科技一周~我们生活的痕迹
作者 硅谷寒 | 2014-08-17 16:00 | 类型 硅谷科技周报 | Comments Off
系列目录 科技一周
科技一周~我们生活的痕迹 2014/08/17 每一秒钟的停顿,都记录了生活的痕迹,我用自己的记忆把这些瞬间刻录下来,存在脑海里。当回思的时候,有些旧日的情景重现出来,像是在夕阳里拾起的朝花,虽然已成过往,但犹可触及。然而,有些情景,却散如烟花,任我如何寻思,终无法获得。每当这时,我总是希望,倘若自己所有的过往都能被机器拍摄成图像,并存于网络,便再不会有此遗憾了。我终究会老,并失去记忆,如流萤一样死去,然,机器并不会死,网络是永恒的。 这一周的新闻与我们生活的图像有关。
既然谈的都是图像,那么本周的科普也是与图像相关:人脸识别。 人脸识别(face recognition)归属于目标识别(object recognition)技术,但在整个目标识别技术中,人脸识别技术被研究的最多最深,这大概是因为这项技术在现实社会里更有用吧,尤其对于社会安全来说,能够让计算机快速而准确的识别出罪犯,关乎到每一个公民的切身利益。当然,人脸识别中用到的许多算法也是可以扩展到其它识别里去的,所不同的只是如何建立模型(比如,房子和人脸有着不同的特征点;如果使用隐马尔可夫模型,那么内部的状态设定也是不同的)。 从应用上来说,人脸识别主要分为两类:1. 验证(face verification);2. 匹配(face matching)。人脸验证是个一对一的过程,也就是说,目标库里只有一个人脸,需要校验现在输入的人脸是否与目标脸一致。而人脸匹配则是个一对多的过程,目标库里或许有海量的图片,需要从其中找到与输入人脸一致的所有图片。 最初的人脸识别技术,主要集中于局部特征提取上,也就是说,通过把输入图像中人脸的特征点(鼻子、嘴、额头、眼睛)提取出来,形成特征向量,然后与库里的图像进行特征向量匹配,输出匹配度最高的人脸做为识别结果。这种方法效果并不好,于是又发展出了全局特征提取算法。最著名的要数,主成分分析(PCA,Principal Component Analysis)法。简单说来,这种算法是基于数学分析,计算出“更底层的人脸特征”,这些“更底层的特征”并非人们所能感受,只是在数学范畴内才有意义(例如,傅里叶分析里的系数),然而,这种“更底层的特征”却比人眼看到的表层特征,更能识别出准确的结果。 除了上述两种算法之外,还有一类识别算法是基于模型(model-based)。基于模型的算法是当前最流行的技术,无论从算法效率,还是识别度上来说,都比前两种要好。相关的模型有很多:Probabilistic Elastic Part Model,Hidden Markov Model,等等,有兴趣的同学可以参考综述[3].
[1]. David Murphy, URL, Aug 2014. [2]. Derrick Harris, https://gigaom.com/2014/08/15/new-algorithm-takes-the-average-of-photos-perhaps-proving-that-is-how-you-always-look/ , Aug 2014. [3]. Rabia Jafri and Hamid R. Arabnia, A Survey of Face Recognition Techniques, Journal of Information Processing Systems, Vol.5, No.2, pp.41-68, June 2009. 图1. http://www.tourism-review.com/temp/article_zoom_2284_2.jpg 图2. http://cdn1.tnwcdn.com/wp-content/blogs.dir/1/files/2012/11/face-520×362.jpg
| |