當前位置:首頁 » 服務存儲 » 存儲人臉特徵用什麼資料庫
擴展閱讀
小米wifi手機熱點 2022-08-12 22:42:26
怎麼查找已連wifi密碼 2022-08-12 22:42:25
電腦硬碟的介面類型 2022-08-12 22:39:00

存儲人臉特徵用什麼資料庫

發布時間: 2022-07-05 17:51:41

⑴ java 實現人臉的動漫化 照片用數組存還是image對象提取人臉的什麼特徵人臉處理常用哪些特徵

YOGUAI為保險櫃,自動門,考勤等行業提供人臉識別方案。

隨著計算機網路和通信技術的發展,信息安全、知識產權保護和身份認證等問題成了一個重要而緊迫的研究課題。身份認證是保證系統安全的必要前提,在多種不同的安全領域都需要准確的身份認證。傳統的身份證、智能卡、密碼等身份認證方法存在攜帶不便、容易遺失、不可讀或密碼易被破解等諸多問題。基於人臉識別技術的身份認證方法與傳統的方法相比,具有更好的安全性、可靠性和有效性,因此正越來越受到人們的重視,並逐漸進入社會生活的各個領域。

人臉識別技術具有廣泛的應用前景,可以應用到多種不同的安全領域,因其識別特徵的獨特性、惟一性和相對穩定性,逐漸成為一非常熱門的研究課題。許多典型的人臉識別演算法和應用系統都是針對標准或特定的人臉資料庫,利用庫內人臉進行訓練,並在相同的庫中實現人臉識別。但在軟體保護、計算機安全等特殊應用中,身份認證僅針對單個對象進行人臉識別,現有的人臉識別方法並不能勝任這樣的識別任務。為此,本文針對單對象人臉識別的特點,討論了單對象人臉檢測和識別的關鍵技術,在此基礎上提出了一種單對象人臉識別演算法,實驗結果證明了該方法的有效性。

2單對象人臉識別的特點

與典型的人臉識別相比,單對象人臉識別有以下4個方面的特點:

應用領域人臉識別的應用領域很廣,如刑偵破案、證件核對、保安監控等,而單對象人臉識別主要應用在軟體保護、計算機安全鎖、特定對象追蹤等領域。

識別系統的目標單對象人臉識別的最終目標是系統必須具有高度的安全性和可靠性,即識別錯誤率趨於0。雖然降低識別錯誤率的同時識別率也會降低,但可以通過提示用戶調整姿態(如注視攝像頭等)加以改善。

膚色模型由於單對象人臉識別僅針對特定的對象,所以人臉檢測的膚色模型可採用自適應的方法調整膚色范圍。

分類方法單對象人臉識別不存在人臉資料庫,常用的最小距離分類法不能夠正確識別特定的對象,只能用閾值作為判據。因此,閾值的選取十分重要,閾值過大則容易出現錯判,存在安全隱患;而閾值過小又會影響識別效率。

3人臉的檢測和歸一化

人臉檢測是人臉識別的前提。對於給定的圖像,人臉檢測的目的在於判斷圖像中是否存在人臉,如果存在,則返回其位置和空間分布。利用人臉膚色和面部特徵,將人臉檢測分為兩個階段:外臉檢測和內臉定位。外臉檢測主要利用人臉膚色進行初步的臉區檢測,分割出膚色區域;內臉檢測是在外臉區域中利用面部幾何特徵進行驗證和定位。

3.1外臉檢測

外臉檢測的任務是將待檢圖像中可能的人臉區域找出來並加以標記,其步驟如下:

(1)根據人類膚色在色彩空間中存在區域性的特點,將可能為人臉的像素檢測出來。為更好地利用膚色特徵,同時選用HSI和YcbCr兩種色彩空間對圖像進行二值化處理,膚色范圍限定在H∈[0,46],S∈[0.10,0.72],Cb∈[98,130],Cr∈[128,170]內。將滿足條件的像素標記為膚色像素,其餘的均為非膚色像素。

