人脸识别

趁空闲的一点点时间向大家分享一个好用的人脸识别的应用——来自虹软公司的人脸识别 推荐这家的产品主要有以下几个理由~ 1、免费！免费！免费！ 它家比较良心。人脸识别、人证核验、活体检测等等一切的sdk都是免费下载使用的- -即使商用也可以~非常适合我这种小穷人 2、根据不同操作平台提供不同的SDK 目前可下载Windows x86，x64平台（c++/Java语言）、Linux x64平台（c++/Java语言）、iOS平台（Objective-C语言）与Android arm32平台（Java语言） 3、官方针对各版本的SDK均提供了对应的Demo，下载的SDK包里面有示例代码可以参考 这里丢个地址来算了……想试用demo的可以去下： https://ai.arcsoft.com.cn/ucenter/resource/build/index.html#/demoList 除官方提供的demo以外，如需使用其它语言开发，也可以自行封装。 4、虹软的人脸识别是应用于离线开发的，因为不需要网络，所以它的识别速度较快。 只有首次激活需要联网，后面就都可以离线用了，比较方便~ 好了，废话不多说，接下来就开始教大家怎样使用了。 1.首先就是去官网申请APPKEY，各种密匙，然后在下载jar包，这些就不一一给大家讲解了。注意一下，要在app的gradle里面加上这句话

人工智能数据标注案例大全 人工智能大势潮流越来越猛，作为人工智能发展的三大要素之一，数据的作用不可小觑，其中数据采集与数据标注是数据发挥作用的重要方向，我们集合整理了100个人工智能数据标注案例，供大家参考。 案例名称： 脸关键点标注 案例描述： 人脸关键点标注，对人脸范围内的关键点进行标注和微调，每个点有准确的位置，用于精密的表情变化和人脸关键点识别。 更多介绍： 随着AI技术的发展，人脸关键点也越来越精细（数量多），对标注员的基本功和标注团队审核能力的要求也越来越高。云测基于自建标注基地和自主研发的数据标注平台对所有的标注任务统一流程化管理，保证标注任务有序进行。 训练场景： 人脸识别 案例原文链接： 人脸关键点标注 来源： 51CTO 作者： wx5ddd00b1c6a10 链接： https://blog.51cto.com/14625562/2457473

随着深度学习技术的进步，面部相关任务的研究也成为学术界和工业界的热门话题。众所周知的面部任务通常包括面部检测，面部识别，面部表情识别等，其主要使用2D RGB面部（通常包括一些纹理信息）作为输入; 3D扫描成像技术的出现为面部相关任务 - 3D面部开发了一条新的探索路线。 与许多2D面部相关的任务介绍性文献/评论文章相比，3D面部的入门知识还不够好。本文将回顾和介绍三维人脸相关的基础知识，并总结一些关于三维人脸识别与重建的基础入门文献。 3D人脸基础知识 一般而言，RGB，灰度和红外人脸图像是2D人脸，其主要是在特定视角下表示颜色或纹理的图像，并且没有空间信息。用于训练深度学习的图像通常是2D。 2.5D是在某个视角下拍摄的面部深度数据，但由于角度问题，它显示的表面不连续，也就是说，当你试图旋转面部时，会有一些像沟壑一样的空隙区域。这是因为拍摄时未捕获被遮挡部分的深度数据。 那么3D面孔呢？它通常由不同角度的多个深度图像组成，完全显示面部的表面形状，并且在具有一定深度信息的密集点云中的空间中呈现面部。 相机模型 相机模型包括四个坐标系：像素坐标，图像坐标，摄像机坐标，世界坐标（高中物理老师的头部没有闪光灯谈论参考系统），摄像机成像过程是三维的 真实三维空间中的点映射到成像平面（二维空间）的过程也称为投影变换。 相机坐标→图像坐标 相机坐标系到图像坐标系的过程可用小孔成像解释

转自：知乎 https://zhuanlan.zhihu.com/p/25401788 早在指纹识别应用中就有针对于活体手指的检测技术，即使机器只对真人活体指纹产生识别反应，对其他一切物质不作识别，用于指纹识别产品如考勤机、门禁系统等。 活体指纹识别的原理比较简单：如识别皮肤的温度、人体皮肤的电容值等。 本文主要是针对人脸识别应用中出现的 人脸活体检测 做简要调研及论述。有关人脸检测相关内容可以参考我的另一篇文章—— 人脸检测与深度学习 传送门~ 知乎专栏 引言——人脸识别技术迈向更高层次的一大障碍：活体检测 随着线上支付的不断普及，相关的人脸识别等技术正在中国不断进步。近日，麻省理工科技评论评出全球十大突破技术，其中由“刷脸支付—— Paying with Your Face ”榜上有名。 技术突破：人脸识别技术如今已经可以十分精确，在网络交易等相关领域已被广泛使用。 重大意义：该技术提供了一种安全并且十分方便的支付方式，但是或许仍存在 隐私泄露问题 目前基于深度学习的发展，我认为还有一个问题就是 存在被伪造合法用户人脸的攻击的风险。 ——————————————- 更新补充分割线 ———————————————— 评论区有问到这方面的开源代码，我这边没有仔细找过，在github找了一些相关代码，没有验证过，汇总了一下希望对大家有帮助： 1.C++代码 https:/

