數據驅動下人臉識別的技術預測研究

齊小英　陳欣

摘? 要：在數字化時代，圖像已經成為社會信息來源的重要組成因素。人臉作為一種數字圖像，人臉識別相比其他生物識別，具有便捷性、非接觸性、應用廣泛等優點。人臉識別已經從對“人臉”這個“面”的識別逐漸轉變為對“人臉”這個“系統”的識別。本文在《2018年人臉識別研究報告》的基礎上，結合人臉識別新聞事件的語義分析結果預測其發展趨勢。結果表明，人臉識別的未來發展趨勢主要包括五個方面：（1）建立復雜性、多元化的人臉模型;（2）靜默活體檢測技術與3D動態人臉識別相結合;（3）人臉識別應用趨于場景化;（4）人臉識別的市場規模逐漸擴大;（5）人臉數據治理以保護個人隱私。

關鍵詞：數據驅動;人臉識別;人臉檢測;技術預測

中圖分類號：TP391.41? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）23-0076-03

Research on Data-driven Face Recognition Technology Prediction

QI Xiaoying1，CHEN Xin2

（1.School of Management，Hebei University，Baoding? 071002，China;

2.College of Software and Information Security，Guangxi University for Nationalities，Nanning? 530006，China）

Abstract：In the digital age，image has become an important component of social information sources. Face recognition is a kind of digital image. Compared with other biometrics，face recognition has the advantages of convenience，non-contact，wide application and so on. Face recognition has gradually changed from face recognition to face system recognition. In this paper，based on the 2018 Face Recognition Research Report，combined with the semantic analysis results of face recognition news events，the development trend of face recognition news events is predicted. The results show that the future development trend of face recognition mainly includes five aspects：（1）Building complexity and diversification;（2）the combination of silent living detection technology and 3D dynamic face recognition;（3）the application of face recognition tends to be situational;（4）the market scale of face recognition is gradually expanding;（5）face data management to protect personal privacy.

Keywords：data driven;face recognition;face detection;technical prediction

0? 引? 言

人臉識別是指通過檢測獲取人的臉部信息，對其進行跟蹤提取人臉關鍵點和特征點，并與數據庫中的人臉特征進行比對分析，最終實現唯一地識別或驗證人的目的的生物測定技術[1]。它是一門綜合性很強的科學技術，融合了數字圖像處理、計算機圖形學、模式識別、計算機視覺、人工神經網絡和生物特征等多個學科的理論和方法[2]。2018年10月10日，AMiner發布了《2018人臉識別研究報告》[3]，從人臉識別概述、技術、人才、應用、趨勢各維度分析了該領域的發展，為學者們的相關研究提供了參考。因此，本文在《2018年人臉識別研究報告》的文本分析基礎上，結合人臉識別新聞事件的語義分析結果，進一步從技術和應用等多方面探討和預測人臉識別的未來發展趨勢。

1? 人臉識別技術發展

人臉識別從19世紀開始研究，依次經歷了萌芽期、起步期、發展期、局部成熟期和規模應用期[4]。本文在此基礎上進行了延伸，并將其總結為廣泛應用期、成熟應用期以及場景應用期。基于應用視角的人臉識別發展的標志性事件如表1所示，從表1可以看出，人臉識別技術在每個發展時期均取得了標志性的成果，而每個時期的研究成果都在促進著下一個時期人臉識別技術的發展。人臉識別三大經典算法：特征臉法[5]、局部二值模式[6]、Fisherface[7]。其中，影響力最大的是由Sirovich和Kirby（1987）提出的特征臉人臉識別方法，它是對訓練集中所有人臉圖像的協方差矩陣進行本征值分解，得到對應的本征向量，這些本征向量就是“特征臉”點[3]。而這一人臉識別方法的問世開創了人臉識別領域的新局面。

2? 人臉識別技術的未來發展趨勢預測

2.1? 基于對《2018人臉識別研究報告》的語義分析

本文基于NLPIR漢語分詞系統對《2018人臉識別研究報告》進行語義分析。新詞發現指從文本中挖掘出具有內涵新詞、新概念。它可以在一定程度上反映人臉識別的未來發展。新詞提取內容包括詞語、詞性、權重和詞頻統計，權重大于10的新詞如表2所示。從表2可以看出，“人臉圖像” “計算機視覺”的權重和頻次都位居第一、第二。其中“支持向量機”和“活體鑒別”的權重很高，但是二者頻次卻低于于“模式識別”和“特征提取”。

2.2? 基于人臉識別新聞事件的語義分析

人臉識別新聞事件充分展示了人臉識別最新、最快、最多的信息。選擇“主題采集”，采集區域選擇“境內采集”，采集時間選擇2015年1月1日至2019年10月2日。在采集模塊輸入關鍵詞“人臉識別”“人臉識別技術”“人臉檢測”等主題，最終獲取與主題相關的主流新聞事件57篇。新詞發現的權重排名前10名如表3所示。