(2)去噪處理。在以每一個膚色點為中心的5×5鄰域內統計膚色像素的個數,超過半數時中心點保留為膚色,否則認為是非膚色。

(3)將二值圖像中的膚色塊作區域歸並,並對目標區域進行比例、結構分析,過濾掉不可能的人臉區域。目標區域的高度/寬度比例限定在0.8~2.0。

3.2內臉檢測和定位

將包含眼、眉、鼻和嘴的區域稱為內臉區域。內臉區域能夠很好地表達人臉特徵,且不易受背景、頭發等因素的干擾,因此內臉區域的檢測和定位對後續的特徵提取和識別至關重要。

在外臉區域的上半部,對二值圖像進行水平方向和垂直方向的投影,確定兩個包含黑點的矩形區域作為雙眼的大致區域。在確定的兩個區域中,對黑點進行區域膨脹,可以得到眼睛的基本輪廓和左石眼角,黑點坐標的平均值作為瞳孔的位置。

設左右瞳孔的坐標分別為(Lx,Ly)和(Rx,Ry),兩個瞳孔之間的距離為d,根據人臉的幾何特徵,我們將內臉區域定義為:寬度=-d×1.6,高度=-d×1.8,左上角坐標為(Lx-d×0.3,(Ly Ry)/2-(-d)×0.3)。實驗表明,該區域能夠很好地表達人臉特徵。

3.3內臉區域的歸一化

由於各待測圖像中的人臉大小具有很大的隨機性,因此,有必要對內臉區域進行歸一化操作。人臉歸一化是指對內臉區域的圖像進行縮放變換,得到統一大小的標准圖像,實驗中,我們規定標准圖像的大小為128×128。歸一化處理,保證了人臉大小的一致性,體現了人臉在圖像平面內的尺寸不變性。

對歸一化的人臉圖像,採用小波變換與DCT相結合的方法提取人臉特徵。首先對人臉圖像進行3層小波分解,取低頻子圖像LL3作為人臉特徵提取的對象,從而獲得每幅訓練樣本或測試樣本的低頻子圖像;然後對低頻子圖像進行離散餘弦變換(DCT),DCT系數個數與子圖像的大小相等(即256),由於圖像DCT變換,能量集中在低頻部分,因此只取其中的136個低頻系數作為特徵向量。

5人臉的識別

完成訓練過程並獲得待測樣本的特徵後,即可進行人臉識別,本文採用歐氏距離進行分類。

5.1計算樣本與平均臉的歐氏距離

用m和x表示平均臉和樣本的特徵向量,則樣本與平均臉的歐氏距離為:

其中mk表示平均臉的第k個特徵向量,xk表示待測樣本的第k個特徵向量。身份認證時,計算待測樣本與平均臉的歐氏距離,並與特定對象的自適應閾值進行比較,將小於閾值的樣本判為該對象的人臉,即認證通過。

5.2自適應閾值的選取

與典型的人臉識別方法不同,單對象人臉認識沒有人臉資料庫,不能用距離最小作為判據,只能用閾值作為判別依據。閾值的選取應兼顧識別率和識別的准確性,實驗中我們取訓練樣本與平均臉的歐氏距離平均值作為分類閾值,即:

其中,N為訓練樣本數,此值不宜太小;di為第i個樣本與平均臉之間的歐氏距離。

莫士特科技有限公司提供模式識別主板及解決方案。
希望採納

⑵ 有沒有以人名分類的人臉數據集

目前還沒有以人名分類的人臉數據集,這個建立起來也是比較龐大耗時的,但有點不科學,很多人同時擁有幾個名字,
或者有的人會改名字,就會造成數據重復,浪費資源

工作與生活的關系是相輔相成的,工作可以為生活提供保障,更好生活則是工作的目的。人如果不工作的話,生活不僅沒有保障,還會碌碌無為,失去價值和樂趣。但如果只工作的話,就沒有時間享受生活,這樣的經歷是不快樂的。

