人脸识别技术

人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一，被广泛应用于公共安全（罪犯识别等）、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统等各个方面。

计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中提取出有效的识别信息, 用来“辨认”身份的一门技术.虽然人类的人脸识别能力很强, 能够记住并辨别上千个不同人脸, 可是计算机则困难多了. 其表现在: 人脸表情丰富; 人脸随年龄增长而变化; 人脸所成图象受光照、成象角度及成象距离等影响;人脸识别还涉及到图象处理、计算机视觉、模式识别以及神经网络等学科, 也和人脑的认识程度紧密相关。

所谓“人脸识别 (Face Recognition)”的研究范围十分宽泛，大致可以被分为以下几个方面的内容：

1、人脸检测(Face Detection)：

即从各种不同的场景中检测出人脸的存在并确定其位置。在大多数的场合中由于场景较复杂，人脸的位置是预先不知道的，因而首先必须确定场景中是否存在人脸，如果存在人脸，再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种各样遮挡等因素都会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，把图像分割成两个部分-人脸区域和非人脸区域，从而为后续的应用作准备。

2、人脸表征(Face Representation)：

即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。

3、人脸识别(Face Identification)：

即将已检测到的待识别的人脸与数据库中的已知人脸进行比较匹配，得出相关信息，这一过程的核心是选择适当的人脸的表征方式与匹配策略，系统的构造与人脸的表征方式密切相关。通常或是选择全局的方法或是选择基于特征的方法进行匹配。显然，基于侧面像所选择的特征和基于正面像的特征是有很大的区别的。

4、表情分析(Expression Analysis)：

即对待识别人脸的表情信息(快乐、悲伤、恐惧、惊奇等)进行分析，并对其加以归类。

5、生理分类(Physical Classification)：

即对待识别人脸的生理特征进行分析，得出其种族、年龄、性别、职业等相关信息。显然，完成这一操作需要大量的知识并且通常是非常困难和复杂的。

人脸识别技术的发展历程

人脸识别的工程应用始于20世纪60年代，经过50多年的研究，大致可以分为以下三个阶段：

第一阶段是主要解决了人脸识别所需要的面部特征。

这一阶段的研究以Bertillon、Allen和Parke为代表。在 Bertillon的系统中，用一个简单的语句与数据库中某一张脸相联系，同时与指纹分析相结合，提供了一个较强的识别系统。而Allen则设计了一种有效的摹写手段，并在其后由Parke用计算机实现。然而无论是哪种方式，该阶段的识别过程仍然全部依赖于操作人员，需要许多人为干预，无法实现自动人脸识别。

第二阶段是人机交互式识别阶段。

研究人员用数学模型描述人脸图像中的五官长度等主要几何特征，并通过欧氏距离进行相似性度量。Harmon和Lesk利用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。其后，Kaya、Kobayashi和T. Kanad也分别采用了各种不同的方式，对几何特征计算进行了研究[5][6]。但是，该方法依赖于操作员的知识，仍无法摆脱人的干预。

第三阶段是真正的机器自动识别阶段。

该阶段人脸识别技术有了重大突破，很多经典算法相继出现，如特征脸、子空间方法、弹性图匹配法、基于统计外观模型和神经网络的人脸识别等。同时，也出现很多用于算法性能测试的公开人脸库，如ORL人脸库、YaleB人脸库、FERET人脸库等。

常用的人脸识别方法

一个全自动人脸识别系统一般包括三个关键技术：人脸检测、特征提取和人脸识别。

根据方式的不同，人脸识别方法分为基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法和多分类器集成方法。其中，基于几何特征、模型和统计的方法最为常见。

(1)   基于几何特征的方法

记载最早的人脸识别方法就是 Bledsoe提出的基于几何特征的方法，该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸。基于几何特征的方法非常直观，识别速度快，内存要求较少，提取的特征在一定程度上对光照变化不太敏感。但是，当人脸具有一定的表情或者姿态变化时，特征提取不精确，而且由于忽略了整个图像的很多细节信息，识别率较低，所以近年来已经很少有新的发展。

(2)   基于模型的方法

基于模型的方法也是人脸识别的重要形式，其中最广为使用的是隐马尔可夫模型。它是一种基于整体的或然率统计方法。对于一幅正面的人脸来说，马尔可夫的“状态”包括前额、眼睛、鼻子、嘴巴和下巴，这些状态以相同的顺序从上到下出现。这样，可以把人脸图像和隐马尔可夫模型结合起来，这些脸上的特征区域被指定为状态。其他模型还包括主动形状模型和主动表象模型等。

(3)  基于统计的方法

基于统计的三种人脸识别方法包括特征脸、Fisher脸和奇异值分解。使用特征脸进行人脸识别的方法首先由Sirovichand Kirby提出，并由Matthew Turk和Alex Pentland用于人脸分类。这些特征向量是从高维矢量空间的人脸图像的协方差矩阵计算而来，而该方法被认为是第一种有效的人脸识别方法。Fisher脸法由Ronald Fisher发明，其所基于的LDA理论和特征脸里用到的PCA有相似之处，都是对原有数据进行整体降维映射到低维空间的方法。而奇异值分解法，就是通过取奇异值分解中前面较大的奇异值对应的特征向量，提取出图像中由光照、表情、姿势等噪声对应的高频信息，来重构图像。

人脸识别技术优势

人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势：

1、使用方便，用户接受度高。

人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。

2、直观性突出。

人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。

3、识别精确度高，速度快。

与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。

4、不易仿冒。

在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。

5、使用通用性设备。

人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。

6、基础资料易于获得。

人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。

7、成本较低，易于推广使用。

由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。

概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。

人脸识别技术的应用

随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。

与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。当前的人脸识别技术主要被应用到了以下几个方面：

（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。

（2）证件验证在许多场合（如海关，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。

（4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。

（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。

免责声明：本文版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除内容！本文内容为原作者观点，并不代表本公众号赞同其观点和对其真实性负责。