人臉識別技術在公安業務中的應用

宋　睿

(中遠海運科技股份有限公司，上海 200135)

0　引　言

隨著城市化建設步伐的加快，城市中外來人口大量涌入，流動人口的特性使城市人口的管理難度大幅提升。目前，各地市基本已建有大量的視頻監控系統，但通過監控系統操作人員進行肉眼檢索，難以在海量數據中迅速、高效地查詢到有價值的相關信息。因此，需對管理理念與技術手段進行創新，智能、高效及快速地實現人員相關信息的采集、捕捉與處理。

生物識別一直是市場上受關注的焦點技術，一直保持著較快的發展速度。人體生物特征具有唯一性、穩定性、可識別性及不可復制等顯著特點，用于人員身份識別具有更高的安全性。人臉識別技術作為生物識別技術的一種，由于其非接觸性采集的特點和良好的用戶接受度，在公共安全領域中得到廣泛的關注。

伴隨人臉識別技術的深度學習算法、計算機視覺等技術的發展也不斷取得進步，動態實時人臉采集和匹配識別的準確性也越來越高，人臉識別的準確率也已基本達到實用程度。同時，一些城市視頻監控規模不斷擴大、技術不斷完善(如上海市共有公共安全視頻監控探頭已超過10萬個，高清監控攝像機逐漸取代傳統模擬攝像機)為人臉識別系統提供大量的數據采集來源，使得人臉識別技術在公安信息化工作建設中得到更廣泛地應用。

這里主要介紹人臉識別技術基本原理、發展歷程、在公安業務領域的應用及對人臉識別技術應用未來的展望。

1　人臉識別技術簡介

人臉識別技是基于人的臉部特征信息進行身份識別的一種識別技術。采用傳統高清探頭采集含圖像或視頻流中的人臉，并進行尋跡與檢測，再進行一系列相關人工智能技術識別的一種典型應用。

1.1　人臉識別算法的改進

人工智能的發展過程中，分別經歷了模式識別、機器學習和深度學習等4個階段。2012年后，人臉識別領域利用深度學習技術實現了突破，人臉識別算法已滿足基本實用要求的程度。

人臉的機器識別研究開始于20世紀70年代，識別算法不斷改進和發展，從早期的人臉灰度圖模型、多維特征矢量表示人臉面部特征，到20世紀90年代后的基于幾何特征的人臉識別方法、基于統計的識別方法、基于相關匹配的方法及基于神經網絡方法、三維模型的方法等[1-3]。人臉識別技術研究人員對上述算法不斷改進處理流程、對描述進行優化，提取更有效的特征，使人臉識別準確度得到大幅提高。然而在深度學習誕生前，“淺”人臉識別時代的各種算法，遠比不上人類本身所具有的人臉識別能力。

2012年前后，深度學習技術在整個機器視覺領域應用范圍不斷擴大，人臉識別正式邁向了的“深”時代，人臉識別的準確率逐漸達到實用程度，眾多廠商推出了相關產品，人臉識別成為了視頻監控行業內的熱點技術方向，在公安、金融及教育等領域均取得廣泛的應用。

1.2　深度學習算法

深度學習的概念由HINTON[4]等于2006年提出，從人工神經網絡的研究中延伸而來，典型結構是含多隱層的多層感知器。深度學習通過組合低層特征向高層表示屬性類別或特征進行一步步的抽象，以發現目標數據的分布式特征表示。

2012年，深度學習技術進一步在圖像識別領域得到廣泛應用[5]。基于深度學習的圖像識別比傳統識別算法的準確度有著顯著的提高，充分證明多層神經網絡識別效果的優越性。

深度神經網絡分為很多種，目前應用最成功的包括卷積神經網絡(Convolutional Neural Network, CNN)和長短期記憶網絡(Long Short-Term Memory, LSTM)[6]，雖然二者都是在比較早期的時候就提出的理論，但近幾年來，隨著計算能力的提升和計算成本的下降，它們才開始被廣泛應用于商業領域。蘋果、谷歌、微軟、Facebook及亞馬遜等巨頭都在使用，上述算法廣泛應用于機器人控制、圖像分析、文檔總結、視頻識別、手寫識別、聊天機器人、智能助手、推薦系統、預測疾病和股票市場等領域[7]。

