人脸识别概述

基于人脸识别的智能门禁系统设计 在当前的技术背景下,本文精心打造了一款前沿的视频识别门禁控制系统。在进行调试的时候使用的软件是Keil,编写完代码,生成文件后用下载器下载到单片机上,就能够进行程序的调试了,本次设计实现了预先设定的目标,达到了预期的效果。本次设计的人脸识别的门禁控制系统其硬件部分是以STM32F103C8T6为核心的单片机,采用0V2640摄像头对人员的人脸识别,采用矩阵按键对系统的操作以及密码的输入,使用蜂鸣器来作为报警模块,开门装置是电子锁控制,显示设备采用OLED液晶显示,无线模块在一番思索后选择了蓝牙模块传输。 阅读详情

欢迎关注微博:


一 人脸识别系统结构

图1显示了人脸识别系统所包含的各个模块,其中,图像采集模块用于采集包含人脸的图像;人脸检测跟踪模块用于确定视频中人脸的位置和大小,并确定同一个人在帧间的对应关系;而特征点定位模块用于定位眼睛、嘴巴等脸部特征点的位置;图像质量评估模块,用于从采集的同一个人的多张人脸图像中,根据人脸姿态和光照条件选择最适合识别的一张或者几张人脸进行人脸识别/认证;人脸特征提取模块用于根据眼睛位置将人脸进行标准化,得到设定大小的脸部区域,并提取用于识别的人脸特征;人脸认证/识别模块用于判定当前人脸特征是否为库中人脸特征;活体认证模块,其作用是识别当前是真人还是照片、视频或者模型,从而避免仿冒造成的损失,在银行门禁,社保远程识别等应用中必不可少。

 

人脸识别概述

人脸识别系统框图

二 人脸检测跟踪技术

人脸检测跟踪是人脸识别系统的前端,是其它模块处理的基础。相对其它模块,人脸检测跟踪模块的技术相对成熟,基本能够达到实际应用的需求。

早期曾经出现过诸如支持向量机,神经网络等经典的人脸检测技术,但是直到Viola[1]提出了基于Haar-like特征和Discrete AdaBoost的层次型人脸检测技术后,人脸检测才真正成为一个从性能到速度都基本满足实际应用需求的技术。该论文中采用的积分图像快速计算矩形区域亮度和的方法以及层次型的分类器结构成为计算机视觉领域的经典方法。此后,基于其方法,出现过很多改进方法。清华大学艾海州老师的硕士武勃[2]提出的基于Haar-like特征和Real AdaBoost的巢型的人脸检测技术,是后续改进方法中的佼佼者,该方法采用查找表(LUT,Look-Up Table)方式,使得每个弱特征的表示能力更强,此外,巢型(Nest-structured)结构,更好的利用了前层信息,克服了层次型(Cascade)丢失前层信息的缺陷。中科院计算所高文老师处的Yan shengye[3]在CVPR 2008发表的基于局部编码二值模式特征(LAB,Locally Assembled Binary)和巢型Real AdaBoost的方法,其采用Schneiderman[4]提出的Feature-Centric的方式来使用特征,克服了现有框架中在判定相邻位置是否人脸时,多次计算同一特征,从而造成冗余运算的缺陷。该方法中提出的LAB特征,融合了LBP特征中的二值编码模式和Haar-like特征中的矩形区域亮度和特征,对于区域亮度模式很强的人脸模式表示能力很强,而且,易于定点化。此外,Feature-Centric的方法在构建多姿态人脸分类器时,由于特征公用,处理速度得到大幅提高。此外,该论文中还采用了该作者提出的[5]Matrix-Structural Learning的训练方法,该方法采用类似反样本Bootstrap的方法对正样本进行Bootstrap,从而能够挑选难分类的正样本进行训练,也使得大规模的使用正样本成为可能,克服了计算机内存的限制。多姿态人脸检测技术是人脸检测技术领域的一个研究难点和热点。为了减少类内距离,基本的思路是将多姿态人脸进一步划分为子姿态,但是划分的方式以及后续处理策略又千差万别。基于金字塔结构的方法,基于树形结构的方法,基于姿态估计器的方法,以及黄畅[6]等提出的基于Vector Boosting的方法。该方法的思路也是将多个姿态划分为子姿态,然后,分别为各个姿态训练子分类器,但是,各子分类器公用特征,从而减少所采用的特征数目,提高了处理速度。

