。

用摄像机或摄像头采集含有人脸的图像或视频流#xff0c;并自动在图像中检测和跟踪人脸#xff0c;进而对检测到的人脸进行脸部的一系列相关…https://www.toutiao.com/a6675200385763770888/

人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。

用摄像机或摄像头采集含有人脸的图像或视频流并自动在图像中检测和跟踪人脸进而对检测到的人脸进行脸部的一系列相关技术通常也叫做人像识别、面部识别。

人脸识别技术主要是通过人脸图像特征的提取与对比来进行的。

人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配通过设定一个阈值当相似度超过这一阈值则把匹配得到的结果输出。

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

一、人脸识别技术发展

早在20世纪50年代认知科学家就已着手对人脸识别展开研究。

20世纪60年代人脸识别工程化应用研究正式开启。

当时的方法主要利用了人脸的几何结构通过分析人脸器官特征点及其之间的拓扑关系进行辨识。

这种方法简单直观但是一旦人脸姿态、表情发生变化则精度严重下降。

21世纪的前十年随着机器学习理论的发展学者们相继探索出了基于遗传算法、支持向量机(Support

Vector

SVM)、boosting、流形学习以及核方法等进行人脸识别。

Representation)因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。

与此同时业界也基本达成共识基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。

Gabor及LBP特征描述子是迄今为止在人脸识别领域最为成功的两种人工设计局部描述子。

这期间对各种人脸识别影响因子的针对性处理也是那一阶段的研究热点比如人脸光照归一化、人脸姿态校正、人脸超分辨以及遮挡处理等。

自此之后研究者们不断改进网络结构同时扩大训练样本规模将LFW上的识别精度推到99.5%以上。

如表1所示给出了人脸识别发展过程中一些经典的方法及其在LFW上的精度一个基本的趋势是训练数据规模越来越大识别精度越来越高。

人脸识别经典方法及其在LFW上精度对比

“人脸检测(FaceDetection)”的作用就是要检测出图像中人脸所在位置。

人脸检测算法的原理简单来说是一个“扫描”加“判定”的过程。

即首先在整个图像范围内扫描再逐个判定候选区域是否是人脸的过程。

因此人脸检测算法的计算速度会跟图像尺寸大小以及图像内容相关。

在实际算法时我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、“人脸数量上限”的方式来加速算法。

“人脸配准(FaceAlignment)”所实现的目的是定位出人脸上五官关键点坐标。

当前效果的较好的一些人脸配准技术基本通过深度学习框架实现。

这些方法都是基于人脸检测的坐标框按某种事先设定规则将人脸区域抠取出来缩放到固定尺寸然后进行关键点位置的计算。

另外相对于人脸检测或者是后面将提到的人脸特征提取的过程人脸配准算法的计算耗时都要少很多。

“人脸属性识别(FaceAttribute)”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。

这在有些相机APP中有所应用可以自动识别摄像头视野中人物的性别、年龄等特征并标注出来。

人脸的属性识别包括性别识别、年龄估计、表情识别、姿态识别、发型识别等等方面。

一般来说每种属性的识别算法过程是独立的但是有一些新型的基于深度学习实现的算法可以实现同时输出年龄、性别、姿态、表情等属性识别结果。

“人脸提特征(FaceFeatureExtraction)”是将一张人脸图像转化为可以表征人脸特点的特征具体表现形式为一串固定长度的数值。

人脸提特征过程的输入是“一张人脸图”和“人脸五官关键点坐标”输出是人脸相应的一个数值串(特征)。

人脸提特征算法实现的过程为首先将五官关键点坐标进行旋转、缩放等等操作来实现人脸对齐然后在提取特征并计算出数值串。

5、人脸比对(FaceCompare)