1.3　深度學習在人臉識別技術中的應用

人臉識別技術整個流程(見圖1)，主要包括人臉檢測、特征點定位及最后的人臉比對識別。人臉檢測過程即在圖像中找出是否具有人臉，進行定位跟蹤；臉特征點定位即識別出人臉中主要器官的位置，比如眼睛鼻子等；人臉比對識別即最后用所識別的人臉與人臉庫中的進行匹配，進行身份識別。

圖1　人臉識別流程說明

人臉檢測、特征點定位和人臉識別這3個過程的研究在深度學習技術出現之前并不是統一的。從20世紀90年代到2010年，隨著技術不斷深入，科學工作者對每個子過程都發現一些效果良好的實現算法。但由于研究者需根據每個子過程本身的特點設計不同的特征選擇不同算法，因此整體人臉識別效率受到子過程不同算法的制約，達到人臉識別準確率的瓶頸。

2012年，深度學習技術在機器視覺領域受到廣泛的應用，人臉識別正式邁進“深”時代。短短幾年，人臉識別的3個子過程中運用基于深度卷積神經網絡的方法均刷新人工智能算法以前的記錄。深度學習技術曾經紛繁多樣的技術和方法被迅速淘汰。研究人員不需在每一個人臉識別子過程中進行針對性的特征判別方法研究，深度學習算法可自動學習對特定任務最有用的特征，研究人員時工作重點轉變為深度學習算法模型優化。

隨著深度學習火熱和在人臉識別上的成功應用，各人臉識別廠商在國際權威人臉識別公開測試集(Labeled Face in the Wild，LFW)數據庫上獲得很好的測試結果。在2014年，Facebook利用DeepFace的深度學習算法，在該數據庫上的測試結果顯示該深度學習算已經超過人類肉眼人臉識別準確度。目前幾大開源深度學習項目(例如CAFFE，TORCH, TensorFlow)進一步發展，深度學習算法真正在人臉識別領域獲得廣泛應用，不久之后很多其他研究部門的基于深度學習的方法在LFW數據庫上均超過人類肉眼人臉識別準確度。

2　公安業務中的人臉識別系統簡介

各廠商在公安業務中的人臉識別系統架構大多相似，系統架構見圖2。

圖2　系統構架

系統平臺由前端接入終端、網絡傳輸、后端處理服務和業務應用等部分組成。

前端接入主要是實現各種形式前端的接入，包括新建人臉識別的前端、原有高清監控前端等設備，通過這些設備提供人臉采集信息，提供數據資源。

信號傳輸即實現視頻或圖片的數據傳輸。

后端處理即分析系統中用于計算、分析、存儲的設備、數據庫和服務軟件。數據庫包括布控庫、靜態檢索庫、歷史通過人員日志人臉信息庫及系統基礎信息等。后端處理系統實現對端采集的視頻信息分析、人臉采集、特征提取和人臉比對報警等功能。

應用系統即人臉識別系統后端展示界面，人臉查詢、人臉比對各類應用的交互界面。

2.1　處理流程

人員信息采集處理流程是系統人員處理的主流程見圖3。

圖3　人臉識別處理流程

2.1.1人臉檢測

人臉檢測負責在圖像中查詢人臉。若檢測出人臉，將定位人臉圖片坐標及大小等相關信息。人臉跟蹤負責檢測到人臉位置、對坐標進行實時跟蹤。

2.1.2特征提取

通過特征提取算法，可定位人臉圖像中顯著特征點的位置(如眼睛、眉毛、鼻子及嘴巴等)，并獲取這些器官或輪廓的相關描述信息再通過某些運算得到人臉特征的描述。

2.1.3比對識別

即窄意上的人臉識別(Face Identification)，通過前端采集的人臉圖像與人臉庫中所有已知身份信息的人臉圖像進行相似度檢測，以確認被監測人臉身份信息對應。