"工作狂",這個詞彙大家不陌生,印象中這是當代產生的一個極新的詞彙。它指的是對工作極度投入、近乎痴狂的一種人,這種人大概是不會"生活"或顧不得談"生活"的。

其實這樣的人很早就有,當然也遍及各地,只是未曾使用這個詞罷了。似乎每一個堪稱偉大的人無不是忘我工作的人。我們暫時把這種人說成是:工作第一、生活第二的人。甚至是人生中只有工作的人。

再就是所謂追求極致生活的,他們不一定非常富有,對工作也有熱情。只是他們認為工作是簡單又簡單的,在他們的世界絕不容許將生活說成是"日子"。應該說這樣的人過的是極度瀟灑和愜意的,他們的生命的意義在於此。這種人算是:生活第一、工作第二的人。

還有一種人最最理想、數量很多。那就是將工作和生活嚴格分開,工作就是工作,生活就是生活。"公私分明"是他們的原則和願望,從不混為一談。他們認為工作和生活是同樣重要的,工作是他們的需要,生活是他們的追求。

我還想說起這樣一種人,生活無疑是他們人生的最高目的,其實他們內心也沒有關於生活的概念,他們只是有這樣的邏輯:工作是為了生活,或者說,工作是為了更好的生活,不工作就不能生活。

這時候的生活的概念好像只是"活著"或"生存"。其實不然,它是一種意識。我覺得在我國傳統里有這樣的意識,所有人或者說絕大多數人的思路是受到這種邏輯的限制的。

我們當然不能忘記這樣一群人,他們是一群快樂的人。在他們的世界裡,工作和生活都是藝術化了的。他們從不思考活著是為了工作還是工作是為了活著的問題。在他們的每一天里,都是享受的。

還有多種多樣的人,有的是我們無法形象地形容的。

生活是一個人一生的全部過程,工作只是生活的一部分。如同生活中的很多方面一樣,沒有了工作,就是一點殘缺,便不完滿。終於可以理解為什麼有人為了工作而暫時放棄生活另一部分,生活不只是活著,但是活著是生活的基礎,只有生活起來,才算是真正地活著。

掌握好工作和生活的關系,是有利於我們的身心愉悅和成長的。

⑶ 虹軟人臉SDK的人臉特徵怎麼保存到資料庫

特徵碼是一個二進制欄位,一般資料庫提供一個二進制欄位來存儲二進制數據,比如SQL Server中的BINARY,VERBINARY;MYSQL用Blob;Oracle用blob或者bfile。

⑷ yaleb人臉資料庫和yale資料庫的區別

Extend Yale B 人臉資料庫, 一共38個人,每人64 張照片。 根據人臉與攝像機的方向角(12,25,50,77,90)將每人的64張照片分為5個sbusets。每人每個subset的人臉數目分別為(7,12,12,14,19。

⑸ 三維人臉資料庫文件格式除了obj wrl 還有什麼

多了去了....
比如FBX STL MAX C4D LWO MB 3DS

以上這些格式大多都對應一種三維軟體.....FBX,OBJ,STL等屬於通用格式...就是很多三維軟體都能打開的格式......MAX,3DS,C4D,MB等屬於專用格式...就是這些文件只能用特定的軟體才能打開

MAX和3DS格式 對應軟體是 3DMAX
C4D對應軟體是CINEMA 4D
MB對應軟體是MAYA
LWO對應軟體是LIGHTWAVE

以上這些格式....全部都可以創建三維人臉模型

⑹ android中人臉識別掃描人然後怎樣將圖像保存到本地資料庫

用AndroidSDK中的Face
Detector實現人臉識別
流程是這樣的:
1.
讀取一張圖片至Bitmap
(從Resource中,或是從手機相冊中選取)
2.
使用FaceDetector
API分析Bitmap,將探測到的人臉數據以FaceDetector.Face存儲在一個Face
list中;
3.將人臉框顯示在圖片上。

⑺ 虹軟人臉識別SDK臉庫是什麼

虹軟最近開放了人臉識別的SDK引擎(免費的哦),剛好有Android版的,就體驗了一波。下面來說說Android版的SDK使用心得:

