ，人臉識(shí)別 需要圖像來(lái)實(shí)現(xiàn) ， 這個(gè)很好達(dá)到。生物識(shí)別中除了人臉識(shí)別技術(shù)是 大家都耳濡目染 的，還有語(yǔ)音識(shí)別、指紋識(shí)別、虹膜識(shí)別、靜脈識(shí)別。 總體來(lái)說(shuō)，本文通過(guò)研究和學(xué)習(xí)，尋找出一種合適的人臉識(shí)別算 法， 能快速簡(jiǎn)單并且準(zhǔn)確的實(shí)現(xiàn)人臉識(shí)別， face++平臺(tái)都可以達(dá)到這些條件，最終我借助face++接口設(shè)計(jì)并在安卓系統(tǒng)上實(shí)現(xiàn)了人臉識(shí)別功能。 (4) 重點(diǎn)對(duì)本系統(tǒng)采用的 Face++接口 進(jìn)行深入的研究，詳細(xì)的闡述了該 接口的功能 。 (2) 要想做人臉識(shí)別技術(shù)相關(guān)的研究，就必須了解目前人流識(shí)別技術(shù)領(lǐng)域主流的人臉識(shí)別算法，為此，在第二階段研究了幾類(lèi)常用的人臉識(shí)別算法， 并對(duì)此進(jìn)行介紹。伴隨著 It行業(yè)的急速發(fā)展，智能化的型移動(dòng)終端將是未來(lái)的發(fā)展趨勢(shì)，這將給 人臉識(shí)別技術(shù)帶來(lái)翻天覆地的變化，讓人臉識(shí)別走的更遠(yuǎn)。 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 30 5 結(jié)論與展望 結(jié)論 在導(dǎo)師的悉心指導(dǎo)和 同學(xué) 的熱心幫助下，最終完成了本文的研究課題，即 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 。因?yàn)?face++平臺(tái)是需要在線識(shí)別的，所以在進(jìn)行人臉檢測(cè)時(shí)，本地圖片如果不進(jìn)行數(shù)據(jù)轉(zhuǎn)換，那么是無(wú)法成功調(diào)用 detect函數(shù)的。 主要代碼： 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 24 .getJSONObject(position).getJSONObject(center) 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 25 本章小結(jié) 本章通過(guò)在 face++官網(wǎng)上的學(xué)習(xí)，懂得了 face++人臉識(shí)別的基本流程，并且基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 26 也在網(wǎng)上查閱大量的資料，同時(shí)深入研究了 Android，對(duì)如何在 Android 上進(jìn)行開(kāi)發(fā)也明白了許多，通過(guò)這些學(xué)習(xí)，懂得了如何在 Android 上實(shí)現(xiàn) face++接口，并加以具體代碼分模塊的實(shí)現(xiàn)了基于 face++的人臉識(shí)別研究與實(shí)現(xiàn)的課題。 if (callback != null) { (null)。本課題是調(diào)用/detection/detect 接口來(lái)實(shí)現(xiàn)的。同 時(shí)， HttpRequests，PostParameters, FaceppResult 這三個(gè)類(lèi)是最重要的，分別用來(lái)處理用戶請(qǐng)求和傳入請(qǐng)求參數(shù)及保存返回結(jié)果。 此模塊的主要代碼： 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 21 數(shù)據(jù)處理模塊 本課題采用的是基于 face++平臺(tái)的方法實(shí)現(xiàn)的。 當(dāng)一個(gè) person 內(nèi)的數(shù)據(jù)被修改后，為使這些修改生效， person 應(yīng)當(dāng)被重新 Train 表 33 /train/verify 參數(shù) 基于 Face++的人臉識(shí)別實(shí)現(xiàn) 頁(yè)面設(shè)計(jì) 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 18 Android 采用 xml 文件配置來(lái)設(shè)計(jì)頁(yè)面布局，如此可以將程序的表現(xiàn)層和控制層分離；并且在以后修改用戶界面時(shí)，就不需要再修改程序的源代碼了 ，為編碼提供了很多方便；因?yàn)榻缑婵梢暬覀兛梢灾苯釉诰幊虝r(shí)就看到設(shè)計(jì)的用戶界面，加快了界面設(shè)計(jì)的過(guò)程。 /person/create 創(chuàng)建 person 一個(gè) person 可以放許多 face． 表 31 /person/create 參數(shù) /train/verify 針對(duì) verify 功能對(duì) person 進(jìn)行訓(xùn)練。等非法字符且不超過(guò) 255 字節(jié)的字符串作為 tag， tag 信息可以通過(guò) /info/get_face 查詢 async 如果置為 true，該 API 將會(huì)以異步方式被調(diào)用；也就是立即返回一個(gè) session id，稍后可通過(guò) /info/get_session 查詢結(jié)果。目前支持的屬性包括： gender, age, race, smiling, glass, pose 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 17 tag 可以為 圖片中檢測(cè)出的每一張 Face 指定一個(gè)不包含 ^,amp。 attribute 可以是 none 或者由逗號(hào)分割的屬性列表。 表 31 /detection/detect 參數(shù) 參數(shù)名 參數(shù)說(shuō)明 必須 Api_key App 的 Face++ API Key Api_seceret APP 的 Face++ API Secret url 或 img[post] 待檢測(cè)圖片的 URL 或者 通過(guò) POST 方法上傳的二進(jìn)制數(shù)據(jù)，原始圖片大小需要小于 3M 可選 mode 檢測(cè)模式可以是 normal(默認(rèn) ) 或者 oneface 。 (7) 創(chuàng)建工程，打開(kāi) Eclipse，點(diǎn)擊“ FileNewProjectAndroid Application Project”就可以新建一個(gè) Android 工程。 (5) 創(chuàng)建 AVD，他是安卓的虛擬器，模擬一套虛擬設(shè)備來(lái)運(yùn)行 Android 平臺(tái)。 (3) 安裝 SDK，從 Google 官網(wǎng) 下載合適版本的 SDK 程序包，解壓安裝 SDK Manager。輸入java –version 查看 JDK 的版本信息。 應(yīng)用程序開(kāi)發(fā)環(huán)境搭建 Android 應(yīng)用程序可以在 Windows、 MacOS、 Linux 系統(tǒng)下進(jìn)行開(kāi)發(fā)。 Intent可以進(jìn)行各個(gè)組件之間的切換和傳輸數(shù)據(jù)。 Intent:可以稱(chēng)為一個(gè)媒體介質(zhì)，傳遞數(shù)據(jù)，和 Android 各組件進(jìn)行通訊。那么 Android 中兩個(gè)程序之間通過(guò)如何 Content Provider 進(jìn)行數(shù)據(jù)交換。 Content Provider：是在應(yīng)用程序間共享數(shù)據(jù)的一種機(jī)制。 Service：用于沒(méi)有用戶界面，但需要長(zhǎng)時(shí)間在后臺(tái)運(yùn)行的應(yīng)用?！?（ 17） Broadcast Receiver 既 可以在應(yīng)用程序配置文件 中注冊(cè)，也可以在應(yīng)用程序的代碼中使 Context. register Receiver()中進(jìn)行注冊(cè)。例如，當(dāng)來(lái)電的外部事件的到來(lái)，我們通過(guò) Broadcast Receiver 來(lái) 接收處理。 Activity 是由 Android 系統(tǒng)進(jìn)行維護(hù)的，它也有自己的生命周期 :產(chǎn)生、運(yùn)行、銷(xiāo)毀。 如圖 31 是 Android 操作系統(tǒng)軟件模塊之間的關(guān)系。