“人脸比对(FaceCompare)”算法实现的目的是衡量两个人脸之间相似度。

人脸比对算法的输入是两个人脸特征人脸特征由前面的人脸提特征算法获得输出是两个特征之间的相似度。

“人脸验证(FaceVerification)”是判定两个人脸图是否为同一人的算法。

它的输入是两个人脸特征通过人脸比对获得两个人脸特征的相似度通过与预设的阈值比较来验证这两个人脸特征是否属于同一人。

“人脸识别(FaceRecognition)”是识别出输入人脸图对应身份的算法。

它的输入为一个人脸特征通过和注册在库中N个身份对应的特征进行逐个比对找出“一个”与输入特征相似度最高的特征。

将这个最高相似度值和预设的阈值相比较如果大于阈值则返回该特征对应的身份否则返回“不在库中”。

人脸检索通过将输入的人脸和一个集合中的说有人脸进行比对根据比对后的相似度对集合中的人脸进行排序。

根据相似度从高到低排序的人脸序列即使人脸检索的结果。

9、人脸聚类(FaceCluster)

“人脸聚类(FaceCluster)”是将一个集合内的人脸根据身份进行分组的算法。

在没有进行人工身份标注前只知道分到一个组的人脸是属于同一个身份但不知道确切身份。

“人脸活体(FaceLiveness)”是判断人脸图像是来自真人还是来自攻击假体(照片、视频等)的方法。

现在所以人脸活体检测技术的研究显得异常重要。

对于照片欺骗主要是根据分辨率、三位三维信息、眼动等来进行区分对于视频欺骗根据三维信息、光线等来区分。

三、人脸识别算法原理

人脸由眼睛、鼻子、嘴巴、下巴等部件构成正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别因此对这些部件的形状和结构关系的几何描述可以做为人脸识别的重要特征。

几何特征最早是用于人脸侧面轮廓的描述与识别首先根据侧面轮廓曲线确定若干显著点并由这些显著点导出一组用于识别的特征度量如距离、角度等。

2、局部特征分析方法

局部特征分析方法一种基于特征表示的面像识别技术源于类似搭建积木的局部统计的原理。

LFA

基于所有的面像(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成。

这些单元使用复杂的统计技术而形成它们代表了整个面像通常跨越多个像素(在局部区域内)并代表了普遍的面部形状但并不是通常意义上的面部特征。

实际上面部结构单元比面像的部位要多得多。

要确定身份不仅仅取决于特性单元还决定于它们的几何结构(比如它们的相关位置)。

通过这种方式LFA

“面纹”编码方式是根据脸部的本质特征和形状来工作的它可以抵抗光

线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化具有强大的可靠性以从百万人中精确地辨认出一个人。

从统计的观点寻找人脸图像分布的基本元素即人脸图像样本集协方差矩阵的特征向量以此近似地表征人脸图像。

这些特征向量称为特征脸(Eigenface)。

该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性然后再计算出它们的几何特征量而这些特征量形成一描述该面像的特征向量。

其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。

弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法较好的利用了人脸的结构和灰度分布信息而且还具有自动精确定位面部特征点的功能因而具有良好的识别效果适应性强识别率较高该技术在FERET测试中若干指标名列前茅其缺点是时间复杂度高速度较慢实现复杂。

5、神经网络方法(Neural

神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势因为对人脸识别的许多规律或规则进行显性的描述是相当困难的而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达它的适应性更强一般也比较容易实现。

因此人工神经网络识别速度快但识别率低

。

而神经网络方法通常需要将人脸作为一个一维向量输入因此输入节点庞大其识别重要的一个目标就是降维处理。

6、其他方法

光照问题是机器视觉重的老问题在人脸识别中的表现尤为明显。

由于人脸的3D结构光照投射出的阴影会加强或减弱原有的人脸特征。

尤其是在夜晚由于光线不足造成的面部阴影会导致识别率的急剧下降使得系统难以满足实用要求。

2、表情姿态问题

与光照问题类似表请和姿态问题也是目前人脸识别研究中需要解决的一个技术难点。

面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。

姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失使得表情姿态问题成为人脸识别的一个技术难题。

3、遮挡问题

对于非配合情况下的人脸图像采集遮挡问题是一个非常严重的问题。

特别是在监控环境下往往彼监控对象都会带着眼镜帽子等饰物使得被采集出来的人脸图像有可能不完整从而影响了后面的特征提取与识别甚至会导致人脸检测算法的失效。

4、年龄变化

随着年龄的变化面部外观也在变化特别是对于青少年这种变化更加的明显。

对于不同的年龄段人脸识别算法的识别率也不同。

一个人从少年变成青年变成老年他的容貌可能会发生比较大的变化从而导致识别率的下降。

对于不同的年龄段人脸识别算法的识别率也不同。

5、人脸相似性

不同个体之间的区别不大所有的人脸的结构都相似甚至人脸器官的结构外形都很相似。

这样的特点对于利用人脸进行定位是有利的但是对于利用人脸区分人类个体是不利的。

6、图像质量

人脸图像的来源可能多种多样由于采集设备的不同得到的人脸图像质量也不一样特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。