ArcFace 虹軟人臉認知引擎簡介

  • 目前開放的版本有人臉比對(1:1)和人臉檢索(1:N),根據應用場景可選擇

  • 人臉檢索分為小型網路(檢測100人內),中型網路(1000人內),大型網路(需聯系虹軟官方)

  • 目前開放的功能有人臉比對,人臉識別,人臉追蹤

⑻ 求一份ORL人臉資料庫,謝謝

1.FERET人臉資料庫 -
由FERET項目創建,包含1萬多張多姿態和光照的人臉圖像,是人臉識別領域應用最廣泛的人臉資料庫之一.其中的多數人是西方人,每個人所包含的人臉圖像的變化比較單一

2.CMU-PIE人臉資料庫
由美國卡耐基梅隆大學創建,包含68位志願者的41,368張多姿態,光照和表情的面部圖像.其中的姿態和光照變化圖像也是在嚴格控制的條件下採集的,目前已經逐漸成為人臉識別領域的一個重要的測試集合

3.YALE人臉資料庫
由耶魯大學計算視覺與控制中心創建,包含15位志願者的165張圖片,包含光照,表情和姿態
的變化.

4. YALE人臉資料庫B
包含了10個人的5,850幅多姿態,多光照的圖像.其中的姿態和光照變化的圖像都是在嚴格控制的條件下採集的,主要用於光照和姿態問題的建模與分析.由於採集人數較少,該資料庫的進一步應用受到了比較大的限制

5. MIT人臉資料庫
由麻省理工大學媒體實驗室創建,包含16位志願者的2,592張不同姿態,光照和大小的面部圖像.

6. ORL人臉資料庫
由劍橋大學AT&T實驗室創建,包含40人共400張面部圖像,部分志願者的圖像包括了姿態,
表情和面部飾物的變化.該人臉庫在人臉識別研究的早期經常被人們採用,但由於變化模式較少,多數系統的識別率均可以達到90%以上,因此進一步利用的價值已經不大.

7. BioID人臉資料庫
包含在各種光照和復雜背景下的1521張灰度面部圖像,眼睛位置已經被手工標注
追問
有沒有專門詳細介紹ORL人臉資料庫的?這個是別的人問的答案,我也找到了。

⑼ 常用的人臉識別資料庫有哪些去哪裡找,最好免費。

給你提供幾個線索,數據都可以去數據堂下載。

1.FERET人臉資料庫 -
由FERET項目創建,包含1萬多張多姿態和光照的人臉圖像,是人臉識別領域應用最廣泛的人臉資料庫之一.其中的多數人是西方人,每個人所包含的人臉圖像的變化比較單一

2.CMU-PIE人臉資料庫
由美國卡耐基梅隆大學創建,包含68位志願者的41,368張多姿態,光照和表情的面部圖像.其中的姿態和光照變化圖像也是在嚴格控制的條件下採集的,目前已經逐漸成為人臉識別領域的一個重要的測試集合

3.YALE人臉資料庫
由耶魯大學計算視覺與控制中心創建,包含15位志願者的165張圖片,包含光照,表情和姿態
的變化.

4. YALE人臉資料庫B
包含了10個人的5,850幅多姿態,多光照的圖像.其中的姿態和光照變化的圖像都是在嚴格控制的條件下採集的,主要用於光照和姿態問題的建模與分析.由於採集人數較少,該資料庫的進一步應用受到了比較大的限制

5. MIT人臉資料庫
由麻省理工大學媒體實驗室創建,包含16位志願者的2,592張不同姿態,光照和大小的面部圖像.

6. ORL人臉資料庫
由劍橋大學AT&T實驗室創建,包含40人共400張面部圖像,部分志願者的圖像包括了姿態,
表情和面部飾物的變化.該人臉庫在人臉識別研究的早期經常被人們採用,但由於變化模式較少,多數系統的識別率均可以達到90%以上,因此進一步利用的價值已經不大.

7. BioID人臉資料庫
包含在各種光照和復雜背景下的1521張灰度面部圖像,眼睛位置已經被手工標注。