【这段时间有点忙，终于截止今天2018.06.22完成了人脸识别的最后一道程序——活体检测之眨眨眼和张张嘴】 关于人脸识别的内容我之前也写过好几篇博文，其中有： {java实现人脸识别源码} {C#winforms实现windows窗体人脸识别} {人脸识别活体检测测试案例} 大家可以去看看，其中兼容性也比较良好，支持常用浏览器，火狐、谷歌、360、UC浏览器以及opera浏览器，源码也已经上传成功，所需要的JS文件和jar也都上传到资源页。 好了，我们废话不多说，先来说说今天的内容。 眨眨眼和张张嘴在哪里用的到呢？如果大家不知道其他的软件，大家肯定知道支付宝软件吧，其中支付宝软件登陆的时候就会语音提示眨眨眼和张张嘴来验证是不是本人登陆（限制照片登陆） 以前刚开始写的时候我写的人脸识别用照片也可以识别，然后好多粉丝留言说这太不安全了，还有几个用嫌弃的眼神对我说：你这做的还有啥用，我拿着你的照片来登陆，居然能登陆成功，还不如以前的密码登陆安全呢。（其实他没做出来~），我也没说啥，毕竟是自己做的不完善呢，忍气吞声继续深入研究。终于做出来了后来的活体检测，也就是上面的第二个链接！ 但是…… 这个活体检测有时候会失误！会失误！会失误！！！ 这是个很大的bug，于是我就开始开发现在的眨眨眼和张张嘴~ 一、首先我来说一下运行过程： 首先进入页面，login.jsp中，点击检测按钮

目前活体判断的方法很多，但很难基于一种方法就能达到理想的效果，往往需要多种算法的交叉判断，本文主要介绍一种简单有效的活体判断方法。 在很多情况下，高清照片和真人在某些光线条件下在相机中的成像很接近，这就导致仅仅基于面部的特征很难准确判断活体。但是肉眼在某些情况下可以轻易的分辨活体与非活体，这时大脑的工作原理不是基于面部特征去判断的，而是基于某些可疑的背景信息，例如人手拿着pad或者照片在摄像头前，这是我们可以从背景信息中识别到活体攻击。 基于上述的原理，我们可以检测Pad，手机，照片等攻击媒介来过滤一些活体攻击。首先在检测到人脸后，以人脸为中心向外扩，形成一个比较大的区域，然后在此区域内进行攻击媒介的检测。如下图所示，在真人，照片攻击，Pad攻击时此区域的特征明显不同。 针对上述区域的攻击媒介检测方法有很多选择，可以提取LBP/HOG特征后进行分类，可以基于cascade进行物体检测，还可以基于深度学习的方式进行检测。 当然，基于该方法的活体判断在一些场景下会失效，例如照片离相机很近，图像范围内未检测到攻击媒介就识别不出是活体攻击。正如开始提到的，活体识别需要多个算法交叉检测，使用该方法可以识别出一部分的活体攻击，另外还需要更多的活体判断算法进行进一步的确认。后续会介绍更多其他的活体识别算法。 目前人脸识别厂商神目科技对外免费开放人脸识别及活体检测SDK

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。 然而独立式人脸识别模组是基于高速MIPS处理器平台，内嵌业内领先的人脸识别算法，集成了具有自主知识产权的光学人脸识别传感器。通过UART通讯接口方式，配合简单外围电路即可将该人脸识别模块嵌入到第三方智能化产品中，使第三方产品具有强大的人脸识别能力。 功能：人脸识别、人脸检测、模板提取、模板存储、模板删除、人脸特征比对(含1：1和1：N)等功能。 标准产品组成 核心板模块：高速MIPS处理器（@1GHz），存储（256MB DDR3 SDRAM） 双摄像头模块：红外摄像头+彩色摄像头 通讯方式 采用UART\USB-NET通讯方式，通讯协议简单可靠，可连接不同上层设备，包括PC、单片机等。 规格 CPU：高速MIPS处理器@1 GHz RAM：256MB DDR3 SDRAM 内存容量：4GB eMMC FLASH， MMC接口 启动时间（空数据库时）：< 20秒 人脸存储容量：1,000人 识别模式：1:1和 1:N 误识率（FAR）：<0.001% 拒识率（FRR）：<1.0% 上位机通讯方式：UART（LVTTL电平），USB-NET UART通讯波特率