2.1.4報警處理

即布控人員聯動報警。系統根據人臉庫的性質和比對結果，觸發實時布控報警信息，并將相關比對結果進行展示，報警信息包含多個備選條件，便于用戶進行報警判斷。

2.2　人臉業務庫

人臉識別系統中的人臉庫主要有3種類型，包括動態布控庫、靜態檢索庫及人臉日志庫(見圖4)。

圖4　人臉庫構成示意

2.2.1動態布控庫

動態布控庫結合實時布控任務，又稱“黑名單庫”。庫中包含主要信息有 “布控人員”的人臉圖片、身份信息和結構化的人臉特征數據，用于在布控位置進行人臉比對和報警。

2.2.2靜態檢索庫

靜態檢索庫包括海量人臉圖片、身份信息和結構化的人臉特征數據，一般是某地區的常住人口信息庫及暫住人口信息庫等，用于圖片檢索比對和身份信息查詢，以確定身份。

2.2.3人臉日志庫

人臉日志庫包括動態布控中獲取的大場景抓拍圖片、人臉圖片和結構化的人臉特征數據、抓拍時間、抓拍地點等信息。用于人臉圖片檢索，查詢布控人員出沒地點、時間及坐標，在GIS地圖上進行路徑分析等。

2.3　系統功能

圖5　系統功能

2.3.1實時布控

利用已建或新建的高清的治安探頭，系統可自動獲取監控視頻中的人臉照片或接收人臉抓拍治安探頭回傳的圖片，獲取每個出入口通道、公共場所通道及重點區域等人員的面貌信息，并利用人臉識別技術進行實時比對和識別，一旦發現特征符合的人員后即可發出警報信號通知公安民警。

2.3.2報警管理

報警管理頁面顯示歷史報警信息，基于監控捕獲的人員照片，根據監測攝像機位置、照片屬性信息及抓拍時間等信息，提供歷史人臉識別信息的檢索與定位查看功能，支持按時間、攝像機、狀態、比分、所在庫、布控人員及身份證號的條件多級篩選。

2.3.3軌跡分析

基于動態人臉布控采集所得的人臉照片，構成歷史通行人員的人臉庫，可記錄歷史通行人員出現的時間、地點及當時的環境背景情況。

2.3.4靜態檢索

1:1核驗即提供2張以上照片的相似度分析識別能力，通過對2張人臉照片進行比對，判斷是否2張人臉照片為同一人。

1:N檢索即可選擇目標人臉庫進行人臉照片檢索，檢索結果按照相似度排序，并可查看檢索人臉的詳細信息。

身份證檢索即可根據通過身份證號檢索出的照片與輸入照片進行比對，用于核實人員身份。

M:N碰撞即可選擇各類人臉大庫進行碰撞比對，比對結果按照相似度排序，并可查看檢索人臉的詳細信息。

3　行業市場動態

由于深度學習技術具有廣泛適用性與巨大的潛力，國際互聯網巨頭如Google，Facebook及Microsoft均第一時間進行資源投入，國內互聯網領袖BAT等3家企業也不惜資源進行技術儲備，目前我國在人臉識別領域處于第一梯隊，根據專利數量總和來看，我國人臉識別公開專利已達4 000多項，與其他國家和地區相比具有顯著優勢，處于全球領先地位。

在人臉識別領域學術界一些知名技術團隊包括清華大學的蘇光大教授團隊、中科院的自動化所的李子青教授團隊、香港中文大學的湯曉鷗教授的團隊等，均取得了杰出的成果。

在人臉識別領域，眾多公司紛紛推出相關產品，除海康威視、大華股份等安防廠商，漢王等傳統圖像識別公司，騰訊百度阿里巴巴互聯網巨頭，還涌現許多專注于人臉識別技術的創業公司，包括Face++、商湯科技、知圖、Linkface、優圖、格靈深瞳、深醒科技、中科奧森等。

人臉識別行業發展前景樂觀，具有以下趨勢。

3.1　市場規模進一步擴大

根據《2015全球安防設備市場報告》， 2012年到2015年，我國人臉識別市場規模從的16.7億元攀升至75億元。經過統計在各個應用領域中市場規模，公安領域16億以上、交通領域為50億以上、教育領域百億級別、金融領域百億級別，安防硬件存量市場除開，整體市場規模就達到數百億。