表3中的“人臉圖像”的權重和頻次仍然位居第一。其中，“活體鑒別”的權重從表2第八名上升至表3第二名。除此之外，表3中出現了“門禁”“尺寸歸一化”“靜默活體”、“行人闖紅燈”“視頻流”“變形模型”“膚色模型”“側臉”“非人臉”“數據泄露”以及“邊緣特征”等新詞。

2.3? 人臉識別技術的未來發展趨勢

通過對比表2和表3可以發現，人臉識別研究報告和其新聞的語義分析結果有一定的差異。結合二者的新詞發現結果可以總結出以下趨勢。

2.3.1? 建立復雜性、多元化的人臉模型

在實際的生活中，人臉的狀態往往是動態變化的，目前，攝像機采集的2D人臉圖像很可能因為光照、低頭、墨鏡、口罩等反人臉識別的障礙物影響而出現不清晰、不完整、關鍵特征模糊的情況，從而無法提高人臉識別的速度和準確率。因此，需要基于深度學習、云計算等大數據技術來建立復雜性、多元化的人臉模型（如側臉、雙胞胎臉、不同膚色臉、非人臉等）以提高人臉識別的準確率和速度。

2.3.2? 靜默活體檢測技術與3D動態人臉識別相結合

人臉與照片的區別在于即使用戶不刻意做任何動作，也會存在眨眼、面部肌肉收縮等微表情。靜默活體檢測技術是指通過一系列左右搖頭、張嘴等動作判斷人臉是否為活體人臉，然后再與身份證的人臉進行對比。3D動態人臉識別可以在復雜環境中全方位、立體化的采集人臉數據。因此，采用3D動態人臉識別與靜默活體檢測技術相結合可以更加精準地識別人臉圖像。

2.3.3? 人臉識別應用趨于場景化

不同的應用場景對人臉識別技術的要求不盡相同。例如，公安刑事偵查對人臉識別技術的要求主要體現在重建人臉圖像上。人臉圖像重建技術能夠對低分辨率的人臉圖像進行重建，幫助辦案人員重建嫌疑人的人臉圖像信息，提高辦案效率。醫療行業對人臉識別技術的要求則主要體現在精準監控和預警上。因此，未來學者們需要重視應用場景的差異性，結合不同應用場景的不同需求與業務特點進行有針對性的研究，以實現人臉識別技術的個性化、精準化。

2.3.4? 人臉識別的市場規模逐漸擴大

人臉識別技術的每一次技術提升都能大幅推動行業發展速度。全球人臉識別市場規模呈現增長率持續增高，預計2022年市場規模將達75.95億美元。由此可見，未來人臉識別將朝著市場化方向發展。

2.3.5? 人臉數據治理以保護個人隱私

人臉識別的過程中需要使用人臉信息數據庫，而數據庫中的生物特征數據容易泄露。“17萬人臉數據遭到公開售賣”的新聞就充分說明，必須從人臉數據的采集、管理、使用等過程進行治理。否則就會侵犯公民的隱私權，從而阻礙人臉識別技術的市場化發展。

3? 結? 論

時至今日，從人臉識別技術的發展歷程來看，人臉識別已進入了場景應用期。結合對《2018人臉識別研究報告》和人臉識別新聞事件的語義分析結果，發現人臉識別的技術研究層面已從二維層面延伸至三維層面，并且融合實際應用場景，更加立體、動態、場景化地進行人臉識別。人臉識別已經從對“人臉”這個“面”的識別逐漸轉變為對“人臉”這個“系統”的識別。同時，人臉識別這項技術的發展也是基于對“人臉”數據的深入研究。所以為了適應人類社會的復雜性以及數據驅動的創新機制，人臉系統識別的研究必須要朝著下一個階段發展。

參考文獻：

[1] 左騰.人臉識別技術綜述 [J].軟件導刊，2017，16（2）：182-185.

[2] 盧文峰.人臉識別研究技術發展綜述 [J].電子世界，2017（17）：97.

[3] 人工智能學家.清華Aminer發布最新2018人臉識別研究報告 [EB/OL].（2018-10-12）.https：//blog.csdn.net/cf2SudS 8x8F0v/article/details/83034545.

[4] 蘇光大.人臉識別在社會公共安全領域的應用 [J].中國安防，2015（14）：12-14.

[5] SIROVICH L，KIRBY M. Low-dimensional procedure for the characterization of human faces [J]. Journal of the Optical Society of America. A，Optics and image science，1987，4（3）：519-24.

[6] OJALA T，PIETIK?INEN M，HARWOOD D. A comparative study of texture measures with classification based on featured distributions [J]. Pattern recognition，1996，29（1）：51-59.

[7] Fisher R A. The Use of Multiple Measurements in Taxonomic Problems [J]. Annals of Human Genetics，1936，7（7）：179-188.

作者簡介：齊小英（1997.04-），女，漢族，陜西西安人，碩士研究生在讀，研究方向：社會信息處理、情報分析;陳欣（1995.03-），女，漢族，廣西南寧人，本科，研究方向：信息系統、信息安全。