人脸跟踪是物体跟踪技术的一个子领域,既具有物体跟踪技术的一般特点,也具有自己独有的特点。经典的方法中,既包括基于卡尔曼滤波的预测方法,也有在实际应用中取得不错效果的基于Mean Shift、粒子滤波(Particles Filter)的方法,而基于直方图(Histogram),自相关矩阵(Covariance Matrix)等特征匹配的方法也是一个方向。近年来,跟踪被看作是物体和背景区域的一个两类分类问题。基于这一思想,基于统计学习的方法被应用在跟踪中。其中,基于增量子空间的方法,Ensemble Tracking的方法, On-line Boosting的方法被引入跟踪,开阔了跟踪方法的思路。

检测和跟踪是相辅相成的两个问题,检测可以用来作为跟踪的初始条件,也可以用来验证跟踪结果的可信程度,而跟踪可以用来作为限定检测的搜索范围,也能用来确定检测目标在帧间的对应关系。在实际应用中,为了达到速度和效果的综合性能,二者需要紧密结合,相辅相成。而最近,出现了很多将物体检测和物体跟踪结合到一个框架下处理的方法,使得二者更加紧密的结合起来。其中,李源[7]等提出的基于粒子滤波和在线学习的方法是此类方法的代表。

人脸检测虽然取得了很多进步,但在实际应用中,对于诸如监控场景等低帧率、相互遮挡、光照条件恶劣的高清图像下的超大人流量的人脸检测跟踪问题,为了达到速度、检测率和误检率的完美统一,依然需要综合利用包括运动信息、肤色信息以及摄像机成像模型等各种限制信息,并将检测和跟踪结合起来。

三 人脸特征点定位方法

人脸特征点定位,是人脸识别中十分重要的问题,因为其精度直接影响人脸的对准程度,从而直接影响人脸识别的精度。简单的脸部特征点定位问题,可以仅仅包含左眼和右眼中心点的定位,或者进一步包含嘴边中心点的定位。而复杂的脸部特征点定位则可能包括眼睛,嘴边,鼻子器官周围边缘轮廓点和中心点,以及脸颊边缘轮廓特征点的定位。采用何种特征点定义方法,取决于人脸识别问题的应用条件,以及选择的人脸识别算法。

特征点定位的方法可以简单划分为基于启发式规则的方法,基于概率模型的方法以及基于分类器模型的方法。基于启发式规则的方法,一般是找到特征点区域图像在亮度,边缘,形状,纹理等满足的特性,根据事先定义的规则找到符合特性符合这些规则的方法。而基于概率模型的方法,则是统计特征点区域特征符合的概率模型,通过最大化后验概率来找到特征点位置,其中基于AAM和ASM的方法是这类方法的代表。所采用的特征可以采用图像的亮度,边缘等特征,也可以采用特征点之间的形状分布来限定。而基于分类器模型的方法,则是把每个特征点所在区域和其它脸部区域看作是一个两类分类问题,采用支持向量机,AdaBoost等分类器算法,训练得到一个能够区分特征点区域的模型。然后,在图像上寻找各个尺度各个位置的通过分类器的特征点区域。

基于启发式规则的方法,扩展性比较差,而且,参数和规则十分难调,而基于概率模型的方法,效率一般要低些,而且,采用的模型往往具有一定的局限性,而基于分类器模型的方法,参数为自动训练获得,而且,鲁棒性更高,但是,却无法得到比较稳定精确的中心点位置。因此,更好的方法是将三者结合。首先采用基于分类器模型的方法寻找特征点候选位置,然后采用特征点中心的图像特性进行分析,进而采用概率模型进行约束,在底层图像信息和全局相对位置约束下,找到一个最优解。文献[8]、文献[9]均是近期该类方法的代表。

四 图像质量评估

对于视频输入的人脸识别问题而言,如何将视频中的多张人脸信息进行融合,对于提高识别率是十分重要的。一个简单的思路是从多幅人脸中找到和人脸库中条件最接近的人脸用来做识别。因此,可以对输入图像的姿态条件、光照条件、分辨率条件等进行分析,找到和人脸库中条件最接近的人脸用于识别,这样做,一方面一定程度克服了姿态和光照对于识别率的影响,另外,由于避免将所有采集的人脸都用于识别,提高了处理速度。