同样的对于高分辨图像对人脸识别算法的影响也需要进一步的研究。

五、人脸识别技术应用

刷脸办卡、远程贷款、自主开户、刷脸支付······随着人脸识别技术在金融行业的风起越来越多的商业化应用也浮出水面。

不仅仅是蚂蚁金服、微众银行等新兴互联网金融机构传统金融机构如国有商行、证券、保险等均纷纷布局人脸识别技术。

基本上人脸识别技术在金融领域有三大应用方向自助终端、柜面系统、移动金融和营销。

”

2、智慧商业

人脸识别在商业领域的应用主要是商业智能分析系统。

实体商业中目标客户的引流以及精准营销成为商业成本的重要支出传统被动式的商场标识、人工推送和导购等手段效率的下滑让以人工智能为核心的精准营销成为商业新的增长点。

人脸识别系统能充分利用机器视觉对人脸的特征识别和归纳能力将客户的性别、年龄、心情等作为商业需求的对应特征针对性地实时推送客户感兴趣的内容为商家进行目标客户群导流和精准营销;另一方面通过对不同人群的兴趣内容的观察和学习逐步提升对目标人群推送内容的匹配精准度。

3、智慧公安

人脸识别在公共安全领域的应用重点是实现对违法人员登记管理、网络追逃、比对查证与事后处理同时人像比对还可用于刑侦查案、维护社会稳定等业务上。

人脸识别照片比对系统用于快速身份鉴别在大量的数据库中查找检索特定人员的身份。

它充分利用非常有价值的人脸照片线索大大加快公安侦查人员对嫌疑人的身份辨认过程为加速“科技强警”进程形成高智能的、社会化的、规模化的公安防范体系提供了有效的技术手段。

4、智慧社保

人脸识别系统能够确保基本养老保险基金安全防止冒领骗领养老金。

将人脸识别技术引入人脸识别自证通过在本地对证件内信息进行自动读取同时对被核查人的人脸进行自动检测抓拍获取证件上的人脸照片经过高清人脸识别分析仪与现场持证人的人脸进行比对检查持证人与当前证件是否同一个人利用人脸识别特征的唯一性精准、便捷的实现参保人身份真实性的有效核查减少保险金发放的漏洞最大限度的避免骗保、冒领等问题。

5、智慧安检

现今许多机场已经开始使用高清人脸证件比对系统以此辅助机场人工查验工作。

当乘客准备进入候机大厅时位于安检口的摄像头会自动捕捉人脸图像人脸识别系统会自动将乘客证件照片与之进行比对以识别乘客身份。

当发现证件信息与持证人员不一致时系统会自动提示安检人员加强人工核查工作。

人脸识别系统采集的人脸图像还可以作为非常重要的监控数据被记录下来存储在数据库中作为事后检索的索引或者与公安、安全部门的数据库接驳进行取证、认定。

6、智慧城市

随着人类社会的不断发展未来城市将承载越来越多的人口为实现城市可持续发展建设智慧城市已成为当今世界城市发展不可逆转的历史潮流。

而在智慧城市的建设过程中需注重对信息的结构化存储、分析挖掘人脸的结构化云识别储存是构建整个智慧城市基础数据之一是智慧城市云储存体系中的不可或缺的一部分。

通过智慧城市的高速数据传输链及结构化的数据筛选可将人脸大数据与智慧城市中其它的大数据之间碰撞出火花更加凸显出人脸识别“用”的价值。

7、智慧监狱

为了严防监犯逃脱、外人非法进入违禁物品持有和带入带出等通过人脸识别技术对家属、律师等相关公务人员到访、社会团体参观、相关服务人员等进行身份识别、人脸登记确保出入人员符合探视要求。

外出服刑人员的管理将内部和外出管理相结合最后与监狱现有的视频监控系统和人脸识别等系统结合联动形成完整、有效的全方位监狱管理体系。