它 包含了 Android應(yīng)用程序的相關(guān)信息，如應(yīng)用程序名稱(chēng)、圖標(biāo)、包名稱(chēng)、組件、權(quán)限管理和 SDK最低版本等。 Android 應(yīng)用程序的開(kāi)發(fā)與其他系統(tǒng)的開(kāi)發(fā)不同， Android 沒(méi)有唯一的程序啟動(dòng)入口來(lái)啟動(dòng) Android App，他的啟動(dòng)入口在 中事先聲明” （ 17） 。 Android 應(yīng)用程序開(kāi)發(fā)研究 應(yīng)用程序組件是指具有相對(duì)獨(dú)立的且比較完整的功能、針對(duì)特定應(yīng)用場(chǎng)合的功能模塊， Android 應(yīng)用程序就是由多種組件組成的。 底層是以 Linux 內(nèi)核為基礎(chǔ)驅(qū)動(dòng)硬件設(shè)備，是硬件和其它軟件層之間的一個(gè)抽象隔離層；中間層由函數(shù)庫(kù) (Libraries)和 Android 運(yùn)行時(shí) (Android Runtime)構(gòu)成 :函數(shù)庫(kù)，主要提供一組基于 C/C++的函數(shù)庫(kù)， Android 運(yùn)行時(shí)核心庫(kù)提供 Android 系統(tǒng)特有的功能函數(shù)和 Java 語(yǔ)言函數(shù)功能；應(yīng)用程序框架層 (Application Framework),提供 Android 平臺(tái)基本的管理功能和組件重用機(jī)制；應(yīng)用程序?qū)?Applications)提供針對(duì)移動(dòng)設(shè)備的核心應(yīng)用程序。 Android 平臺(tái)中提供了基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 14 Dalvik 虛擬機(jī)來(lái)運(yùn)行編譯后的 java 代碼。 安卓操作系統(tǒng)架構(gòu) 安卓操作系統(tǒng)介紹 Android 是由 Google 發(fā)布的基于 Linux 內(nèi)核的軟件開(kāi)發(fā)和運(yùn)行平臺(tái)；免費(fèi)、開(kāi)源、面向移動(dòng)開(kāi)發(fā)； Android SDK 支持大多數(shù) JAVA SE，并擁有自己的擴(kuò)展UI 框架。 ID 和 Name 是 來(lái)定位和訪問(wèn) Image， Face， Person， Faceset 和 Group 元素的，他們的 id 都是全局唯一的，系統(tǒng)自動(dòng)分配 。一個(gè) 人臉 也許是來(lái)源于多個(gè) 不同的 人 和人臉集合中 。 Faceset 指一個(gè)或多個(gè) 人臉 的集合。 Person 是同一個(gè)人的人臉集合。 Face 是 從人臉圖片 中檢測(cè)出的人臉。 Image 是用戶或應(yīng)用程序提供給 Face++ API 的圖片，用來(lái)進(jìn)行人臉檢測(cè)和人臉識(shí)別。 Face++提供簡(jiǎn)單的，強(qiáng)大的，通用的視覺(jué)服務(wù)平臺(tái)的目的是為了讓廣大的 IT 開(kāi)發(fā)者能夠很輕易地運(yùn)用最先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)相應(yīng)的視覺(jué)功能，它同時(shí)提供云端 API 和本地AP 壹 供開(kāi)發(fā)者使用，建立出個(gè)性化的視覺(jué)應(yīng)用．當(dāng)然 face++還擁有定制和企業(yè)級(jí)視覺(jué)服務(wù)的服務(wù)。 通過(guò)大量試驗(yàn)和在實(shí)際應(yīng)用該方法有較好的正確識(shí)別率，在人臉識(shí)別領(lǐng)域和其他相關(guān)領(lǐng)域中有著廣泛的應(yīng)用，并越來(lái)越多的研究人員從事這一領(lǐng)域的研究?！巴ǔＴ谠胤N空間中樣本都是線性不可分的，支持向量機(jī)方法通過(guò)相應(yīng)的核函數(shù)這種非線性映射方法映射到高維空間中使其線性可分，將兩類(lèi)樣本無(wú)錯(cuò)誤的隔開(kāi)使分類(lèi)誤差達(dá)到最小。