但是图像质量评估是一个十分困难的问题,这是一个停留在工程应用和探讨阶段的问题,并没有明确的理论和方法。

五 活体检测

对于银行等重要场所的门禁和远程身份认证的应用而言,活体检测是一项重要的功能。活体检测的思路主要有几类,一类是从传感器的特性,摄像机的双目成像原理等找到真实人脸和照片、模型等的区别,比如采用温感传感器探测真实人脸表面的温度分布以区别于屏幕,照片和模型,或者采用双目摄像头得到人脸表面的深度信息以区别于照片和屏幕。一类是利用人的局部运动,比如人眼区域,嘴巴区域的局部运动,而无论是照片还是模型,都无法发生局部运动。而检测局部运动的方法,一种可以检测帧间人脸各区域的运动情况,此外,可以采用眼睛、嘴巴附近的表观模型检测眼睛的开闭状态或嘴巴的开闭状态。

六 人脸识别方法

基于脸部特征点的位置可以将人脸归一化为大小相同,特征点位置对齐的脸部区域。进一步,可以在亮度特征的基础上提取鉴别能力更强的特征,并送给分类器进行人脸识别。人脸识别领域最悠久最经典的方法莫过于基于特征脸(即PCA分解)的方法了,而Gabor特征无疑是人脸识别领域最常用和最成功的特征了,基于弹性模板匹配[12]的方法是其中最经典的方法之一。近年来,LBP特征在人脸分析、纹理分析等领域取得了广泛应用。一些实验表明LBP特征在人脸识别和表情识别上的优异性能。中科院自动化所的张文超[10]等人将LBP编码和Gabor特征进行结合,提出了LGBP特征,一些实验表明,该特征的性能比Gabor和LBP特征更加优异。

但是,上述特征都存在一个特征维数高,构造分类器复杂的问题。为了解决这个问题,大家形成共识的一个思路是对提取的特征进行PCA降维或者采用AdaBoost进行特征选择,得到分类能力强的部分特征,而得到分类特征之后,则可以采用基于MQDF,Intersect直方图距离,余弦角度距离等距离进行特征匹配。此外,也可以采用LDA来对各子区域的距离进行加权,得到最终的分类器。

上述基于距离的方法更加适合于基于查询方式的人脸辨识(Face Identification)问题。而对于确定当前人是否声明人的人脸认证(Face Verification)问题,如何设定一个合适的阈值是一个十分困难的问题。Moghaddama[11]等提出的基于类内类间的方式将人脸识别这一多类问题转换为一个类内和类间的两类问题,从而为人脸认证问题提供了解决思路。可以将基于上述特征的类内类间距离作为特征,采用支持向量机,AdaBoost等分类器训练方法训练得到最终的分类器。

光照是人脸识别中十分困难的问题,为了解决实际应用中的光照问题,中科院自动化所的李子青老师(Stan Li)等[13]采用近红外摄像头作为采集设备,通过滤除环境中的光源,以及设置主动光源来解决光照问题。其采用的思路是将以LBP为特征,通过类内类间转换为一个两类问题,最终采用AdaBoost进行特征选择和构造分类器。这种方法,适合于定点化,速度很快,适合硬件实现,是十分适合门禁考勤嵌入式设备中的方法。

此外,人脸识别领域中,还存在着很多研究方向,基于子空间分析的方法是其中一个重要的方向,很多研究者提出了很多方法,但是,个人认为这些方法更多适用于理论研究,在实际使用中的方法,还是以上文所述方法为主线。

可见,人脸识别是一个涉及到方方面面知识的一个整体系统,其中的任何一个方面都影响着系统的最终性能。

 [1] P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. CVPR 2001.

[2] Bo WU, Haizhou AI, Chang HUANG, Shihong LAO, Fast Rotation Invariant Multi-View Face Detection Based on Real Adaboost, In Proc. the 6th IEEE Conf. on Automatic Face and Gesture Recognition (FG 2004), Seoul, Korea, May 17-19, 2004.

[3] Shengye Yan, Shiguang Shan, Xilin Chen, Wen Gao, "Locally Assembled Binary (LAB) feature with feature-centric cascade for fast and accurate face detection," cvpr, pp.1-7, 2008 IEEE Conference on Computer Vision and Pattern Recognition, 2008.

[4] Henry Schneiderman, "Feature-Centric Evaluation for Efficient Cascaded Object Detection," cvpr, vol. 2, pp.29-36, 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'04) - Volume 2, 2004.

[5] J. Chen, R. Wang, S. Yan, S. Shan, X. Chen, and W. GAO. How to train a Classifier Based on the Huge Face Database? IEEE International Workshop on AMFG2005, LNCS 3723, pp. 84-95.

