人臉檢測與識別技術的研究分析

劉舒天

(長春金融高等?？茖W校 吉林長春 130000)

身份認證在現代社會各行業、領域都得到了普遍關注，是評估人員屬性、認定其是否合法、查詢人員行蹤的一種重要措施。不同人員受到遺傳因素的影響，存在個人特點上的差異，這種差異是組織身份認證的依據之一，如人員面部特征的不同，可作為分析、認定其身份的可靠依據，這也客觀催生了人臉檢測與識別技術[1]。該技術的出現時間不長，但因優勢突出、應用便捷，快速得到關注和運用，就其運用方式、困境和發展方向進行分析，有助于推動技術的進一步發展。

1 人臉檢測與識別技術概述

人臉檢測技術（Face Detection Technology）和人臉識別技術（Face Recognition Technology）帶有一定的遞進關系，前者一般作為后者的前置階段，廣義的人臉識別技術也可包括人臉檢測，二者在技術和應用方式、目的上帶有一定的互通性，可共同使用在人員身份認證等活動中，并稱人臉檢測與識別技術。該技術通常利用終端設備進行人臉信息的檢測，生成待檢測信息并做數字轉化，再利用分析比較的計算機技術識別人臉。從屬性上看，人臉檢測與識別技術可納入生物特征識別技術大范圍內，是對生物體（一般特指人）生物特征進行分析，用以區分生物體個體。目前與之相關的技術還包括人臉追蹤偵測、自動調整影像放大、夜間紅外偵測、自動調整曝光強度等[2]。

2 人臉檢測與識別技術的運用

2.1 運用框架

在企業管理工作中，人臉檢測與識別技術的運用主要用于人員身份的分析，包括企業考勤、區域獨立管理等。部分企業的核心技術區域并不廣泛開放進出權限，需要組織獨立認證，該模塊中人臉檢測與識別技術的運用框架如圖1所示。

圖1 人臉檢測與識別技術的運用框架（企業獨立認證模塊）

對圖1 所示的工作框架進行解析，可發現其大致分為4 個部分，即執行終端、管理終端、信息庫、輔助結構。

執行終端主要用于人臉檢測工作，對待檢測人員的面部特征信息進行收集（如圖2 所示），并做必要的數字化轉化，使其成為能夠被計算機讀取和使用的信息。此外執行終端也提供反饋服務，系統完成認證后，將認證結果反饋給待檢測人員，提示其進行重復認證或認證已經通過。執行終端一般以數字化設備為中心，如數字化攝像機、顯示器等。

圖2 人臉檢測識別技術工作圖（面部特征分析）

管理終端即企業的信息化工作系統，主要根據執行終端收集的信息，對人員進行識別。該模塊識別可分為兩種情況，即“合法—放行” “不合法—攔截、警報和重復認證”。在執行終端提供了待檢測人員信息后，管理平臺根據已經建成的人臉信息庫信息，對待檢測人員進行分析，主要以降維分析的方式做重點信息的對照，能夠匹配相關特征，滿足“合法—放行”要求，可允許人員進入目標工作區域；反之，人員面部特征與已經建成的人臉信息庫信息不匹配，需要組織攔截，要求人員重復認證，并將相關信息提供給管理處做備份，作為后續管理工作的開展依據。

信息庫是人臉檢測與識別技術運用的關鍵依據，企業需要在系統投入使用前首先進行信息庫建設，根據本企業的工作制度要求，將擁有目標區域進出權限的人員單獨列出，采集其面部信息，錄入信息庫中作為后續管理的依據。實際工作中，如果待檢測人員擁有進出權限，其信息已經被錄入信息庫，可通過實時檢測并進入目標區域，反之則予以攔截。高質量的信息庫還應擁有信息擴展、復用等方面的優勢，以服務企業的其他管理工作，改善人臉檢測與識別技術的運用效果和技術覆蓋效應。

輔助結構包括警報器、通信系統等，這些結構主要發揮輔助功能，作為人臉檢測與識別技術系統終端功能的輔助，或作為系統功能實現的輔助，帶有一定的共性、應用性特征，能夠較為便捷地使用和更換，減少人臉檢測與識別技術系統建設的成本，提升其技術適用的普遍性。

2.2 關鍵技術

人臉檢測與識別技術運用的關鍵技術，以智能技術為代表，以降維計算技術為核心。實際工作中，企業以及其他組織的人臉檢測和識別工作一般需要自動化進行，在無人、半無人模式下，智能技術相關工作的開展提供了保障[3]。借助企業管理中心提供工作程序，以計算機程序提供管理邏輯，并組織執行，人臉檢測與識別技術應用的重復性，使智能技術的運用有跡可循，也擁有良好的實現空間。只要企業預建設的信息庫信息豐富、完善，即可保證人臉檢測與識別技術的運用質量。

