大數據人臉分析案例
本文已影響2.84W人
本文已影響2.84W人
大數據人臉分析案例,隨着社會科技的不斷髮展,人工技能,人臉識別技術也不斷普及到各個領域。人臉識別技術可以在大數據的環境下,極大發揮其強大的作用。下文分享有關大數據人臉分析的內容。
大數據人臉分析案例1
基於特徵的方法和基於圖像的方法
1、基於特徵的方法
技術:基於特徵的方法試圖找到人臉的不變特徵進行檢測。其基本思想是基於人類視覺可以毫不費力地檢測不同姿勢和光照條件下的人臉的觀察,因此必須有儘管存在這些變化的屬性或特徵是一致的。當前已經提出了廣泛的方法來檢測面部特徵,然後推斷面部的存在。
示例:邊緣檢測器通常會提取人臉特徵,例如眼睛、鼻子、嘴巴、眉毛、膚色和髮際線。基於提取的特徵,建立統計模型來描述它們之間的關係並驗證人臉在圖像中的存在。
優點:易於實施,傳統方法
缺點:基於特徵的算法的一個主要問題是圖像特徵可能會由於光照、噪聲和遮擋而嚴重損壞。此外,人臉的特徵邊界會被弱化,陰影會導致強邊緣,這使得感知分組算法無用。
2、基於圖像的方法
技術:基於圖像的方法嘗試從圖像中的示例中學習模板。因此,基於外觀的方法依靠機器學習和統計分析技術來找到“人臉”和“非人臉”圖像的相關特徵。學習的特徵是以分佈模型或判別函數的形式應用於人臉檢測任務。
示例:基於圖像的方法包括神經網絡 (CNN)、支持向量機 (SVMi) 或 Adaboost。
優點:性能好,效率更高
缺點:難以實施。 爲了計算效率和檢測效率,通常需要降維。這意味着通過獲得一組主要特徵來考慮降低特徵空間的維數,保留原始數據的有意義的屬性。
人臉檢測方法
已經引入了多種人臉檢測技術。
1、開始階段:人臉檢測自 90 年代出現以來一直是一個具有挑戰性的研究領域。
2000 年之前,儘管有很多研究,但直到 Viola 和 Jones 提出里程碑式的工作,人臉識別的實際性能還遠不能令人滿意。 從 Viola—Jones 的開創性工作(Viola and Jones 2004)開始,人臉檢測取得了長足的進步。
Viola and Jones 開創性地使用 Haar 特徵和 AdaBoost 來訓練一個有希望的準確度和效率的人臉檢測器(Viola and Jones 2004),這啓發了之後有幾種不同的方法。 然而,它有幾個嚴重的缺點。首先,它的特徵尺寸比較大。另外,它不能有效地處理非正面人臉和框外人臉。
2、早期階段——機器學習:早期的方法主要集中在與計算機視覺領域的專家一起提取不同類型的手工特徵,並訓練有效的分類器以使用傳統的機器學習算法進行檢測。
這些方法的侷限性在於它們通常需要計算機視覺專家來製作有效的特徵,並且每個單獨的組件都單獨優化,使得整個檢測流程往往不是最佳的。
爲了解決第一個問題,人們付出了很多努力來提出更復雜的特徵,如 HOG(定向梯度直方圖)、SIFT(尺度不變特徵變換)、sURF(加速魯棒特徵)和 ACF(聚合通道特徵)。檢測的魯棒性,已經開發了針對不同視圖或姿勢分別訓練的多個檢測器的組合。然而,此類模型的訓練和測試通常更耗時,並且檢測性能的提升相對有限。3
3、最新技術 — 深度學習:近年來,使用深度學習方法,尤其是深度卷積神經網絡 (CNN) 的人臉識別取得了顯着進展,在各種計算機視覺任務中取得了顯顯著的成功。
與傳統的計算機視覺方法相比,深度學習方法避免了手工設計的不足,並主導了許多著名的基準評估,例如 lmageNet大規模視覺識別挑戰 (ILSVRC)。
最近,研究人員應用了 Faster R—CNN,這是最先進的通用對象檢測器之一,並取得了可喜的成果。此外,CNN 級聯、區域提議網絡(RPN)和 Faster R—CNN 聯合訓練實現了端到端的優化,以及人臉檢測基準,如 FDDB(人臉數據庫)等。
主要挑戰
人臉檢測面臨的困難是降低人臉識別準確率和檢測率的原因。
