基于Android平台實作人臉識别

前言

在深度學習出現後，人臉識别技術才真正有了可用性。這是因為之前的機器學習技術中，難以從圖檔中取出合适的特征值。輪廓？顔色？眼睛？如此多的面孔，且随着年紀、光線、拍攝角度、氣色、表情、化妝、佩飾挂件等等的不同，同一個人的面孔照片在照片象素層面上差别很大，憑借專家們的經驗與試錯難以取出準确率較高的特征值，自然也沒法對這些特征值進一步分類。

深度學習的最大優勢在于由訓練算法自行調整參數權重，構造出一個準确率較高的f(x)函數，給定一張照片則可以擷取到特征值，進而再歸類。本文中筆者試圖用通俗的語言探讨人臉識别技術，首先概述人臉識别技術，接着探讨深度學習有效的原因以及梯度下降為什麼可以訓練出合适的權重參數，最後描述基于CNN卷積神經網絡的人臉識别。

如果想詳細看本篇文章的視訊詳解，以及更多系統進階視訊。可以加技術群；701740775免費領取。麻煩備注一下csdn領取人臉識别進階視訊

1.人臉追蹤的應用場景

人臉識别的英文名稱是 Human Face Recognition.人臉識别産品利用AVS03A圖像處理器；可以對人臉明暗偵測,自動調整動态曝光補償，人臉追蹤偵測,自動調整影像放大。

廣義的人臉識别實際包括建構人臉識别系統的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識别預處理、身份确認以及身份查找等；而狹義的人臉識别特指通過人臉進行身份确認或者身份查找的技術或系統。[1]

人臉識别是一項熱門的計算機技術研究領域，它屬于生物特征識别技術，是對生物體（一般特指人）本身的生物特征來區分生物體個體。生物特征識别技術所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識别技術就有人臉識别、指紋識别、掌紋識别、虹膜識别、視網膜識别、語音識别（用語音識别可以進行身份識别，也可以進行語音内容的識别，隻有前者屬于生物特征識别技術）、體形識别、鍵盤敲擊識别、簽字識别等。

人臉識别系統主要包括四個組成部分，分别為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及比對與識别。

人臉圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜态圖像、動态圖像、不同的位置、不同表情等方面都可以得到很好的采集。當使用者在采集裝置的拍攝範圍内時，采集裝置會自動搜尋并拍攝使用者的人臉圖像。

人臉檢測：人臉檢測在實際中主要用于人臉識别的預處理，即在圖像中準确标定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顔色特征、模闆特征、結構特征及Haar特征等。人臉檢測就是把這其中有用的資訊挑出來，并利用這些特征實作人臉檢測。

主流的人臉檢測方法基于以上特征采用Adaboost學習算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。

人臉檢測過程中使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照權重投票的方式将弱分類器構造為一個強分類器，再将訓練得到的若幹強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

2.NDK開發的原理

3.OpenCV如何在Android中發光發熱

4.人臉識别訓練架構體系

5.圖像處理基本算法

通過OpenCV 和 Matlab圖像處理實驗開始，通過對圖像的各種處理，了解和掌握圖像處理的效果。形态學一般是使用二值圖像，進行邊界提取，骨架提取，孔洞填充，角點提取，圖像重建。基本的算法:膨脹腐蝕，開操作，閉操作，擊中擊不中變換

幾種算法進行組合，就可以實作一些非常複雜的功能，而且邏輯嚴密。

6.人臉識别在android中架構手寫

附錄

Android進階技術大綱，以及系統進階視訊；

Android進階技術大綱

Android進階進階視訊資料

擷取方式；

加Android進階群；701740775。即可前往免費領取。免費備注一下csdn