[6] Vector Boosting for Rotation Invariant Multi-View Face Detection Export, Chang Huang,Haizhou Ai, Yuan Li, Shihong Lao, Computer Vision, IEEE International Conference on, Vol. 1 (2005), pp. 446-453.

[7] Tracking in Low Frame Rate Video: A Cascade Particle Filter with Discriminative Observers of Different Lifespans, Yuan LI, Haizhou AI, Takayoshi YAMASHITA, Shihong LAO, Masato KAWADE, CVPR 2007.

   

[8] Precise detailed detection of faces and facial features, Liya Ding, Martinez, A.M, CVPR, 2008. IEEE Conference on, 23-28 June 2008.

[9] Enhanced Pictorial Structures for Precise Eye Localization under Uncontrolled Conditions,Xiaoyang Tan, Fengyi Song, Zhi-Hua Zhou, Songcan Chen, CVPR 2009.

[10] 基于局部Gabor变化直方图序列的人脸描述与识别,张文超,山世光,张洪明,陈杰,陈熙霖,高文,软件学报 2006 17(12).

[11] Bayesian face recognition, Baback Moghaddama, Tony Jebarab and Alex Pentlandb, MITSUBISHI ELECTRIC RESEARCH LABORATORIES, TR2000-42, February 2002.

[12] Laurenz Wiskott, Jean-Marc Fellous, Norbert Krüger, Christoph von der Malsburg, "Face Recognition by Elastic Bunch Graph Matching," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 775-779, July, 1997.

[13] Illumination Invariant Face Recognition Using Near-Infrared Images, Stan Z. Li, RuFeng Chu, ShengCai Liao, Lun Zhang, April 2007 (vol. 29 no. 4), pp. 627-639, TPAMI.


人脸识别概述整理 国内外在该方向的研究现状及分析 近年来,随着计算机技术的迅速发展,人脸自动识别技术得到广泛研究与开发,人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。人脸识别作为一种显著的生物特征识别技术, 相较于其他的识别系统而言,具有非接触和相对友好的特点, 广泛应用于军事,金融,安全,日常生活,互联网电子类产品中。 人脸识别类型分为人脸验证和人脸识别,人脸验证(1:1人脸识别),主要用于身份核实,常用手机人脸解锁,或者一些其他场景的身份核实。人脸识别1:N,主要指系统采集用户的一张人脸数据后,需要 阅读详情

相关推荐

人脸识别系统概述

一个人脸识别系统分为: 人脸检测,人脸特征点检测,人脸对齐,人脸认证

flyingzhao 6651

人脸识别系统(OpenCV)

此项目一般适用于门禁系统、刷脸入园等场景。利用Python中的OpenCV库中的Haar级联分类器检测人脸“haarcascade_frontalface_default.xml”,来对人脸数据进行采集训练以及识别。        通过Python中的 tkinter 库来创建图形用户界面,实现交互功能,以及界面的跳转。        以模块化为主,用两个软件包来分别实现信息采集训练和识别功能,主模块对两个软件包进行调用。但后期的优化和调试为了方便,所以主文件也就是运行文件的新增功能并没有进行清晰的模块

努力奋斗的小杨 3356

人脸识别:跨年龄人脸识别_(1).跨年龄人脸识别概述

跨年龄人脸识别是指在不同年龄阶段的人脸图像之间进行匹配和识别的技术。这一技术在实际应用中具有重要意义,例如在寻找失踪儿童、身份验证、家庭相册整理等领域。由于年龄变化会导致人脸的外观特征发生显著变化,这使得传统的基于静态特征的人脸识别方法在跨年龄识别中表现不佳。因此,开发有效的跨年龄人脸识别技术成为了计算机视觉领域的一个重要研究方向。

zhubeibei168的博客 2305

基于人脸识别的公司考勤门禁系统的设计---笔记

1.简述 本文以深度学习的人脸识别算法为基础,重点研究了四个方面的内容:人脸检测和人脸识别涉及的深度算法的相关设计和优化工作;基于Tensorflow平台的模型设计、训练、优化工作;模型和考勤日志的记录和保存;人脸识别考勤门禁系统的GUI界面设计和相关代码实现。介绍了常用的6大训练模型框架,常用的6个深度学习网络,以及软件的GUI实现做了基础的阐述和比较。介绍了人脸识别系统的设计实现,基于tensorflow的算法实现和优化,考勤系统的模块和GUI设计优化工作。其中对实际使用时的HOG+VGG算法做了详细

qq_56133122的博客 2069

基于 openEuler 24.03 LTS 源码编译安装 Zabbix 7.4

Zabbix是一款开源的企业级分布式监控系统,支持网络、服务器、应用等多种IT资源的监控。核心功能包括数据采集、告警通知、可视化展示等,采用Server/Agent架构,支持多种操作系统。本文详细介绍了在openEuler 24.03系统上部署Zabbix 7.4.2的完整流程,包括环境准备、MySQL配置、PHP/Apache安装、Zabbix编译安装等步骤,为构建企业级监控系统提供了实践指导。