這些挑戰是複雜的背景、圖像中的人臉過多、奇怪的表情、光照、分辨率較低、人臉遮擋、膚色、距離和方向等。
不尋常的面部表情:圖像中的人臉可能會顯示出意外或奇怪的面部表情。
照明度:某些圖像部分可能具有非常高或非常低的照明度或陰影。
皮膚類型:檢測不同人臉顏色的人臉檢測具有挑戰性,需要更廣泛的訓練圖像多樣性。
距離:如果到相機的距離太遠,物體尺寸(人臉尺寸)可能太小。
朝向:人臉方向和相機的角度會影響人臉檢測率。
複雜的背景: 場景中的大量對象會降低檢測的準確性和速度。
一張圖像中有很多人臉:一張包含大量人臉的圖像對於準確檢測率來說非常具有挑戰性。
人臉遮擋:人臉可能會被眼鏡、圍巾、手、頭髮、帽子等物體部分遮擋,影響檢測率。
低分辨率:低分辨率圖像或圖像噪聲會對檢測率產生負面影響。
人臉檢測應用場景
人羣監控:人臉檢測用於檢測經常光顧的公共或私人區域的人羣。
人機交互: 多個基於人機交互的系統使用面部識別來檢測人類的存在。
攝影:最近的一些數碼相機使用面部檢測進行自動對焦等等。
面部特徵提取:可以從圖像中提取鼻子、眼睛、嘴巴、膚色等面部特徵。 、
性別分類: 通過人臉檢測方法檢測性別信息。
人臉識別:從數字圖像或視頻幀中識別和驗證一個人。
營銷:人臉檢測對於營銷、分析客戶行爲或定向廣告變得越來越重要。
出勤:面部識別用於檢測人類的出勤情況, 它通常與生物識別檢測結合用於訪問管理,如智能門禁。
大數據人臉分析案例2
2014年前後,隨着大數據和深度學習的發展,神經網絡備受矚目,深度學習的出現使人臉識別技術取得了突破性進展。深度學習是機器學習的一種,其概念源於人工神經網絡的研究,通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵,以發現數據的分佈式特徵表示。
區別於傳統的淺層學習,深度學習的不同在於一方面通常有5層以上的'多層隱層節點,模型結構深度大;另一方面利用大數據來學習特徵,明確了特徵學習的重要性。
隨着深度卷積神經網絡和大規模數據集的最新發展,深度人臉識別取得了顯著進展,基於深度學習的人臉識別技術可以通過網絡自動學習人臉面部特徵,從而提高人臉檢測效率。
從人臉表達模型來看,可細分爲2D人臉識別和3D人臉識別。基於2D的人臉識別通過2D攝像頭拍攝平面成像,研究時間相對較長,在多個領域都有使用,但由於2D信息存在深度數據丟失的侷限性,收集的信息有限,安全級別不夠高,在實際應用中存在不足。
早在2019年,就有小學生手舉照片“攻破”了快遞櫃的人臉識別系統。基於3D的人臉識別系統通過3D攝像頭立體成像,由兩個攝像頭、一個紅外線補光探頭和一個可見光探頭相互配合形成3D圖像,能夠準確分辨出照片、視頻、面具等逼真的攻擊手段。
根據使用攝像頭成像原理,目前3D人臉識別主要有三種主流方案,分別是3D結構光方案(Structured Light)、時差測距技術3D方案(Time Of Flight,TOF)和雙目立體成像方案(Stereo System)。基於3D結構光的人臉識別已在一些智能手機上實際應用,比如HUAWEI Mate 20 Pro、iPhone X。
2009年微軟推出的Kinect(Xbox 360體感周邊外設)則採用了TOF方式獲取3D數據,顛覆了遊戲的單一操作,爲人機體感交互提供了有益探索。雙目立體成像方案基於視差原理,通過多幅圖像恢復物體的三維信息,由於對相機焦距、兩個攝像頭平面位置等要求較高,應用範圍相對於3D結構光和TOF方案較窄。
除了能夠準確識人,精準判斷捕捉到的人臉是真實的也至關重要。活體檢測技術能夠在系統攝像頭正確識別人臉的同時,驗證用戶是本人而不是照片、視頻等常見攻擊手段。目前活體檢測分爲三種,分別是配合式活體檢測、靜默活體檢測和雙目活體防僞檢測。
其中,配合式活體檢測最爲常見,比如在銀行“刷臉”辦理業務、在手機端完成身份認證等應用場景,通常需要根據文字提示完成左看右看、點頭、眨眨眼等動作,通過人臉關鍵點定位和人臉追蹤等技術,驗證用戶是否爲真實活體本人。