識(shí)別率也很高，但缺點(diǎn)是若要得到較好的識(shí)別效果，則需要充分的樣本數(shù)量進(jìn)行訓(xùn)練，由于圖像數(shù)據(jù)量非常大，因而需要的神經(jīng)元數(shù)目就會(huì)增加很多，因此訓(xùn)練時(shí)間就會(huì)很長(zhǎng)，因而識(shí)別速度較慢，若沒(méi)有充分的樣本進(jìn)行訓(xùn)練則在光照、表情等情況改變時(shí)識(shí)別效果不是很理想。當(dāng)在學(xué)習(xí)過(guò)程中遇到的噪聲干擾大的圖像或 丟失部分圖像，神經(jīng)網(wǎng)絡(luò)方法仍然是獲得更好的面部特征，這在其他的人臉識(shí)別方法具有無(wú)可比擬的優(yōu)勢(shì)?！?（ 14）“現(xiàn)在廣泛使用的人臉識(shí)別系統(tǒng)中常用的基于神經(jīng)網(wǎng)絡(luò)主要包括 BP（ Back Propagation）神經(jīng)網(wǎng)絡(luò)、自組織映射神經(jīng)網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法” （ 15） ?！? （ 11） 基于神經(jīng)網(wǎng)絡(luò)的方法 神經(jīng)網(wǎng)絡(luò)，從名字可以看出，該方法通過(guò)對(duì)人腦的結(jié)構(gòu)和工作機(jī)理的模擬，使用大量的連接構(gòu)建類(lèi)似人腦的計(jì)算模型的復(fù)雜性來(lái)解決識(shí)別問(wèn)題的處理單元。正是因?yàn)槿四樀倪@種特性，對(duì)樣本圖像進(jìn)行區(qū)域掃描，將個(gè)部分的特征作為參數(shù)建立隱馬爾可夫模型進(jìn)行表示。該模型是基于統(tǒng)計(jì)模型基礎(chǔ)的一種模式識(shí)別方法，通過(guò)掃描樣本圖像提取的特征作為參數(shù)建立模型，模型參數(shù)具有相當(dāng)穩(wěn)定的特性，對(duì)表情、形態(tài)具有很好的魯棒性。隱馬爾可夫模型 (Hidden Markov Model)是一種常見(jiàn)的識(shí)別模型，具有較高的研究?jī)r(jià)值?；趲缀翁卣鞯娜四樧R(shí)別方法簡(jiǎn)單并且容易理解，但這種方法是一 種基于人臉的先驗(yàn)知識(shí)的非自動(dòng)識(shí)別過(guò)程，同時(shí)，當(dāng)人臉處于復(fù)雜背景下，被障礙物遮擋，基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 11 面部表情和姿態(tài)的變化對(duì)系統(tǒng)識(shí)別率具有相當(dāng)高的影響，且魯棒性很差?；趲缀翁卣髑蔬M(jìn)行分類(lèi)識(shí)別是一個(gè)對(duì)高圖像質(zhì)量的效果非常理想的分類(lèi)與識(shí)別方法但對(duì)人臉圖像的圖像質(zhì)量較差、各種器官輪廓提取效果的差，繼而人臉識(shí)別結(jié)果到不到理想效果。 目前，在比較常見(jiàn)的基于幾何特征的人臉識(shí)別方法主要有以下兩種： “基于幾何特征曲率進(jìn)行分類(lèi)識(shí)別的方法是依據(jù)人臉器官的輪廓弧線的曲率進(jìn)行分類(lèi)的。利用眼睛、鼻子、嘴等局部特征和各個(gè)特征之間的幾何關(guān)系對(duì)人臉進(jìn)行識(shí)別就是基于幾何特征的識(shí)別方法。 基于幾何特征的人臉識(shí)別方法 基于幾何特征的人臉識(shí)別方法是最早、最傳統(tǒng)的人臉識(shí)別方法之一。 原始圖像能夠根據(jù)相應(yīng)的矩陣以及系數(shù)轉(zhuǎn)變成新的圖像，即： Uyf?? 新的圖像擁有自己的參數(shù)信噪比： 步驟五：對(duì)待識(shí)別樣本進(jìn)行分類(lèi)。 在正常情況下，一個(gè)特定的人臉圖像，可以通過(guò)多個(gè)特征臉的加權(quán)組合得到，用于最終的人臉識(shí)別。 基于 Face++的人臉識(shí)別研究與實(shí)現(xiàn) 10 步驟四：將訓(xùn)練集合和測(cè)試集合映射到特征空間中。本征值降序排列，可表示為：1r210 ... ???? ???? ，那么對(duì)應(yīng)的本征值可以表示為 i? ，相應(yīng)的 1M210 ,..., ???? 可以稱(chēng)作特征臉，所有的特征臉又可以叫做特征臉空間。 SVD 定理：設(shè) X 為一個(gè)隨機(jī)矩陣，且矩陣維數(shù)為 rn? ，那么在這個(gè)基礎(chǔ)上得到： 正交矩陣： ? ? rnruuuu ?? ??? 1210 ,...,U ，其中 IU