E-Dreamer

脚踏实地,仰望星空

  博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

参考:https://blog.csdn.net/duan19920101/article/details/50683988/?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242

注:以前做过基于KNN算法的人脸识别,但是未做这样的总结,这不今天面试被问到了,所以记录了一番!

一.光照问题

光照问题是机器视觉中的老问题,在人脸识别中的表现尤为明显。目前方法未能达到使用的程度。
如何克服光照的影响?
目前经常使用的方法有:直方图均衡化处理,必要的话会对人脸区域的左、右脸分别进行直方图均衡化,然后合并成整脸来克服光照的影响。Gabor小波受光照的影响较小。

二.姿态问题

与光照问题类似,姿态问题也是目前人脸识别研究中需要解决的一个技术难点。针对姿态的研究相对比较的少,目前多数的人脸识别算法主要针列正面、准正而人脸图像,当发生俯仰或者左右侧而比较厉害的情况下,人脸识别算法的识别率也将会急剧下降。
哭,笑,愤怒、仰头、低头,左侧脸,右侧脸,如何识别?
对于有一定偏转角度的人脸,我们会首先对其进行摆正,即将人脸摆正成正脸,然后进行识别;对于表情变化较大的人脸,本人还没有找到比较有效的方法。

三.遮挡问题

对于非配合情况下的人脸图像采集,遮挡问题是一个非常严重的问题。特别是在监控环境下,往往彼监控对象都会带着眼镜,帽子等饰物,使得被采集出来的人脸图像有可能不完整,从而影响了后面的特征提取与识别,甚至会导致人脸检测算法的失效。
眼睛,帽子、刘海,伤疤,如何识别?
进行人脸识别前,我们会首先对人脸部分进行特征点的标记,而且现在标记特征点时基本可以有效地避免以上因素的影响,问题就是在提取特征点周围的特征时,这些遮挡会有一定的影响,不过影响不会太大。

四.年龄变化

随着年龄的变化,面部外观也在变化,特别是对于青少年,这种变化更加的明显。对于不同的年龄段,人脸识别算法的识别率也不同。
不同时期的人脸像如何识别?少年、中年、老年。

 

这个问题最直接的例子就是身份证照片的识别,在我国身份证的有效期一般都是20年,这20年间每个人的容貌必然会发生相当大的变化,所有在识别上也同样存在很大的问题。

五.图像质量

人脸图像的来源可能多种多样,由于采集设备的不同,得到的人脸图像质量也不一样,特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。同样的,对于高分辨图像对人脸识别算法的影响也需要进一步的研究。
摄像头,摄像机,远程监控,高端相机。。。。如何识别?图像质量参差不齐。
现在,我们在人脸识别时,一般采用的都是相同尺寸,清晰度很接近的人脸图片,所以图像质量问题基本可以解决,但是面对现实中更加复杂的问题,还需要继续优化处理。

六.样本缺乏

基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法,但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布,能得到的样本只是对人脸图像空间中的一个极小部分的采样,如何解决小样本下的统计学习问题有待进一步的研究。
学习样本不全怎么办,谁能保证样本的完备性?
当前的问题不仅有样本不全的问题,还有就是,现在参与训练的人脸图像库基本都是外国人的图像,有关中国人、亚洲人的人脸图像库少之又少,给训练人脸识别模型增加了难度。

七.海量数据

传统人脸识别方法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据,这些方法其训练过程难以进行,甚至有可能崩溃。
如何解决海量数据的学习问题?
当前我使用的系统的基本可以训练上万张的人脸图像,但是训练时间较长,使用并行处理会有较大的提升。对于更多的图像数据,现在的深度学习、神经网络也可以解决,不过对图像的规格有很严格的要求,如:尺寸一致等等。

八.大规模人脸识别

随着人脸数据库规模的增长,人脸算法的性能将呈现下降。
如何维持或提高大规模应用环境下的人脸识别算法的识别率?
当训练图像库越来越大时,训练的速度会有大幅度下降,但是对于一般的算法,识别率会有所提高。影响识别率的主要原因还是采集到的图像质量。
 
综上所述,我认为最最主要的问题是:光照、表情、年龄变化。
 
 
 
posted on 2020-08-06 21:38  E-Dreamer  阅读(3973)  评论(0编辑  收藏  举报