一文讀懂：深扒人臉識別60年技術發展史

　　7、人臉識別(Face Recognition)

　　“人臉識別(Face Recognition)”是識別出輸入人臉圖對應身份的算法。

　　它的輸入為一個人臉特征，通過和注冊在庫中N個身份對應的特征進行逐個比對，找出“一個”與輸入特征相似度最高的特征。將這個最高相似度值和預設的閾值相比較，如果大于閾值，則返回該特征對應的身份，否則返回“不在庫中”。

　　舉例說明：人臉識別過程如下，判斷結果為輸入圖像為注冊庫中的jason

　　8、人臉檢索(Face Retrieval)

　　“人臉檢索”是查找和輸入人臉相似的人臉序列的算法。

　　人臉檢索通過將輸入的人臉和一個集合中的說有人臉進行比對，根據比對后的相似度對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列即使人臉檢索的結果。

　　舉例說明：人臉檢索過程如下，右側綠框內排序序列為檢索結果

　　9、人臉聚類(Face Cluster)

　　“人臉聚類(Face Cluster)”是將一個集合內的人臉根據身份進行分組的算法。

　　人臉聚類也通過將集合內所有的人臉兩兩之間做人臉比對，再根據這些相似度值進行分析，將屬于同一個身份的人劃分到一個組里。

　　在沒有進行人工身份標注前，只知道分到一個組的人臉是屬于同一個身份，但不知道確切身份。

　　舉例說明：人臉聚類過程如下，右側綠框內按身份的分組結果為聚類結果

　　10、人臉活體(FaceLiveness)

　　“人臉活體(FaceLiveness)”是判斷人臉圖像是來自真人還是來自攻擊假體(照片、視頻等)的方法。

　　在我們生活環境中，人臉認證系統中主要容易受到這種手段欺騙：

　　(1)用偷拍的照片假冒真實人;

　　(2)在公開場合錄的視頻或網上公開的視頻片段;

　　(3)用計算機輔助軟件設計的三維模型欺騙;

　　(4)用蠟或塑料等材質構造的三維雕像欺騙。

　　現在所以人臉活體檢測技術的研究顯得異常重要。對于照片欺騙，主要是根據分辨率、三位三維信息、眼動等來進行區分;對于視頻欺騙，根據三維信息、光線等來區分。

　　人臉識別技術的主要用途

　　1、人臉識別技術應用于鐵路安防系統

　　隨著技術的進步，人員組織的不斷復雜化，鐵路安全形勢不斷面臨新的挑戰。火車票實名制有效阻止了不法分子進入車站，但是，目前鐵路客運安全檢查，基本還是靠安檢員來檢查票、證、人是否一致，而證件照片往往是多年前的照片，安檢員很難辨認，辨別度很低。而人臉識別技術，準確度高、便捷性好，運用于鐵路安防系統，將極大的提高安防系統，強化通關，讓不法分子無空子可鉆。另外，人臉識別技術還能助力強化追溯，支持在超大的人像庫中定位查找對象，這將有力協助公安部門偵破案件，或抓捕在逃案犯。

　　2、人臉識別技術應用于教育領域

　　近年來，從中考、高考等升學考試，到執業資格、晉級升職等等考試，均不同程度地出現了替考現象，而利用人臉識別技術實現證件內照片特征和實時人臉照片特征比對識別，辨別考生身份，可防止考場替考現象的發生。人臉識別技術還可應用于校園，能有效地對進入校園的可疑人員做到預警。

　　3、人臉識別技術推進于智能城市建設

　　隨著人類社會的不斷發展，未來城市將承載越來越多的人口，為實現城市可持續發展，建設智慧城市已成為當今世界城市發展不可逆轉的歷史潮流。而在智慧城市的建設過程中，需注重對信息的結構化存儲、分析挖掘，人臉的結構化云識別儲存是構建整個智慧城市基礎數據之一，是智慧城市云儲存體系中的不可或缺的一部分。通過智慧城市的高速數據傳輸鏈及結構化的數據篩選，可將人臉大數據與智慧城市中其它的大數據之間碰撞出火花，更加凸顯出人臉識別“用”的價值。

　　如今，人臉識別技術不再僅僅局限在考勤、門禁行業的簡單應用，而是憑借其人臉的唯一匹配性以及安全優勢，受到高安全性環境應用領域的青睞。而廈門云脈技術近年來致力于人臉識別核心技術的研發與產品化，并推動其與各行業相結合，依托自研的人臉識別算法以及成熟的OCR識別技術，為切實解決不同行業難題，推出了不同的人臉識別解決方案。云脈人臉識別技術識別速度快，精度高，不受一些化妝、眼鏡等因素影響。

　　人臉識別的技術難點

　　人臉識別雖說發展到現在3、40年的時間了，但它一直存在的幾個難點，到現在也沒能徹底解決。

　　1、光照問題

　　光照問題是機器視覺重的老問題，在人臉識別中的表現尤為明顯。由于人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特征。

　　2、表情姿態問題

　　與光照問題類似，姿態問題也是目前人臉識別研究中需要解決的一個技術難點。姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正而人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識別的準確率。

　　3、遮擋問題

　　對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往彼監控對象都會帶著眼鏡，帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至會導致人臉檢測算法的失效。

　　4、年齡變化

　　隨著年齡的變化，面部外觀也在變化，特別是對于青少年，這種變化更加的明顯。對于不同的年齡段，人臉識別算法的識別率也不同。一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對于不同的年齡段，人臉識別算法的識別率也不同。

　　5、人臉相似性

　　不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區分人類個體是不利的。

　　6、圖像質量

　　人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率、噪聲大、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等)如何進行有效地人臉識別是個需要關注的問題。同樣的，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。

　　7、樣本缺乏

　　基于統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。

　　8、海量數據

　　傳統人臉識別方法如PCA、LDA等在小規模數據中可以很容易進行訓練學習。但是對于海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。

　　9、大規模人臉識別

　　隨著人臉數據庫規模的增長，人臉算法的性能將呈現下降。