人臉識別技術的發展與應用

李國鑫

摘 要 人臉識別技術，是一項新型的生物識別技術，伴隨著近些年來計算機技術和光學成像技術的突飛猛進，該技術已經逐步成熟應用于多種場合，例如身份識別、安保支付等。人臉識別技術也是人工智能領域在計算機視覺領域的一項重要應用，通過對其展開深入的研究具有很大的積極意義。文章詳細介紹了目前人臉識別技術在國內外的發展情況，并對人臉識別技術實現的3個基本過程——特征提取、建立模型、模型測試進行說明，最后又簡述了人臉識別技術在現實場景中的實際應用情況。

關鍵詞 人臉識別；特征提取；模型；人臉檢索

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）220-0102-02

人臉識別技術作為生物特征識別領域中一種基于生理特征的識別，是通過計算機提取人臉特征，并根據這些特征進行身份驗證的一種技術[ 1 ]。近期，依靠人臉識別進行支付驗證的手段已漸漸從實驗階段進入人們的生活，新一代的支付方式伴隨著移動互聯網的發展，受到越來越多用戶的關注。早期，生物的識別方法多以指紋識別，虹膜識別為主，但伴隨著各種技術的發展，人臉識別技術已憑借其特有的優勢取代其他技術。

同時，更加值得關注的是，人臉識別是人工智能在圖像領域的一項重要應用，人工智能技術的發展不斷優化著人臉識別的表現，相反，人臉識別的進步也為人工智能的發展帶來更多的啟發。隨著計算機和模式識別技術的發展，人臉識別技術以它應用范圍廣的特點再次受到人們的重視，成為計算機視覺和模式識別領域的一個熱門領域[2]。

1 人臉識別技術的發展

1.1 國內人臉識別技術的發展

我國人臉識別技術的發展起步較晚，最早只是一些研究所和高校會參與到人臉識別的研究中，相應的，在實際應用方面，真正參與的企業也很少。但是，伴隨著近些年來，市場對于人臉識別的迫切需求以及國家各個方面對該產業的支持，最重要的是人臉識別在軟件硬件方面的不斷進步發展，都促使該技術不論在研究還是實際應用中都有了很大的發展。

同時，我國在人臉識別領域公開的專利數量也由2011年的270件增加至2015年的1 398件，并且近幾年內，這一數字還是飛速增加，無論是專利數量還是成果轉化情況，我國都穩居全球第一，由此可見，在未來的一段時間內，我國人臉識別技術將會由設計到實用的有效轉變。

2008年，我國將完全自主研發的一套人臉識別系統用于北京奧運會上，這套系統將人臉識別算法和RFID射頻技術結合，在當時就可以實現人臉的快速準確檢測。在學術研究領域，我國提出的GaussianFace人臉識別算法也已經可以將人臉對比的準確度提升到97%以上。在實業領域，科大訊飛憑借其在語音識別方面的優勢，將人臉識別與語音識別相結合更是大幅度提升了人員身份識別的準確性。

1.2 國外人臉識別技術的發展

國外在人臉識別方面的發展要早于國內，早在20世紀80年代中后期，人臉識別技術的雛形就已經形成，短短幾年后，人臉識別技術就真正運用于實際情況。美國是在該領域技術最先起步的國家，同時也是最早將其應用在實際場景中的國家，現階段美國的多個州都制定了相關制度，通過采集個人人臉信息的方法來對可疑人員進行監管。

另外，日本人臉識別技術的發展情況也值得關注，將大量識別技術與其自身強項——機器人相結合，真正的實現可以“看得懂”的智能機器人。據相關報道指出，2014年全球人臉識別市場價值為1 307億美元，預計全球市場會在2015年以9.5%的復合年增長率快速增長到2022年[3]。

2 人臉識別的實現過程

2.1 特征提取

特征提取是人臉識別的首要步驟，選擇一類適合的特征提取方法對后期人臉識別實現的快速性和準確性都有很大的影響。特征提取是將人體面部的信息轉化為計算機可以識別的數字信息，轉化后的大量數字信息可以通過機器學習的方法進行分類或者回歸，以得出最終的人臉結果。

早期的人臉識別方法都是基于人臉的面部特征提取直觀的幾何特征，即面部器官的幾何位置。這一類特征相對簡單，并且計算量較小，運行速度快，但是會導致最終識別結果的準確率較低。

