人臉識別客情分析，性別，年齡

隨着社會的發展，快速有效的自動身份驗證在安防領域變的愈來愈迫切。因爲生物特性是人的內在屬性，具備很強的自身穩定性和個體差別性，是身份驗證的最理想依據。利用人臉屬性進行身份驗證又是最天然直接的手段，相比其它人體生物特性，它具備直接、友好、方便的特色，更容易被用戶所接受且不易察覺。

1、人臉屬性識別與算法

人臉是一種很是重要的生物特徵，具備結構複雜、細節變化多等特色，同時也蘊含了大量的信息，好比性別、種族、年齡、表情等。一個正常的成年人能夠輕易的理解人臉的信息，但將一樣的能力賦予給計算機，並讓其代替人類進行類腦思考成爲研究學者亟待攻克的科學課題！

人類能夠經過使用相機等圖像採集裝置和計算機組建一套與人體相似的系統，相機等圖像採集裝置是「眼睛」，計算機是「大腦」。可是問題來了，這些單純的硬件設施並不足以讓機器完成理解人臉信息的任務，這其中還須要載有思考能力，也就是咱們平時所說的算法。

目前主流的人臉屬性識別算法主要包括：性別識別、種族識別、年齡估計、表情識別等。

2、性別識別

性別識別是利用計算機視覺來辨別和分析圖像中的人臉性別屬性。多年來，人臉性別分類因其在人類身份認證、人機接口、視頻檢索以及機器人視覺中的潛在應用而備受關注。

性別分類是一個複雜的大規模二次模式分類問題，分類器將數據錄入並劃分男性和女性。目前最主要的性別識別方法主要有：基於特徵臉的性別識別算法、基於Fisher準則的性別識別方法和基於Adaboost+SVM的人臉性別分類算法三大類。

3、種族識別

準確的種族分類不只能夠有效地獲取人臉數據中的人臉特性，還能夠獲取更多的人臉語義理解信息。其難點就在於：如何準確的描述人臉數據的種族特性以及如何在特徵空間的基礎上實現準確的分類。基於Adaboost和SVM的人臉識別算法爲咱們提供了一臂之力。

4、年齡估計

說到年齡估計的問題，定義並不明確。它既能夠是分類問題，亦但是迴歸問題。若是將年齡分紅幾類，好比：少年、青年、中年和老年時，年齡估計就是分類問題；若是精確的估計具體年齡時，年齡估計就是迴歸問題。

說到底，年齡估計是一個比性別識別更爲複雜的問題。緣由在於：人的年齡特徵在外表上很難準確地被觀察出來，即便是人眼也很難準確地判斷出一我的的年齡。再看人臉的年齡特徵，它一般表如今皮膚紋理、皮膚顏色、光亮程度和皺紋紋理等方面，而這些因素一般與我的的遺傳基因、生活習慣、性別和性格特徵和工做環境等方面相關。因此說，咱們很難用一個統一的模型去定義人臉圖像的年齡。若想要較好地估出人的年齡層，則須要經過大量樣本的學習，好比說年齡估計開始。

年齡估計大體分爲預估和詳細評估兩個階段。

預估階段：

提取出照片中人臉的肌膚紋理特徵，對年齡範圍作一個大體的評估，得出一個特定的年齡段；

詳細評估階段：

經過支持向量機的方法，創建了對應於多個年齡段的多個模型分類器，並選擇合適的模型進行匹配。這其中，以一項融合LBP和HOG特徵的人臉年齡估計算法最爲人們所熟知。

非思丸人臉識別客情分析，分析客戶的性別，年齡層等客戶信息，爲商場，商家等提供客戶數據，爲商家提供參考數據。