人脸识别技术在安防中的应用概述
在安防中监控系统是整个安防必不可少的一个构成因子，而视频监控系统（Video Surveillance System）功能主要被应用于安保防、采集信息等方面，不过在很多领域中的视频监控功能仅用于录制现场图像，为事后提供证据，因此导致安防系统中视频监控缺乏主动性。所以现在所提出的人脸辨识视频监控系统（Face recognition video monitoring system）设计方案目的是希望在某些保密性强的环境下，辨识场景中的陌生人，若发现陌生人即可实时同步追踪，在此基础上予以上报处理，同时还能够在特定环境下检测特定人物的区域。
人脸识别智能视频监控系统（Video Surveillance System）的主要结构
现在视频监控系统已广泛运用到各个行业之中，核心内容是他们是谁？他们在干什么？何时？何地？而且智能视频监控无需人工操作，主要是通过电脑视觉与视频分析设备拍录图像，在此基础上使其自动进行分析，从而能够定位、辨识以及跟踪动态场景中的目标，从而分析以及判断出目标行为，确保视频监控系统完成管理工作，若出现问题也可以第一时间予以有珍贵性的处理。智能视频监控系统主要包括图像采集、处理以及分析等几个主要单元。
图像获取（Image Acquisition）是指运用硬件系统从而获得图像的过程。
图像处理（Image Processing）主要是进行一系列的数据、图像分析。前者经采集图像数据进行压缩与存盘，实现数据传输功能。但是会因外界环境因素影响，造成硬件设备所采集的原图质量下降，但可运用图像预处理技术更好的完善图像质量，这样利于从根本分析图像数据。
图像分析（Image Analysis）即予以细化、定位并追踪目标。
图像理解（Image Understanding）是基于图像分析前提条件下进行深入的研究。
面部辨识即经电脑摄像头实施面部动态图像的捕捉，在此基础上辨识面部图像和库内图像。在实施采集面部时是非接触性和友好性，以至于人们没有心理排斥人脸辨识技术，因此面部辨识技术构建了友好生物特性认证技术。面部辨识技术为基础算法，然后根据面部与特性区域间关系，在此基础上获取相应的参数，同时和库内数据予以对比，通过进行自主的判断完成最终的确认。面部辨识依附于其外结构的改变实施有针对性的图像处理。其优点是不需当事人配合，比较适合隐蔽场合。也适合远距离采集面部图像，能更好的取替传统方法。与其他生物特性辨识技术相比起不需要过多的用户，予以非接触式图像采集，因此这种技术可从根本弱化对辨识目标的侵犯性；面部辨识设备具有造价低廉的优势，其核心结构为摄像头，经摄像头采集目标面部图像。系统根据目标面部表情和特性来确认目标身份，更具可靠性与安全性，日渐被广大群众所接受。
人脸识别技术在视频监控系统之中的具体应用
智能视频监控的作用即对被监控目标行为予以分析，在此基础上做出响应，所以精准辨识被监控目标的身份就非常的必要。细化的脸部辨识即依附于系统新传输的人脸图像和既有的人脸数据库予以对比，在此基础上分析此图像有无录入至库内，若在此图像数据库内，那么就提供相应的信息参数。
而宏观的人脸辨识则囊括了下述基本内容：
人脸检测：就是从差异化的场景内提取个体化脸部图形，同时明确其具体所处区域。这一任务会收到光线及头部角度的影响。
人脸表征：也就是检测出的脸部与数据库内录入人脸的描述方式。一般的体现形式涵盖了几何特性、矩阵的特性矢量、固定特性以及云纹曲线等。
人脸识别是将所需辨识的脸部图像与数据库中的已知图像进行对比，在此基础上获取相关信息。人脸识别的主要内容即择取有针对性的面部表示方式。
表情分析：即对所需辨识面部的表情予以分析，并对其实施划分。
物理分类：即对所需辨识面部的物理特性予以划分，同时明确目标的基本信息，自动人脸辨识系统如图1所示，系统主要包括训练与辨识两个主要流程，所有流程均需检测及定位人脸、脸部图像的预处理以及特性提取。
人脸的检测与定位：也就是检测图像内是否存在人脸形态，如果某一简单的背景中有人脸形态那么就将人脸进行标示。而针对一些背景繁琐区域中多目标的状态下，检测有效性将从根本被弱化。现阶段所使用的算法一般对简单环境中单目标比较有效。面部检测最大的问题就是人的面部并不属于刚性特征，在一定程度上会存在变化，因此既有的成像条件增加了检测的繁琐性。
面部图像预处理：面部检测采集的图像，会出现角度偏差亦或光线问题的影响，一般要实施几何、灰度归一化处理。前者也就是把面部图像处理技术变更为统一尺寸时面部在非角度偏差状态下的图片；后者即对图像进行光源补偿，如果主元分析法会经去均值的途径实施光源的补偿，那么根据实际情况亦能够经标准差进行归一化处理。
特性提取选择：面部的辨识一定要依附于个体化脸部特性，换而言之，在个体化面部差异的基础上，对同一个面部特性实施标准化度量。现阶段领域内还没有找到有效的特性提取机制，实践过程中大多依附于不同的算法达到降维的效果，其中包括特性脸方法中KL变换，其隶属典型的特性提取。而主元选取则为特性选择。除此之外还有DFT以及DCT小波变换等等。上述方式均依附于整个脸部特性进行提取，而针对脸部区域化特性的提取方法则以Gabor变换为代表的。
面部辨识：在人脸辨识前对面部数据库予以处理，并采集个体化信息数据，而且要独立的设置数据库。在面部辨识的过程中，仅需经同样的方法获取输入面部图片的特性数据，同时对比库中的个体数据。未进行对比时要精准的掌握相似性之间的关系，而较为多见的主要有欧氏距离、贝叶斯准则。辨识主要包括两类：第一类，为人脸辨认，亦为需明确被辨识个体参数；第二类，即身份证实，仅需判断辨识目标有无存在于数据库。
本文所研究的系统依附于特性提取及选择。因为预处理流程与图像处理为正相关，而后的辨识流程与常规的模式辨识问题是相互统一的。人面部表情会有一定程度的变化，即为塑性变形体，而且对于人类的辨识能力，目前学界尚未达成共识，因此需要进行深入的探究。
目前，人脸辨识技术正在被广泛应用于各个领域，通过面部特性辨识身份，即未来各领域的发展趋势。而随着经济、信息技术的发展，视频监控系统内广泛的应用于民众的生产及生活之中，将面部辨识技术与视频监控应用于安防，赋予安防系统更高的智能性与灵活性，是未来安防系统发展的大趋势。
注 ：转自网络文章
相关资讯：