目前，在人臉識別的研究過程中，廣泛用于提取全局特征的方法有PCA、獨立成分分析、線性判別分析方法等[4]。這些方法和最原始的幾何特征方法相比較，具備更高的數據維度，可以更加準確地描述人的面部信息，但是在處理這些特征時就需要進行更多的運算，這就需要對設備硬件和算法有很大的提升才能應用于具體的使用中。

2.2 建立模型

將收集到的特征數據整合好后，具體成一個具有一般規律的模型，即當不同的數據輸入時，都可以通過該模型進行科學的預測。在人臉識別的過程中，模型的輸入量一般是人臉部分的特征所構成的集合，該集合的數據量往往會很大，達到上萬的數量級。

需要指出的是，在輸入的人臉特征中應具有多樣性的特點，以得到一個具備泛化能力強的模型。該模型的輸出則是經過算法分析后得到的確定人物身份。在建立模型時，可以直接調用很多機器學習的成熟算法，例如隨機森林、神經網絡、深度學習等方法，這些方法目前都發展成熟，易于調試。

2.3 模型測試

當提取完特征以及建立好模型后，需要對模型進行測試，因為建立好的模型一般只能得到初步的效果，但是對于快速性或者準確性的要求還具有一定的差距。當模型的快速性存在問題時，可以考慮通過硬件加速或者簡化特征提取數量來縮短模型反應時間；當準確性存在問題時，則又可以通過改變特征的選擇方式來提升準確性。但在具體測試時，也會遇到人臉面部被遮擋，人臉模糊，場景內人臉數量過多等情況，這些都為實際應用帶來了很大的挑戰，所以模型在測試時，往往需要通過大量反復的調試才可以得到一個良好的效果。

3 人臉識別技術的應用

3.1 人臉追蹤

人臉追蹤多用于攝像頭中對特定人員的連續追蹤，例如走失的兒童，和可疑的嫌疑人等。人臉追蹤需要以人臉識別為基礎，在識別出特定對象后，一般會在該對象面部輪廓周圍生成一個矩形框，矩形框會伴隨著對象的移動而不斷移動。并且在一般情況下，人臉識別具備并發性的特點，即可以在任一時間點內檢測出圖像上或者視頻流中的所有人臉，當應用人臉追蹤技術時，也就可以同時追蹤多個人臉。

3.2 人臉檢索

人臉檢索即通過人臉信息進行人物身份的識別，是生活中人臉識別技使用最多的一項應用，大量的應用于電子支付領域和安防領域。例如，在一些特定支付模式下，可以通過人臉檢索的方式進行“刷臉”支付，或者對于一些電子設備的解鎖等。人臉檢索往往是將被測對象的面部信息提取出來，隨后與包含大量人臉的數據庫進行檢索對比，給出是否存在于數據庫中以及匹配于哪一條信息的結果。

目前，人臉識別技術的準確性已經可以確保其應用于以上場景，另外使用的快速性也可以伴隨著算法和硬件的提升遠遠超過其他識別方式。但是，人臉檢索還面臨著許多挑戰，當被測對象的面部受到遮擋或者面部信息被他人冒用時，就很容易遭到財產的損失和安全性的降低。

3.3 人臉驗證

與人臉檢索類似的，人臉驗證也是人臉識別技術的一項重要應用，不同于人臉檢索需要與數據庫中的大量信息進行對比，人臉驗證只需要判斷被測對象是否和先前準備好的人臉具備統一性。例如，在很多人流量較大的場所，機場車站等地，都需要將乘客本人與身份證上的信息進行核對。

4 結論

人臉識別技術的應用相對廣泛，并且技術也越來越成熟，但同樣不能忽視人臉識別所帶來的一些問題，例如個人隱私是否能有足夠的保障，數據的安全性會不會受到挑戰等。這就需要在發展人臉識別的同時，還要不斷地完善法律法規的制定，以保證科技的合理應用。科技的力量將不斷優化人們的生活，人工智能技術更是可能會顛覆當前的狀態。當我們自己的視覺受到很多局限時，那么就應該將重心轉移到計算機視覺上，讓計算機來代替我們看這個世界。

參考文獻

[1]梁文莉.基于獨立成分分析的人臉識別算法研究[D].西安：西安科技大學，2012.

[2]葛春苑.人臉識別技術的發展與展望[J].中國安防，2015（21）：62-65.

[3]中關村在線.技術促人臉識別普及，未來市場或超千億[DB/ OL].[2016-05-10].http ：//tech.hexun.com/2015-12-01/180904461.html.

[4]BARTLETTMS，MOVELLANJ R，SEJNOWSKI T J.Face recognition by independent component analysis[J].IEEE Transactions on Neural Networks，2002，13（6）：1450-1464.