降維計算則是組織人臉實時識別的中心技術，一方面人臉的特征各有不同，這是進行人臉檢測、識別的關鍵，另一方面，人臉特征可通過多個維度分別獨立表達，如果對所有維度進行收集、分析、呈現，計算機在短時間內的工作負荷往往較大，因此，需要以降維計算的方式，使人臉最具特點的特殊信息得到捕捉和呈現，與企業已經建設完成的人臉信息庫內信息進行對照，以高效率、較精準地完成識別[4]。降維計算應用的基礎是既有的客觀信息，其數目越多，智能工作的精準性越高，一般可選取3～4個維度進行信息采集和對照，如眉間距、眉弓位置、嘴唇厚度等。

2.3 基本流程

企業管理中，人臉檢測與識別技術的運用一般是流程化的，以企業設定的工作系統要求為基礎，也考慮技術的共性特點，可大致分為3個步驟。

2.3.1 信息預處理、信息庫建設

在人臉檢測與識別技術正式投入前，首先對人員信息進行收集、處理，建設信息庫，并保證信息庫內信息與人臉檢測與識別技術工作系統處于同一個管理框架內。

2.3.2 實時信息采集

當人員嘗試進出企業某些工作區域時，由系統對其面部信息進行收集、傳輸，由企業管理平臺進行管理，根據信息庫內信息，做檢測和識別，以確定人員身份，確定其合法性[5]。

2.3.3 反饋和信息存儲

根據檢測識別結果，將對應信息反饋給待檢測人員以及企業管理處，主要為放行信息、攔截信息，以及對應的數字化工作報告。

2.4 模擬分析

通過計算機建立模擬實驗，選取沈陽市TX有限公司（下文簡稱TX 公司）為例，根據該企業提供的17 份資料建立模擬實驗。17 份資料主要為企業內17 個工作人員的面部照片，共計251張（其中標準照片51張），清晰度為720 P（51張）、480 P（144張）和360 P（56張）；按照片內容，可分為無裝飾照片146 張，裝飾照片105張，其中裝飾照片主要對面部特征進行遮掩或部分遮掩。按曝光情況，包括強曝光照片52 張，普通曝光照片199張。將所有人員照片（標準照片51張）錄入計算機形成虛擬信息庫，開始組織實驗。不做實驗條件的其他調整，只考慮正常狀態下系統對不同照片的識別能力，所獲結果如表1所示。

表1 實驗信息

清晰度不同的實驗照片，基本均可得到識別，總數為199 張，識別率為99.5%，這表明不同清晰度不嚴重影響人臉檢測與識別技術的運用質量。存在裝飾的情況下，照片的可識別能力下降，45 張未能得到識別的均為有裝飾照片，這表明當面部特征被遮掩、部分遮掩時，人臉檢測與識別技術不能有效完成識別，識別率只有77.5%。曝光強度也影響照片的識別效率，19 張未能有效識別的照片均為強曝光照片。

3 人臉檢測與識別技術的困境

3.1 無法匹配動態變化

人臉檢測與識別技術的運用普遍，但仍存在不足，其典型問題之一是對動態變化無法有效匹配。包括模擬實驗中有無裝飾的影響，也包括人員年齡變化、表情變化導致的面部特征波動，這些因素在實際工作中比較常見，影響也較突出。在公安部門的管理工作中，如果人員信息（面部特征）在較長時間未能得到更新，其面部特征的變化往往比較明顯，很難繼續利用此前建立的信息庫進行對照分析，以致檢測和識別效果失真。

3.2 對工作環境有一定要求

工作環境即人臉檢測與識別技術的運用環境，常規的企業管理、辦公室管理通常無須考慮環境影響，如果人臉檢測與識別技術工作系統處于一些特殊環境下，則需要考慮環境破壞，如模擬實驗中，強曝光環境影響照片的識別效率，只有90.5%的照片得到識別。此外，如果工作區域存在電磁干擾問題，雖然不影響照片質量，但會對系統內的通信活動造成影響，導致識別過程延誤、識別質量下降等問題。系統軟件、硬件配置情況影響人臉檢測與識別技術的內部工作環境，原則上需要加強配置管理，質量較差的計算機可能無法在短時間內完成降維計算，也影響人臉檢測與識別技術應用效果。