人臉與人體的其他生物特徵(如指紋、虹膜等)一樣與生俱來,它的唯一性和不易被複制的良好特性爲身份鑑別提供了必要的前提。隨着大數據和深度學習的不斷髮展,人臉識別效率顯著提升,爲遠程辦理業務的身份認證環節提供了可靠保障。
但與此同時,人臉信息保護、隱私安全等問題也應引起重視。隨着《個人信息保護法》《數據安全法》及相關司法解釋的出臺,國家相關部門以及各種機構對個人信息安全問題的重視,有利於引導人臉識別技術的發展方向,爲促進行業高質量發展、創造高品質數字生活提供有力支撐。
大數據人臉分析案例3
人臉識別的應用場景在大範圍擴展:
金融領域:遠程銀行開戶、身份覈驗、保險理賠和刷臉支付等。人臉識別技術的接入,能有效提高資金交易安全的保障,也提高了金融業務中的便捷性。
智慧安防領域則是爲了視頻結構化、人物檢索、人臉布控、人羣統計等軟硬件一體形態產品提供基礎支撐,重點應用於犯罪人員的識別追蹤、失蹤兒童尋找、反恐行動助力等場景。實現重點人員的識別及跟蹤,在公安應用場景中達到事前預警、事中跟蹤、事後快速處置的目的。
交通領域主要包括1:1人臉驗證和1:N人臉辨識,目前利用人臉覈驗驗證技術的刷臉安檢已進入普遍應用階段,在高鐵站、普通火車站和機場皆已大面積推廣。
而應用1:N人臉比對技術的刷臉支付主要落地在地鐵公交等市內交通,這種技術能夠極大提高通勤人員的出行效率,釋放大量的人力資源,提升出行體驗。同時,人臉識別可以對交通站點進行人流監測,根據人員出行規律預測人流高峯,提前做好疏導預案。
民生政務方面,人臉識別在政務系統的落地,提升了民衆的辦事效率,公民可以不用窗口排隊,實現自助辦事,節省了因人工效率低下產生的耗時。部分政務還可以通過在線人臉識別驗證,在移動端線上辦理,減輕了“辦事來回跑、辦事地點遠、辦事點分散”的困擾。
智能家居方面,主要應用在安全解鎖和個性化家居服務兩個場景。
在線教育領域則是通過人臉識別查驗學員身份,避免一賬號多個人使用,給網校造成損失,另一用途是幫助在線課堂老師瞭解學生學習狀態,彌補網絡授課相較於傳統授課在師生交流環節上的不足。
商業領域,利用人臉識別功能實現各種極具創意的互動營銷活動。
凡事都有兩面。即便擁有以上優勢,因人臉暴露度較高,相比對其他生物特徵數據更容易實現被動採集,這也意味着人臉信息的數據更容易被竊取,不僅可能侵犯個人隱私,還會帶來財產損失。大規模的數據庫泄露還會對一個族羣或國家帶來安全風險。
在南方都市報個人信息保護研究中心發佈的《人臉識別應用公衆調研報告(2020)》中,其對兩萬份調研報告進行統計,問卷中就“便捷性”與“安全性”設置了量表題,請受訪者分別依據前述10大類場景中的使用感受進行打分。
1分爲最低分,5分爲最高分。結果顯示,在安全性感受方面,受訪者給出的分數則明顯偏低,體現出他們對安全風險的憂慮態度。
數據分析怎麼寫報告
安全事故案例分析觀後感
質量數據分析工作總結
好的數據分析報告應該怎麼寫
如何做供應鏈數據分析
黑匣子數據初步讀取分析需10至15天 飛機黑匣子數據能保存多久
老師與家長溝通的案例及分析
數據分析報告範文怎麼寫的
撰寫數據分析報告6個步驟
年度數據分析報告範文
案例分析面試三不原則
論文供應鏈數據分析
如何快速的學會大數據分析 實戰案例深入解析
一份完整的數據分析報告
劍橋分析公司破產泄露用戶數據始末
數據分析報告格式範文
保安工作執行力案例分析
家長工作案例分析反思
可視化數據分析報告
優秀的數據分析報告
論文常用數據分析方法
民間10個靈異事件案例及分析
數據分析報告範文怎麼寫呢
數據分析工作總結怎麼寫
案例分析爭議焦點怎麼寫
數據分析報告範文怎麼寫
案例分析報告怎樣寫範文
關於供應鏈數據分析的書
大學校園泡妞的案例分析
職場禮儀案例分析介紹
數據分析報告怎樣寫範文
供應鏈數據分析做什麼的
案例分析報告範文怎麼寫