随着社会的发展,快速有效的自动身份验证在安防领域变的越来越迫切。由于生物特性是人的内在属性,具有很强的自身稳定性和个体差异性,是身份验证的最理想依据。利用人脸属性进行身份验证又是最自然直接的手段,相比其它人体生物特性,它具有直接、友好、方便的特点,更容易被用户所接受且不易察觉。
一、人脸属性识别与算法
人脸是一种非常重要的生物特征,具有结构复杂、细节变化多等特点,同时也蕴含了大量的信息,比如性别、种族、年龄、表情等。一个正常的成年人可以轻易的理解人脸的信息,但将同样的能力赋予给计算机,并让其代替人类进行类脑思考成为研究学者亟待攻克的科学课题!
人类可以通过使用相机等图像采集装置和计算机组建一套与人体类似的系统,相机等图像采集装置是“眼睛”,计算机是“大脑”。但是问题来了,这些单纯的硬件设施并不足以让机器完成理解人脸信息的任务,这其中还需要载有思考能力,也就是我们平时所说的算法。
目前主流的人脸属性识别算法主要包括:性别识别、种族识别、年龄估计、表情识别等。
二、性别识别
性别识别是利用计算机视觉来辨别和分析图像中的人脸性别属性。多年来,人脸性别分类因其在人类身份认证、人机接口、视频检索以及机器人视觉中的潜在应用而备受关注。
性别分类是一个复杂的大规模二次模式分类问题,分类器将数据录入并划分男性和女性。目前最主要的性别识别方法主要有:基于特征脸的性别识别算法、基于Fisher准则的性别识别方法和基于Adaboost+SVM的人脸性别分类算法三大类。
三、种族识别
准确的种族分类不仅可以有效地获取人脸数据中的人脸特性,还可以获取更多的人脸语义理解信息。其难点就在于:如何准确的描述人脸数据的种族特性以及如何在特征空间的基础上实现准确的分类。基于Adaboost和SVM的人脸识别算法为我们提供了一臂之力。
四、年龄估计
说到年龄估计的问题,定义并不明确。它既可以是分类问题,亦可是回归问题。如果将年龄分成几类,比如:少年、青年、中年和老年时,年龄估计就是分类问题;如果精确的估计具体年龄时,年龄估计就是回归问题。
说到底,年龄估计是一个比性别识别更为复杂的问题。原因在于:人的年龄特征在外表上很难准确地被观察出来,即使是人眼也很难准确地判断出一个人的年龄。再看人脸的年龄特征,它通常表现在皮肤纹理、皮肤颜色、光亮程度和皱纹纹理等方面,而这些因素通常与个人的遗传基因、生活习惯、性别和性格特征和工作环境等方面相关。所以说,我们很难用一个统一的模型去定义人脸图像的年龄。若想要较好地估出人的年龄层,则需要通过大量样本的学习,比如说年龄估计开始。
年龄估计大致分为预估和详细评估两个阶段。
预估阶段:
提取出照片中人脸的肌肤纹理特征,对年龄范围做一个大致的评估,得出一个特定的年龄段;
详细评估阶段:
通过支持向量机的方法,建立了对应于多个年龄段的多个模型分类器,并选择合适的模型进行匹配。这其中,以一项融合LBP和HOG特征的人脸年龄估计算法最为人们所熟知。
非思丸人脸识别客情分析,分析客户的性别,年龄层等客户信息,为商场,商家等提供客户数据,为商家提供参考数据。