3.3 工作質量仍有待提升

早在2014年，人臉檢測與識別技術的工作質量已經滿足一般要求，對人臉識別的準確率可達到95%甚至97%以上，超過人工識別效果。然而由于人臉檢測與識別技術的運用環境各有不同，其進一步運用往往受到制約，如上文所述的動態信息匹配問題，即便人員面部出現特征波動、佩戴了飾物，人工識別的準確率依然較高，而智能識別尚不具備此方面的能力，出現錯誤識別的可能性較高。一般認為人臉識別的精確度達到72%，即表示識別成功，而在香港中文大學教授湯曉鷗、王曉剛及其研究團隊的研究中，其研發的DeepID人臉識別技術，準確率超過99%，由于其技術實現難度較大，仍不能普遍運用。設法提升人臉檢測與識別技術的精度，是未來相關技術的核心進步方向。

3.4 檢測方式需要完善

在對人臉進行檢測時，目前普遍使用的終端采集模式，如果檢測范圍內的標的物比較簡單，信息采集工作也可以比較順利地進行。如果檢測范圍內標的物較多，則可能出現檢測對象信息采集上的困擾。如多人進入畫面、活動物進行檢測范圍，信息采集的質量往往因此下降，系統可能錯誤選擇采集對象，將其他人物的面部作為采集的原始對象，或將其他活動物作為人臉進行信息采集，此類問題比較普遍，影響人臉檢測與識別技術的運用。

4 人臉檢測與識別技術的發展方向

4.1 關注動態分析

人臉檢測與識別技術的發展，會更多關注動態因素的分析、研究。如人員面部特征的變化，以時間為參數，人員面部特征的變化并非完全無跡可尋，當前部分研究部門已經通過AI 智能完成了一些人員面部特點變化模擬，但由于尚不能獲取被模擬者面部變化特征的真實照片，其模擬結果的可靠性依然有待評價。人員面部飾物、表情等因素帶來的影響，也正在得到控制。在一些技術較發達的國家、地區，已經支持全面部特征的綜合分析，雖然其分析方式依然不能完全擺脫降維計算的范圍，但動態分析能夠更有效地獲取人員面部特征，使實時信息收集檢測、識別的效率和精度得到了一定程度的提升。

4.2 控制環境影響

環境對人臉檢測與識別技術的運用存在直接影響，未來除在系統建設方面尋求優化外，還要求對周邊工作環境進行分析。系統建設原則上要求選取性能較佳的硬件設備，如果設備內需要進行信息庫（即人臉信息庫）建設，其磁盤空間理論上不宜低于1 TB，虛擬內存應達到8 GB 以上，以快速組織計算，完成降維分析和識別。系統工作環境應遠離大型用電設備、變電室、配電站、架空線路。為保證信息傳輸的質量，可考慮在系統內放置提純器，以清除其他通信噪聲的干擾，保證人臉檢測與識別技術的運用效果和作業精度[6]。

4.3 改進工作質量

工作質量的改進是人臉檢測與識別技術發展的基本思路、方向，主要要求根據其當前工作的不足分析原因，根據原因分析可行的優化策略，直接改進相關工作效果。例如：很多企業運用的人臉檢測設備在清晰度上存在不足，部分終端設備的分辨率只有240 P，難以對復雜圖像、相似的面部特征進行區別，此類設備的優化思路主要強調提升清晰度，使其達到360 P 或480 P以上的水平，保證復雜圖像的解析能力，使相似的面部特征能夠得到區分，改進識別能力。其他方面的分析、處理也遵循此思路，關注優化的針對性。

4.4 優化檢測方式

檢測方式的優化，可以直接提升人臉檢測與識別技術的運用質量，未來主要強調改善工作的智能化水平，將人臉的基本特征進行提煉，生成一個工作模型，之后編寫為固定程序，植入人臉檢測與識別技術系統內，使系統在工作過程中能夠主動完成核心標的物的鎖定，完成對非標的物的顧慮，包括檢測范圍內其他人員的面部、活動物等，以保證信息實時收集的質量和準確性，提升人臉檢測與識別技術應用質量。

5 結語

綜上所述，人臉檢測與識別技術的優勢突出，可廣泛提升管理質量，應結合其現有不足、積極尋求改進。結合企業管理工作，可知人臉檢測與識別技術的運用需要以穩定的物理、技術框架為基礎，重視終端和管理端技術聯用，模擬分析則表明技術應用的價值理想。當前人臉檢測與識別技術存在一定不足，對動態變化的匹配能力不高，工作質量、檢測方式有待優化。未來其發展除強調基礎技術的改進外，也關注上述問題應對，以提升動態分析能力、優化檢測方式、改進工作質量為目標，進一步擴展技術的運用空間、發揮其積極作用。