随着人脸识别、人脸解锁等技术在金融、门禁、考勤、人证合一等日常生活中的广泛应用，人脸防伪/活体检测（Face Anti-Spoofing）技术在近年来得到了越来越多的关注。 简单来说，活体检测就是要识别出成像设备（摄像头、手机等）上检测到的人脸图像是来自真实的人脸，还是某种形式的攻击或伪装。这些攻击形式主要包括照片（包括纸质照片和手机、平板等电子设备上的照片）攻击、视频回放攻击、面具攻击等。 活体检测包括普通彩色（RGB）摄像头上的检测，也包括红外摄像头、三维深度摄像头上的检测。后面两种相对容易实现，这里主要讨论普通RGB摄像头上的活体检测。 以前的动作活体检测的方式具有很高的安全性，但要求用户配合做几个动作，因此体验不好。现在的活体检测不需要用户动作配合，被称作静默活体检测。 此外，活体检测要求实时完成，在不超过1秒，最好在300毫秒内完成识别。 现在主流的活体识别算法基本可以分为两种类型。第一个类型使用特定的某种物理特征，或多种物理特征的融合，通过深度学习方面的训练分类器，来区分是活体，还是攻击（或者是哪种形式的攻击）。另一个方式是使用卷积神经网络（CNN）的方法，直接在RGB图像（或者转换到其它色度空间）上使用深度神经网络来提取特征，最后通过分类器来区分是活体还是非活体。为了提取时间上多帧而不是单帧的信息，也可以结合使用RNN的方法。CNN的方法能达到很好的效果

论文：PyramidBox: A Context-assisted Single Shot Face Detector 原文链接： https://arxiv.org/abs/1803.07737?context=cs PyramidBox是2018年的人脸检测冠军方案 先上一个效果图，该图据报道有1000人，PyramidBox人脸检测器检测到了880张人脸，图片右侧的颜色条表示检测置信度，可以发现只有少数boxes(人脸)的置信度比较低。颜色越浅，置信度越低。 摘要 人脸检测的一个 挑战 是检测不受控制条件下 小的，模糊的，和部分遮挡的 人脸。本文提出了一个上下文辅助的single shot人脸检测器——PyramidBox，来解决人脸检测的难题。我们在下面三个部分 改进了上下文信息的利用 。1）设计了一种新的上下文anchor来监督由半监督方法学习到的高层上下文特征，我们把它叫做 PyramidAnchors 。2）提出了一种低层特征金字塔网络（ LFPN ）整合高层的语义信息和低层的面部特征，他可以使PyramidBox以single shot的方式预测所有尺度的人脸。3）我们引入了一个 上下文敏感结构 来增加预测网络的容量，以提高输出的最终准确性。PyramidBox在两个人脸检测基准数据集，FDDB和WIDER FACE上取得了state of the art的结果。

人脸识别技术目前已经非常成熟，识别率也越来越高。人脸识别技术与其他生物特征识别技术相吃比，在实际应用中具有天然独到的优势：通过摄像头直接获取，可以非接触的方式完成识别过程，方便快捷。 目前已应用在金融、教育、景区、旅运、社保等领域，但方便的同时也带来了一些问题，易获取，使得人脸容易被一些人用照片、视频等方式进行复制，从而达到窃取盗用信息的目的。尤其是在新兴的金融行业，人脸识别技术已逐渐用于远程开户、取款、支付等，涉及用户的切身利益。 那么什么是APP上的人脸识别技术呢？通俗地讲，就是在人脸识别的过程中证明你确实是个“活人”，不是照片、视频或其他神马，证明你是个人，你就是你。那么银行APP上的人脸识别技术技术对攻击有多重对抗措施，下面就带大家去感受下其中的奥秘。人脸识别APP技术开发主要内容包括：人脸检测、活体算法检测、3D检测、连续性检测 1.人脸检测定位人脸在哪里，检测活体过程中是否出现无人脸、多人脸的情况，可有效防止两个人的切换或人与照片的切换。 2.活体算法检测判断用户是否为正常操作，通过指定用户做随机动作（摇头、点头、凝视、眨眼、上下移动手机），防止视频攻击、非正常动作的攻击。经实践证明，我司上下移动手机活体检测方法，即使录制自己本人的视频亦无法通过！ 3.3D检测验证采集到的是否为立体人像，能够防止平面照片、不同弯曲程度的照片等。 4