『壹』 除了python之外，你还应该来了解一下java的图像处理和人脸识别库：javacv
javacv技术栈究竟有何作用？
大家对于javacv充满好奇，恰巧博主对javacv有所研究，以下就来为各位介绍javacv的功能及其在各个领域的优势。
javacv不仅能处理图像，其强大的跨平台性和快速开发能力使其在Windows、Mac、Linux、树莓派嵌入式等多种平台上都能轻松应对图像处理、人脸检测识别、字符识别、音视频流媒体、树莓派（嵌入式）和深度学习等领域。
图像处理与识别
在图像处理与识别方面，javacv通过jni技术实现了opencv图像检测识别和tesseract字符识别的跨平台使用，无需再次封装。
其他方面，如矩阵计算和深度学习，了解不多，不再赘述。
音视频处理(ffmpeg)
在音视频处理方面，javacv支持ffmpeg的编解码、装封装等功能，两者并无太大差异。
嵌入式开发（树莓派等）：
许多人在树莓派等基于arm芯片的板子上使用javacv，通过外接摄像头或音频设备即可实现音视频上传、图像处理、图像识别等功能。
应用场景广泛，包括各种图像采集设备、机器人视觉、人脸打卡和小区门禁等领域。
音视频流媒体：
利用javacv的流媒体优势，可实现音视频采集、推流、编解码、装封装等操作。
深度学习：
deeplearn4j为主的java深度学习框架，在深度学习领域具有一定知名度。
人脸检测识别：
关于人脸检测识别的文章在网络上颇为常见，javacv官网的首页demo也展示了人脸检测的实例，其功能与opencv相当。
文字识别：
通过Tesseract-OCR可轻松实现字符库训练、字符识别。同时，javacv的流媒体属性和嵌入式开发特性也支持摄像头的字符识别和视频图像的字符识别等场景。
javacv技术栈的应用场景
很多人好奇，javacv在哪些应用场景下得到广泛应用？
javacv具备跨平台特性，可在Windows、Linux、macOS等服务器或客户端机器上运行，并在各种嵌入式板上也能良好工作。
『贰』 java 实现人脸的动漫化 照片用数组存还是image对象提取人脸的什么特征人脸处理常用哪些特征
YOGUAI为保险柜，自动门，考勤等行业提供人脸识别方案。
随着计算机网络和通信技术的发展，信息安全、知识产权保护和身份认证等问题成了一个重要而紧迫的研究课题。身份认证是保证系统安全的必要前提，在多种不同的安全领域都需要准确的身份认证。传统的身份证、智能卡、密码等身份认证方法存在携带不便、容易遗失、不可读或密码易被破解等诸多问题。基于人脸识别技术的身份认证方法与传统的方法相比，具有更好的安全性、可靠性和有效性，因此正越来越受到人们的重视，并逐渐进入社会生活的各个领域。
人脸识别技术具有广泛的应用前景，可以应用到多种不同的安全领域，因其识别特征的独特性、惟一性和相对稳定性，逐渐成为一非常热门的研究课题。许多典型的人脸识别算法和应用系统都是针对标准或特定的人脸数据库，利用库内人脸进行训练，并在相同的库中实现人脸识别。但在软件保护、计算机安全等特殊应用中，身份认证仅针对单个对象进行人脸识别，现有的人脸识别方法并不能胜任这样的识别任务。为此，本文针对单对象人脸识别的特点，讨论了单对象人脸检测和识别的关键技术，在此基础上提出了一种单对象人脸识别算法，实验结果证明了该方法的有效性。
2单对象人脸识别的特点
与典型的人脸识别相比，单对象人脸识别有以下4个方面的特点：
应用领域人脸识别的应用领域很广，如刑侦破案、证件核对、保安监控等，而单对象人脸识别主要应用在软件保护、计算机安全锁、特定对象追踪等领域。
识别系统的目标单对象人脸识别的最终目标是系统必须具有高度的安全性和可靠性，即识别错误率趋于0。虽然降低识别错误率的同时识别率也会降低，但可以通过提示用户调整姿态(如注视摄像头等)加以改善。
肤色模型由于单对象人脸识别仅针对特定的对象，所以人脸检测的肤色模型可采用自适应的方法调整肤色范围。
分类方法单对象人脸识别不存在人脸数据库，常用的最小距离分类法不能够正确识别特定的对象，只能用阈值作为判据。因此，阈值的选取十分重要，阈值过大则容易出现错判，存在安全隐患；而阈值过小又会影响识别效率。
3人脸的检测和归一化