广然笔记 1194

STM32实战篇:使用USART发送/接收数据

在发送字符时也可以直接使用其对应的ASCLL码,例如: USART_SendData(USART1, 0x61);

qq_74114817的博客 597

基于python及神经网络的人脸识别系统

人脸识别是计算机视觉[7]和模式识别[7]中的一个重要分支,人脸识别技术其最大的作用就是利用人脸的特征性来区分个体身份。人脸识别技术主要完成人脸图像与数据库已存的所有图像的匹配过程,判断出“你”是谁,最终实现人脸识别。人脸识别应用场景大致可以分为两类:一是两张人脸照片进行比较,二是将一张人脸照片与多张人脸照片进行比较。前者通常是判断两张人脸照片是否为同一个人,通常应用在人脸匹配上。后者通常是在若干照片中找出与当前匹配成功的照片,随着N的增大,识别精确度与识别效率都会下降。3.2人脸识别基本流程。

m0_73485263的博客 2210

rk3588 Android HDMI IN热插拔解决

1、公司在使用 别的厂商的板卡遇到一个问题,开机我们的app自启就会闪退,后来定位发现是camera 的open出错了,这个问题的出现是因为没有插HDMI IN输入的问题导致的,所以需要对HDMI IN的热插拔进行检测,后面我把这个问题也顺利解决了。下面是我的尝试和使用的解决办法。3、话不多说,我用的是读取系统文件实现的,但是这个方法,需要有status文件的系统读权限,可以修改设备下的/vendor/etc/init/hw/init.rk3588.rc文件修改的权限,这个问题交给自己或者厂家协商解决。

qq_54089476的博客 1922

计算机视觉实验:人脸识别系统设计

实验内容设计计算机视觉目标识别系统,与实际应用有关(建议:最终展示形式为带界面可运行的系统),以下内容选择其中一个做。1.人脸识别系统设计(1)人脸识别系统设计(必做):根据课堂上学习的理论知识(包括特征提取、分类器设计),设计一个人脸识别系统,该系统具有较好的识别率。可在提供的AR人脸图片数据集(120人)、Feret人脸图片数据集(175人)、人脸视频数据集(10人)、真实采集的人脸视频或其他公开数据集上展开实验。(2)人脸识别系统提升(至少选择其中1。

weixin_51735061的博客 7207

稳定性仿真(stb闭环增益仿真)

stb仿真主要是测试电路的稳定性,例如运放在闭环电路中的增益和相位裕度的值,从而判别电路是否正常工作。 以下是stb仿真的过程: (1)调用iprobe器件 从analogLib中调iprobe器件,通过器件中的箭头标识确定接入电路的方法,箭头起点端连运放的输出端,箭头的终点端连在反馈环路的作用端。iprobe器件连入电路后相当于理想导线。(iprobe器件连接在反馈回路上) (2)analyses设置 勾选stb和frequency,此处的频率范围设置在0.1~1GHz,Probe Instance/T

qq_36686804的博客 3万+

YOLOv8实战:5分钟搞定Windows环境下的目标检测模型部署(附常见报错解决方案)

本文详细介绍了在Windows环境下快速部署YOLOv8目标检测模型的实战指南,包括环境配置、模型加载、快速验证及常见报错解决方案。通过5分钟快速入门教程,帮助开发者高效实现计算机视觉应用,特别适合需要快速上手的AI开发者。

weixin_30566063的博客 558

人脸识别:基于特征的人脸识别_1.绪论:人脸识别技术概述

人脸识别技术是一项重要的生物识别技术,广泛应用于安全、支付、娱乐、医疗等领域。通过人脸检测、特征提取和特征匹配等步骤,可以实现高效准确的身份识别。然而,光照变化、姿态和表情变化、遮挡等环境因素以及数据隐私问题仍然是技术面临的挑战。未来的研究将集中在模型优化、数据集构建、伦理和法律规范完善以及跨领域应用拓展等方面,推动人脸识别技术的发展和应用。通过这一节的介绍,我们对人脸识别技术的基本概念、发展历程、应用场景、挑战与解决方案以及未来趋势有了初步的了解。

