人臉識別技術綜述與展望

趙昆 張輝 蘇達釗 商霓

摘 要： 人臉識別是計算機技術研究領域比較熱門的方向之一，它融合許多跨學科知識，應用十分廣泛。本文首先介紹了人臉識別技術，并對常用的幾種人臉識別方法進行分析與比較，總結了人臉識別面臨的技術難題，最后展望了人臉識別技術發展方向。

關鍵詞： 人臉識別；特征提取；模板匹配；深度學習；神經網絡

1.引言

人臉自動識別技術是指計算機對人臉圖像進行特征提取和識別的一門技術。無論是靜態圖像還是視頻圖像，該技術都可以從中找出需要檢測的人臉圖像，然后與數據庫中的人臉數據進行對比，找出最佳匹配，從而達到身份識別與鑒定的目的。

近年來，隨著科技的不斷進步，人臉識別在保險、金融、安防、教育、娛樂等行業發展迅速。與其他身份識別技術相比，人臉識別具有以下優越性[2]：非接觸性；直觀性突出；可跟蹤性好；防偽性好；性價比高；精度高、速度快。但是人臉識別容易受到表情、背景、裝飾物、年齡跨度等諸多因素的干擾，從而加大了精準識別的難度。

2. 人臉識別的過程

一般人臉識別過程如圖1所示。

3. 人臉識別方法介紹

（1）基于幾何特征的人臉識別方法

基于幾何特征的人臉識別方法是BLEDSOE最先提出的。該方法主要是對面部特征點進行幾何運算，計算得出描述每個面部關鍵位置的特征矢量。目標人臉由這些特征矢量表示出來，再與數據庫中的人臉進行比對，找出最為匹配的人臉。該方法優點：操作簡便，淺顯易懂；占據存儲空間小；識別速度快；受光照影響較小。但當表情或者姿態發生變化時，面部器官位置也隨之變化，導致無法提取穩定的特征。而且由于忽略了整個圖像的很多細節信息，其識別率較低。

（2）基于模板匹配的人臉識別方法

基于模板匹配的方法預先給定包含了人臉特征的標準模板，但這些模板的長寬比例不同。然后在全局范圍內，通過不斷迭代來更改模板大小，根據這些模板與待測對象的相似性大小進行比對和識別，尋求最佳匹配[2]。早在1993年，Poggio 和 Brunelli就對上述兩種方法進行過比較，并得出模板匹配方法比幾何特征方法識別率高的結論。

（3）基于特征臉的人臉識別方法

在20世紀90年代初，TURK首次提出基于特征臉的人臉識別方法。首先按照從上到下、從左到右的順序，將一幅人臉圖像所有像素的灰度值組成一個高維向量，然后通過主成分分析法，將人臉圖像降維，之后采用線性判別分析，進而識別人臉。該方法具有計算簡單、使用方便、效果良好的優點。但是它對于拍照角度、拍照環境、光照強度等外界因素要求很高，進而導致識別準確率較低。

（4）基于彈性圖匹配的人臉識別方法

彈性圖匹配方法是基于動態鏈接結構的一種算法。Lades M等人在1992年首次將該方法用于人臉識別并取得了較好效果。使用該方法時，首先尋找與目標圖像最相近的模型圖，再對圖中的每個節點位置進行相似匹配，最后生成一個拓撲圖。拓撲圖中節點和模型圖中對應點的位置相近，進而對人臉進行識別[3]。該方法受光照、表情等因素影響較小，優于特征臉方法。但計算速度慢，占據存儲空間大。

（5）基于神經網絡的人臉識別方法

基于人工神經網絡的人臉識別研究方法主要采用BP神經網絡學習算法。1997年，Lin.等研究了一種基于神經網絡的全自動人臉檢測系統，在當時引起了很大反響。人工神經網絡優秀的學習能力、分類能力使得對人臉進行特征提取與識別更加容易[4]。神經網絡方法通過學習過程，避免了復雜的特征提取工作，使獲得人臉識別規律的隱性表達更加容易。

（6）基于深度學習的人臉識別方法

深度學習能夠模擬人類視覺感知神經系統的認知學習，從而獲得更具表征力的高層特征。2012年，Lee H等率先將深度學習用于 LFW數據庫的人臉識別。他們采用無監督的特征學習方法，取得了 87%的識別率。目前，深度學習算法的識別率已經達到了99.47%，，甚至超過了人眼的識別率[5]。該方法通過學習得到更有意義的數據，并且能建立更精確的模型。然而，訓練模型需要很長時間，并且要不斷地迭代來進行模型優化，但不能保證得到全局最優解。

4. 面臨的主要問題

（1）影響人臉識別的諸多問題沒有得到根本性解決。一是光照、背景問題；二是面部表情、面部姿態問題；三是裝飾物遮擋問題；四是整容、化妝問題。

（2）急需大型、公開人臉數據集。LFW數據集作為最實用的的人臉測試數據集，識別率一直被刷新。現有人臉識別系統還不能準確識別超百萬的數據集。所以未來急需更具挑戰性的公開人臉數據集]。

（3）需要用戶友好的系統，來保護我們的財產和隱私不被人竊取。現有的商業性人臉識別系統并不能滿足這樣的需求。

5.總結與展望

現在深度學習和神經網絡已經成為人臉識別領域的主流發展方向，但傳統的一些方法仍然取得了很好的效果。提高魯棒性、提高準確率、提高運行速度、減少計算量是未來識別技術研究的方向。在不久的將來，人臉識別技術將隨處可見，并且更加便利、更加安全。

參考文獻

[1]蘇祎芳.人臉識別技術應用及前景展望[J].云南警官學院學報，2017（04）：106-110.

[2]祝秀萍，吳學毅，劉文峰.人臉識別綜述與展望[J].計算機與信息技術，2007（12）：53-56.

[3]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（2）.

[4]吳斯.基于多尺度池化的卷積神經網絡人臉識別方法研究.[D] 浙江：浙江大學，2016（6）.

[5]馬良慧.基于深度學習的人臉識別算法研究.[D] 山東：山東理工大學，2017（4）.