3.2　政策支持力度不斷加強

2015年以來，國家密集出臺了各項等法律法規和相關技術標準，為人臉識別在金融、安防及醫療等領域的普及提供了有力支撐，掃清了政策障礙。2017國家政府報告中首次加入人工智能內容，人臉識別技術作為人工智能領域中的重要應用，相關政策支持力度將不斷增強。

3.3　市場規模

在市場規模保持快速增長，政策支持力度明顯加大的背景下，資金迅速集中于人臉識別領域，市場規模不斷擴大。

3.4　多方參與，競爭白熱化

各方資本迅速進入人臉識別市場進行布局，導致目前還處于互相競爭、共同開發的階段，尚未形成幾家獨大的局面。審視人臉識別技術整個發展歷程，可推斷當前技術壁壘逐漸降低，使得落地項目多集中在政府及火車站等，資金、渠道顯得愈發重要。

4　未來展望

經過多年的研究與發展，人臉識別技術已具備實用性，在現實場景中也得到了比較廣泛的應用，國內主流人臉識別企業與一流學術研發團隊均在LFW，MegaFace，FDDB中取得過優異的成績，國內企業的人臉檢測算法已達到世界頂級水平。

據以上分析，目前在公安業務中，人臉應用將聚焦在以下幾個方面：

1) 街面治安類案事件。通過人臉系統提供實時報警并指導一線警員針對街面治安類案件進行及時布控和抓捕。

2) 情報預警。通過人臉系統捕獲各類公安情報線索中的嫌疑對象，進行軌跡分析和落腳點查詢。

3) 人口管理。通過人臉系統在各建筑物出入口的建設，實現對建筑物內實有人口的排摸，充分掌握建筑實有人口信息，并進行有針對性的管理。

4) 重點人員管控排查。通過人臉系統對各類在逃人員和重點關注人員進行實時比對和報警推送，便于公安機關及時發現及掌握重點人員的活動情況。

在實際應用中人臉檢測問題還并沒有被完全解決，某研究機構做過一項測試，其開發的算法曾在LFW數據集上達到極高的準確率，但是在一個真實的公安安防認證應用中，由于實際情況相對于實驗室環境的復雜性與多變性，使得準確率將降低至66%，在滿足公安實戰應用需求上尚有欠缺。

復雜多樣的人臉姿態、遮擋情況、光照條件、不同的分辨率、清晰度、膚色差及千萬級甚至億級的人臉檢索任務，各種內外因素的共同作用阻礙了人臉識別在現實生活中更加廣泛的應用。未來研究中，隨著科技的不斷進步發展，模型對現場復雜環境的適應能力的不斷提高，機器人臉識別技術將達到甚至超越人類識別的精確度。

參考文獻：

[1]HADDADNIA J，AHMADI M，FAEZ K A Hybrid Learning RBF Neural Network for Human Face Recognition with Pseudo Zernike Moment Invariant [C]//International Joint Conference on Neural Networks. IEEE, 2002: 11-16.

[2]梁路宏, 艾海舟, 徐光祐,等,人臉檢測研究綜述[J]. 計算機學報, 2002, 25(5):449-458.

[3]SAMARIA F S, HARTER A C., Parameterisation of a Stochastic Model for Human Face Identification[C]// Applications of Computer Vision, IEEE Xplore, 1994:138-142.

[4]HINTON G E,OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural computation, 2014, 18(7):1527-1554.

[5]JONES M J, VIOLA P. Robust Real-Time Ojbect Detection[J]. International Journal of Computer Vision, 2001, 57(2): 87.

[6]CHENG Y, LIU K，YANG J，et al. Human Face Recognition Method Based on the Statistical Model of Small Sample size[J]. Proceedings of SPIE-The International Society for Optical Engineering, 1992(6): 85-95.

[7]李武軍, 王崇駿, 張煒，等.人臉識別研究綜述[J]. 模式識別與人工智能, 2006, 19(1):58-66.