zhubeibei168的博客 1152

【Codecs系列】HEVC-SCC(一):核心技术介绍

DATE: 2020.6.4【Tags: HEVC SCC】 1、参考网址 2、SCC简介 3、HEVC-SCC核心技术

优快云明星博主,认证博客专家,视频、Matlab领域优质创作者。 4806

人脸检测与人脸识别概述

人脸识别Face Recognition综述

关于我的学习记录 5353

GD32F130之USART多机通信

简介 在多机通信中,一个从机应该只接收它需要接收的数据,且只应该在它需要接收数据时才检测串口。而始终接收RX线上的数据对从机来说是一种负担。 多机通信硬件设计 远距离方案:RS485 板级方案: 静默模式 静默模式有什么作用? 答:如果 USART 处于静默模式,所有的接收状态标志位将不会被置位。 如何进入静默模式? 答:软件可以通过将 USART_CMD 寄存器中MMCMD 位置 1 使 USART 进入静默模式。 如何从静默模式中唤醒? 答:有两种方式可选,①检测到总线

luliplus的博客 302

Day 01: 与Python的第一次亲密接触

环境搭建 、第一个程序 Hello, World!、以及Python之禅 (The Zen of Python) 的解读。

杨小扩的博客 221

人脸识别概述-opencv中文文档

1.人脸识别技术概述 人脸识别技术分为人脸检测和人脸识别两个环节组成。人脸检验负责检测照片中是否有人脸,更重要的是把照片中人脸无关的部分删除, 一般人脸检测可以使用opencv开源库来实现,在人脸检测环节中,主要关注三个指标: 检测率:存在人脸并且被检测出的图像在所有存在人脸图像中比例 漏检率:存在人脸但没有检测出的图像在所有存在人脸图像中比例 误检率:不存在人脸但是检测出存在的图像在所有不存在人脸图像中比例 一般人脸识别环节,其应用场景分为1:1和1:N 1:1为判定两个照片是否是同一人, 1:N,随

weixin_42010722的博客 680

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

人脸识别之实现流程概述

首先说明,本人也像大家一样,新手。都是网上找博客跟着人家边学边做,对人脸识别所知甚少。网上学习了一段时间后,对人脸识别的实现,所知的大概如下:需安装以下环境:opencv-3.2.0 + opencv_+contrib-3.2.0一、数据准备---采集人脸图像并预处理,建立自己的人脸库所谓的人脸识别,用什么作判断的依据?就是用现在得到的人脸图像与原有的多个人脸图像进行匹配判断,现...

曾哥哥的博客 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

人脸识别方法概述

人脸识别综述 人脸识别任务对应于机器学习的分类任务。然而并不是完全一致的。在传统的分类问题中,训练模型的数据类别数与实际应用时的数据类别数是一致的,而在人脸识别任务中,实际应用时的数据类别可以完全与训练模型的数据类别不一致。打个比方: MNIST手写数字识别任务中,用10类的手写数字数据集(记为D记为D记为D)训练和测试模型MmnistM_{mnist}Mmnist​,应用该网络对其他数据ddd...

优化算法 3349

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

人脸识别应用场景概述

人脸识别应用场景: 1.远程刷脸登录 常规登录模式就是网页请求登录,以后刷脸登录将成为主流。 2.刷脸门禁 以往都是通过工卡刷门禁,往后通过指纹,刷脸会更多。 3.抓拍捕捉人脸发现可疑人物 我司目前有摄像机,加上人脸识别功能,通过摄像机的抓拍功能比对后台人脸功能发现可疑人物。 4.智能相册分类 智能相册目前很多手机厂家已经做了。按照头像的还比较少,我们可以批量导入员工头像,然后按照员工工号分类头像...

ccxc56212718的博客 962

PCA主元分析法人脸识别概述性小结

PCA,即主元分析法,是用来做数据降维的一种方法。从思想上讲,一个高纬的数据,往往包含很多多余的信息,我们希望将其取出,尽可能地降到一个较低的维度,但同时又必须保证其数据失真尽可能小。PCA就是一套算法,在保证重建误差最小的情况下,提取出高维数据的主元,从而实现数据的降维。

chentingpc的专栏 8882
上一篇: face morphing
下一篇: PCA 分解的基本推导和计算方法
TreeFish2012
博客等级 码龄14年 25粉丝 1原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值