機器視覺系統(tǒng)應用之人臉識別中的八大難題
發(fā)布時間：2015-07-09 新聞來源：中國電氣自動化網(wǎng)
機器視覺系統(tǒng)應用之人臉識別中的八大難題
機器視覺系統(tǒng)應用之人臉識別,，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用工業(yè)相機或者工業(yè)攝像機采集含有人臉的圖像或視頻流,，并自動在圖像中檢測和跟蹤人臉,，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別,、面部識別,。
最近在看人臉識別相關文獻，根據(jù)文獻總結歸納以下八大難點,，我從難到易進行羅列,。
其實，人臉識別算法研究已久,，在背景簡單的情形下,，大部分算法都能很好的處理。但是,，人臉識別的應用范圍頗廣,，僅是簡單圖像測試，是遠遠不能滿足現(xiàn)實需求的,。而能否應對復雜情形下的圖像,，則成了檢驗各家方法的硬標準。
以下羅列該八個難點：
年齡變化
隨著年齡的變化,，面部外觀也在變化,，特別是對于青少年，這種變化更加的明顯,。對于不同的年齡段,，人臉識別算法的識別率也不同。 不同時期的人臉像如何識別,？少年,、中年、老年,。
圖像質量
人臉圖像的來源可能多種多樣,，由于采集設備的不同,，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率,、噪聲大,、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖片、遠程監(jiān)控拍攝的圖片等)如何進行有效地人臉識別是個需要關注的問題,。同樣的,，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。 攝像頭,，攝像機,，遠程監(jiān)控，高端相機,。,。。,。如何識別,？圖像質量參差不齊。
海量數(shù)據(jù)
傳統(tǒng)人臉識別方法如PCA,、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進行訓練學習,。但是對于海量數(shù)據(jù)，這些方法其訓練過程難以進行,，甚至有可能崩潰,。 如何解決海量數(shù)據(jù)的學習問題？
大規(guī)模人臉識別
隨著人臉數(shù)據(jù)庫規(guī)模的增長,，人臉算法的性能將呈現(xiàn)下降,。 如何維持或提高大規(guī)模應用環(huán)境下的人臉識別算法的識別率？
光照問題
光照問題是機器視覺重的老問題,，在人臉識別中的表現(xiàn)尤為明顯,。目前方法未能達到使用的程度。 如何克服光照的影響,？
姿態(tài)問題
與光照問題類似,，姿態(tài)問題也是目前人臉識別研究中需要解決的一個技術難點。針對姿態(tài)的研究相對比較的少,，目前多數(shù)的人臉識別算法主要針列正面,、準正而人臉圖像，當發(fā)生俯仰或者左右側而比較厲害的情況下,，人臉識別算法的識別率也將會急劇下降,。 哭，笑,，憤怒,、仰頭,、低頭,，左側臉,，右側臉，如何識別,？
遮擋問題
對于非配合情況下的人臉圖像采集,，遮擋問題是一個非常嚴重的問題。特別是在監(jiān)控環(huán)境下,，往往彼監(jiān)控對象都會帶著眼鏡,，帽子等飾物，使得被采集出來的人臉圖像有可能不完整,，從而影響了后面的特征提取與識別,，甚至會導致人臉檢測算法的失效。 眼睛,，帽子,、劉海，傷疤,，如何識別,？
樣本缺乏
基于統(tǒng)計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統(tǒng)計學習方法需要大量的訓練,。由于人臉圖像在高維空間中的分布是一個不規(guī)則的流形分布,，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統(tǒng)計學習問題有待進一步的研究,。 學習樣本不全怎么辦,，誰能保證樣本的完備性？
【打印】 【關閉】
| 分享到： |  qq空間 |
 新浪微博 |
 人人網(wǎng) |
 豆瓣網(wǎng)
|
 MSN |
 騰訊微博 |