人臉識(shí)別技術(shù)

 過(guò)去的2017年，手機(jī)的安全功能進(jìn)入了人臉識(shí)別技術(shù)時(shí)代，其實(shí)在我們生活中涉及安全范疇的領(lǐng)域，人臉識(shí)別技術(shù)已經(jīng)被廣泛使用了。

人臉識(shí)別是近年來(lái)模式識(shí)別、圖像處理、機(jī)器視覺、神經(jīng)網(wǎng)絡(luò)以及認(rèn)知科學(xué)等領(lǐng)域研究的熱點(diǎn)課題之一，被廣泛應(yīng)用于公共安全(罪犯識(shí)別等)、安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、醫(yī)學(xué)、檔案管理、視頻會(huì)議、人機(jī)交互系統(tǒng)等各個(gè)方面。

人臉識(shí)別技術(shù)

計(jì)算機(jī)人臉識(shí)別技術(shù)也就是利用計(jì)算機(jī)分析人臉圖象, 進(jìn)而從中提取出有效的識(shí)別信息, 用來(lái)“辨認(rèn)”身份的一門技術(shù).雖然人類的人臉識(shí)別能力很強(qiáng), 能夠記住并辨別上千個(gè)不同人臉, 可是計(jì)算機(jī)則困難多了. 其表現(xiàn)在: 人臉表情豐富; 人臉隨年齡增長(zhǎng)而變化; 人臉?biāo)蓤D象受光照、成象角度及成象距離等影響;人臉識(shí)別還涉及到圖象處理、計(jì)算機(jī)視覺、模式識(shí)別以及神經(jīng)網(wǎng)絡(luò)等學(xué)科, 也和人腦的認(rèn)識(shí)程度緊密相關(guān)。

所謂“人臉識(shí)別 (Face Recognition)”的研究范圍十分寬泛，大致可以被分為以下幾個(gè)方面的內(nèi)容：

1、人臉檢測(cè)(Face Detection)：

即從各種不同的場(chǎng)景中檢測(cè)出人臉的存在并確定其位置。在大多數(shù)的場(chǎng)合中由于場(chǎng)景較復(fù)雜，人臉的位置是預(yù)先不知道的，因而首先必須確定場(chǎng)景中是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。臉部毛發(fā)、化妝品、光照、噪聲、面部?jī)A斜和人臉大小變化以及各種各樣遮擋等因素都會(huì)使人臉檢測(cè)問(wèn)題變得更為復(fù)雜。人臉檢測(cè)的主要目的是在輸入的整幅圖像上尋找人臉區(qū)域，把圖像分割成兩個(gè)部分-人臉區(qū)域和非人臉區(qū)域，從而為后續(xù)的應(yīng)用作準(zhǔn)備。

2、人臉表征(Face Representation)：

即采取某種表示方式表示檢測(cè)出的人臉和數(shù)據(jù)庫(kù)中的已知人臉。通常的表示法包括幾何特征(如歐氏距離、曲率、角度)、代數(shù)特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。

3、人臉識(shí)別(Face Identification)：

即將已檢測(cè)到的待識(shí)別的人臉與數(shù)據(jù)庫(kù)中的已知人臉進(jìn)行比較匹配，得出相關(guān)信息，這一過(guò)程的核心是選擇適當(dāng)?shù)娜四樀谋碚鞣绞脚c匹配策略，系統(tǒng)的構(gòu)造與人臉的表征方式密切相關(guān)。通?；蚴沁x擇全局的方法或是選擇基于特征的方法進(jìn)行匹配。顯然，基于側(cè)面像所選擇的特征和基于正面像的特征是有很大的區(qū)別的。

4、表情分析(Expression Analysis)：

即對(duì)待識(shí)別人臉的表情信息(快樂(lè)、悲傷、恐懼、驚奇等)進(jìn)行分析，并對(duì)其加以歸類。

5、生理分類(Physical Classification)：

即對(duì)待識(shí)別人臉的生理特征進(jìn)行分析，得出其種族、年齡、性別、職業(yè)等相關(guān)信息。顯然，完成這一操作需要大量的知識(shí)并且通常是非常困難和復(fù)雜的。

人臉識(shí)別技術(shù)的發(fā)展歷程

人臉識(shí)別的工程應(yīng)用始于20世紀(jì)60年代，經(jīng)過(guò)50多年的研究，大致可以分為以下三個(gè)階段：

第一階段是主要解決了人臉識(shí)別所需要的面部特征。

這一階段的研究以Bertillon、Allen和Parke為代表。在 Bertillon的系統(tǒng)中，用一個(gè)簡(jiǎn)單的語(yǔ)句與數(shù)據(jù)庫(kù)中某一張臉相聯(lián)系，同時(shí)與指紋分析相結(jié)合，提供了一個(gè)較強(qiáng)的識(shí)別系統(tǒng)。而Allen則設(shè)計(jì)了一種有效的摹寫手段，并在其后由Parke用計(jì)算機(jī)實(shí)現(xiàn)。然而無(wú)論是哪種方式，該階段的識(shí)別過(guò)程仍然全部依賴于操作人員，需要許多人為干預(yù)，無(wú)法實(shí)現(xiàn)自動(dòng)人臉識(shí)別。

第二階段是人機(jī)交互式識(shí)別階段。

研究人員用數(shù)學(xué)模型描述人臉圖像中的五官長(zhǎng)度等主要幾何特征，并通過(guò)歐氏距離進(jìn)行相似性度量。Harmon和Lesk利用多維特征矢量表示人臉面部特征，并設(shè)計(jì)了基于這一特征表示法的識(shí)別系統(tǒng)。其后，Kaya、Kobayashi和T. Kanad也分別采用了各種不同的方式，對(duì)幾何特征計(jì)算進(jìn)行了研究[5][6]。但是，該方法依賴于操作員的知識(shí)，仍無(wú)法擺脫人的干預(yù)。

第三階段是真正的機(jī)器自動(dòng)識(shí)別階段。

該階段人臉識(shí)別技術(shù)有了重大突破，很多經(jīng)典算法相繼出現(xiàn)，如特征臉、子空間方法、彈性圖匹配法、基于統(tǒng)計(jì)外觀模型和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別等。同時(shí)，也出現(xiàn)很多用于算法性能測(cè)試的公開人臉庫(kù)，如ORL人臉庫(kù)、YaleB人臉庫(kù)、FERET人臉庫(kù)等。