人脸检测是人脸识别的前提。对于给定的图像，人脸检测的目的在于判断图像中是否存在人脸，如果存在，则返回其位置和空间分布。利用人脸肤色和面部特征，将人脸检测分为两个阶段：外脸检测和内脸定位。外脸检测主要利用人脸肤色进行初步的脸区检测，分割出肤色区域；内脸检测是在外脸区域中利用面部几何特征进行验证和定位。
3.1外脸检测
外脸检测的任务是将待检图像中可能的人脸区域找出来并加以标记，其步骤如下：
(1)根据人类肤色在色彩空间中存在区域性的特点，将可能为人脸的像素检测出来。为更好地利用肤色特征，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内。将满足条件的像素标记为肤色像素，其余的均为非肤色像素。
(2)去噪处理。在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色。
(3)将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。目标区域的高度／宽度比例限定在0.8～2.0。
3.2内脸检测和定位
将包含眼、眉、鼻和嘴的区域称为内脸区域。内脸区域能够很好地表达人脸特征，且不易受背景、头发等因素的干扰，因此内脸区域的检测和定位对后续的特征提取和识别至关重要。
在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域。在确定的两个区域中，对黑点进行区域膨胀，可以得到眼睛的基本轮廓和左石眼角，黑点坐标的平均值作为瞳孔的位置。
设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，我们将内脸区域定义为：宽度=-d×1.6，高度=-d×1.8，左上角坐标为(Lx-d×0.3，(Ly Ry)／2-(-d)×0.3)。实验表明，该区域能够很好地表达人脸特征。
3.3内脸区域的归一化
由于各待测图像中的人脸大小具有很大的随机性，因此，有必要对内脸区域进行归一化操作。人脸归一化是指对内脸区域的图像进行缩放变换，得到统一大小的标准图像，实验中，我们规定标准图像的大小为128×128。归一化处理，保证了人脸大小的一致性，体现了人脸在图像平面内的尺寸不变性。
对归一化的人脸图像，采用小波变换与DCT相结合的方法提取人脸特征。首先对人脸图像进行3层小波分解，取低频子图像LL3作为人脸特征提取的对象，从而获得每幅训练样本或测试样本的低频子图像；然后对低频子图像进行离散余弦变换(DCT)，DCT系数个数与子图像的大小相等(即256)，由于图像DCT变换，能量集中在低频部分，因此只取其中的136个低频系数作为特征向量。
5人脸的识别
完成训练过程并获得待测样本的特征后，即可进行人脸识别，本文采用欧氏距离进行分类。
5.1计算样本与平均脸的欧氏距离
用m和x表示平均脸和样本的特征向量，则样本与平均脸的欧氏距离为：
其中mk表示平均脸的第k个特征向量，xk表示待测样本的第k个特征向量。身份认证时，计算待测样本与平均脸的欧氏距离，并与特定对象的自适应阈值进行比较，将小于阈值的样本判为该对象的人脸，即认证通过。
5.2自适应阈值的选取
与典型的人脸识别方法不同，单对象人脸认识没有人脸数据库，不能用距离最小作为判据，只能用阈值作为判别依据。阈值的选取应兼顾识别率和识别的准确性，实验中我们取训练样本与平均脸的欧氏距离平均值作为分类阈值，即:
其中，N为训练样本数，此值不宜太小；di为第i个样本与平均脸之间的欧氏距离。
莫士特科技有限公司提供模式识别主板及解决方案。
希望采纳
『叁』 用OpenCV开发人脸识别软件，用Java好还是用C/C++好
C++. 首先OpenCV2和3本身就是用C++编写的, 用C++可以做到和OpenCV的"无缝对接", OpenCV的C++资料也最多, 其次人脸识别等与图像相关的代码需要很高的运行时效率, 而C++的运行时效率远大于java, 最后, 在人脸识别的计算过程中有协方差矩阵的计算需要很大的内存(空间复杂度O(n^2),n为图像像素数,本身又是边长的平方), 所以要有一个内存动态管理方案, 或者从线性代数上对协方差矩阵的计算进行简化, 而高级编程语言中只有C和C++这两种语言才能直接操作内存.