Artificial intelligence 人脸检测的人工智能技术

有人能说出人脸检测中使用的所有不同技术吗？神经网络、支持向量机、特征脸等技术

---

还有什么其他的呢？

如果你需要的不仅仅是理论上的东西，而且你真的想做人脸检测，那么我建议你找到已经实现的解决方案

---

有许多针对不同语言的经过测试的库，它们被广泛用于此目的。查看此SO线程以了解更多信息：。

如果您不仅需要理论知识，还需要进行人脸检测，那么我建议您找到已经实现的解决方案

---

有许多针对不同语言的经过测试的库，它们被广泛用于此目的。有关更多信息，请查看此SO线索：。

一种新兴但相当有效的解决广泛类别视觉问题的方法，包括人脸检测，是一种由开发的概念/技术

非常笼统地说，这是一种类似神经网络的方法。这种类型的网络具有树状结构，其中每个级别的节点数量都显著减少。HTM模拟了新皮质的一些结构和算法特性。在[可能]与大脑皮层分离的情况下，在每个节点级别实现的分类算法使用贝叶斯算法。HTM模型基于脑功能的记忆预测理论，严重依赖于输入的时间性质；这可能解释了它处理视觉问题的能力，因为这些问题通常是暂时的，或者可以这样做，并且还需要对噪声和模糊性的容忍度

---

Numemta已经生产了一段时间的视觉套件和演示应用程序，最近生产了HTM技术的第一个商业应用程序，至少在视觉应用领域是如此。

一种新兴但相当有效的解决广泛视觉问题的方法，包括人脸检测，是使用，由开发的概念/技术

非常笼统地说，这是一种类似神经网络的方法。这种类型的网络具有树状结构，其中每个级别的节点数量都显著减少。HTM模拟了新皮质的一些结构和算法特性。在[可能]与大脑皮层分离的情况下，在每个节点级别实现的分类算法使用贝叶斯算法。HTM模型基于脑功能的记忆预测理论，严重依赖于输入的时间性质；这可能解释了它处理视觉问题的能力，因为这些问题通常是暂时的，或者可以这样做，并且还需要对噪声和模糊性的容忍度

---

Numemta已经生产了一段时间的视觉工具包和演示应用程序，最近生产了HTM技术的第一个商业应用程序，至少在视觉应用领域是如此。

我将要谈论的技术更多的是一种面向机器学习的方法；在我看来，这是非常有趣的，虽然不是最近的：Viola和Jones在《鲁棒实时人脸检测》一文中描述了这一点。我将OpenCV实现用于一个大学项目

它基于类哈尔特征，即图像矩形区域内像素强度的加减。这可以通过一个称为integral image的过程快速完成，对于这个过程，有时也存在GPGPU实现，称为前缀扫描。在线性时间内计算积分图像后，任何类haar特征都可以在恒定时间内计算。特征基本上是一个函数，它获取图像的24x24子窗口并计算特征值；三元组特征、阈值、极性称为弱分类器，因为

极性*特征<极性*阈值

对某些图像正确，对其他图像错误；弱分类器的性能预计只比随机猜测稍好一点，例如，它的准确率应至少为51-52%

极性为-1或+1

特征空间很大，约160000个特征，但有限

尽管阈值原则上可以是任何数字，但从训练集的简单考虑，结果表明，如果有N个示例，则必须检查每个极性和每个特征的N+1阈值，以便找到具有最佳精度的阈值。因此，通过彻底搜索三元组空间，可以找到最佳弱分类器

基本上，强分类器可以通过使用一种称为自适应boosting（AdaBoost）的算法迭代地选择尽可能好的弱分类器来组装；在每一次迭代中，在上一次迭代中被错误分类的示例都会得到更多的权重。强分类器的特点是其自身的全局阈值，由AdaBoost计算

几个强大的量词组合成一个注意级联的阶段；注意力级联背后的理念 在第一阶段中，将丢弃明显不是面的24x24子窗口；强分类器通常只包含几个弱分类器，如30或40，因此计算速度非常快。每个阶段都应该有很高的召回率，而假阳性率不是很重要。如果有10个阶段，每个阶段的召回率为0.99，假阳性率为0.3，则最终级联的召回率为0.9，假阳性率极低。出于这个原因，通常会调整强分类器以提高召回率和误报率。调整基本上包括减少AdaBoost计算的全局阈值

到达级联末端的子窗口被视为面

---

必须测试初始图像中的几个子窗口，最终重叠，最终在重新缩放图像之后。

我将要讨论的技术更多的是一种面向机器学习的方法；在我看来，这是非常有趣的，虽然不是最近的：Viola和Jones在《鲁棒实时人脸检测》一文中描述了这一点。我将OpenCV实现用于一个大学项目

它基于类哈尔特征，即图像矩形区域内像素强度的加减。这可以通过一个称为integral image的过程快速完成，对于这个过程，有时也存在GPGPU实现，称为前缀扫描。在线性时间内计算积分图像后，任何类haar特征都可以在恒定时间内计算。特征基本上是一个函数，它获取图像的24x24子窗口并计算特征值；三元组特征、阈值、极性称为弱分类器，因为

极性*特征<极性*阈值

对某些图像正确，对其他图像错误；弱分类器的性能预计只比随机猜测稍好一点，例如，它的准确率应至少为51-52%

极性为-1或+1

特征空间很大，约160000个特征，但有限

尽管阈值原则上可以是任何数字，但从训练集的简单考虑，结果表明，如果有N个示例，则必须检查每个极性和每个特征的N+1阈值，以便找到具有最佳精度的阈值。因此，通过彻底搜索三元组空间，可以找到最佳弱分类器

基本上，强分类器可以通过使用一种称为自适应boosting（AdaBoost）的算法迭代地选择尽可能好的弱分类器来组装；在每一次迭代中，在上一次迭代中被错误分类的示例都会得到更多的权重。强分类器的特点是其自身的全局阈值，由AdaBoost计算

几个强大的量词组合成一个注意级联的阶段；注意级联背后的想法是，在第一阶段，明显不是面孔的24x24子窗口被丢弃；强分类器通常只包含几个弱分类器，如30或40，因此计算速度非常快。每个阶段都应该有很高的召回率，而假阳性率不是很重要。如果有10个阶段，每个阶段的召回率为0.99，假阳性率为0.3，则最终级联的召回率为0.9，假阳性率极低。出于这个原因，通常会调整强分类器以提高召回率和误报率。调整基本上包括减少AdaBoost计算的全局阈值

到达级联末端的子窗口被视为面

---

初始图像中的几个子窗口，最终重叠，最终在重新缩放图像后，必须进行测试。

ooh，这是杰夫·霍金斯在《智能》一书中建立的方法，对吗？谢谢，尽管读了这本书，我还是完全忘记了。哦。@harry:是的，HTM或者更确切地说HTM所基于/启发的大脑皮层的特征，是杰夫·霍金斯在他的《智力论》一书中描述的。哦，这是杰夫·霍金斯在《智力论》一书中建立的方法，对吗？谢谢，尽管读了这本书，我还是完全忘记了。噢。@harry:是的，HTM或者更确切地说是HTM所基于/启发的大脑皮层的特征，是杰夫·霍金斯在他的《智力论》一书中描述的。对不起，是的，这纯粹是理论上的。对不起，是的，这纯粹是理论上的。