人臉識別算法的分析及研究

劉舒天

(長春金融高等專科學校 吉林 長春 130000)

現代社會發展的節奏較快，客觀催生了各類現代技術，尤其是以信息技術為核心的各類復合技術，大大提升了社會生產效率，改善了管理質量。從特點上看，信息技術強調借助計算機等現代設備、工作手段，加快信息的處理效率，使海量信息可以在較短時間內集中得到加工、計算，用于管理活動，其代表之一是人臉識別算法[1]。在門禁管理、公安管理、身份識別等工作中，人臉識別算法的運用廣泛、效果突出。在此背景下，對人臉識別算法的原理、分類、應用流程等進行分析，具有一定的現實意義。

1 人臉識別算法概述

1.1 人臉識別算法原理

人臉識別算法（Face Recognition Algorithm）是指在檢測到人臉并定位面部關鍵特征點之后，對人臉的主要區域進行裁剪、處理，饋入后端用于分析的一種識別算法。在各類管理系統中，上述實時信息需要與庫存的已知人臉進行比對，完成最終的分類和辨識。目前，人臉識別算法的準確率已經初步超過肉眼。2014年，香港中文大學的研究中，人臉識別算法準確率達到98.52%，首次超過人眼識別能力。部分技術中心公布的實驗數據中，人臉識別算法準確率可達到99.7%以上，但尚未進入普遍應用階段[2]。人臉識別算法的流程比較明確，通常通過對既有資源（各類人臉圖片）的收集、處理，建立數據庫，之后再對實時收集的人臉信息進行降維分析，并與數據庫信息進行對照，根據對照結果確定人員身份、評估合法性，作為管理依據。

1.2 人臉識別算法的優勢

人臉識別算法的優勢主要體現在3 個方面，分別是效率高、普適性高、使用便捷。從效率方面，人臉識別算法主要依賴計算機、系統設定的程序完成辨識作業，全程無須人員管理（除早期編程、安裝設備），能在幾秒甚至一秒內完成人臉特征收集、分析等活動，工作效率很高。從技術需求的角度出發，大部分計算機、終端采集設備并無特殊要求，可以廣泛采買、安裝、使用。在門禁管理、企業管理、公安系統戶籍管理等工作中，人臉識別算法均可發揮作用，與關聯技術聯用的普適性得到保障[3]。只要早期數據豐富、客觀、清晰，人臉識別算法建立的數據庫就是完善的，能夠便捷地在各類終端應用，使用比較便捷。

2 人臉識別算法的分類

2.1 基于人臉特征點的識別算法

基于人臉特征點的識別算法是較早得到應用的算法之一。該算法主要強調對人員面部特征進行收集，并根據其特征進行建模、建庫。工作中以降維算法為核心方式，進行人臉識別，當檢索到相同或相似特征時，可認定目標（人臉）與特征庫內的信息相匹配，進而認定人員身份合法。基于人臉特征點的識別算法主要關注人員面部的特殊性，如眉間距、嘴唇位置、眉弓形狀、鼻骨位置等，這些要素的統一特點在于因人而異，不同人員之間均存在一定差別，同時，上述要素也具有很強的穩定性，一定時間內不會出現顯著變化，也便于進行識別和對照。此方法的弊端在于，當人員面部出現老化后，其眉間距等一般面部特點也會出現變化，需要每隔一段時間進行一次信息采集，才能始終保證此方法的應用效果[4]。

2.2 基于整幅人臉圖像的識別算法

基于整幅人臉圖像的識別算法是指對人員面部進行整體記憶，包括不同角度、一定表情變化下的面部特征，在重復檢索到相似面部時，可與記憶庫信息進行對照、判斷，以確定人員的合法性。該模式下，對整幅人臉圖像進行信息收集的難度相對不大，但在進行識別時，需要進行較多的計算，因人員面部牽涉到的計算內容比較復雜，也會出現疏失、計算結果與真實情況不符的情況，如人員的表情變化、蓄須、是否佩戴眼鏡等，均會影響識別效果。

2.3 基于模板的識別算法

基于模板的識別算法，主要強調建立分析模板，以標準化模板為依據，進行人臉識別。此模式下，首先采集人員面部各類信息，建立一個兼有二維、三維特點的識別模型，此模型被存儲在數據庫中。實際工作中需要進行人臉辨識時，算法的核心在于分析目標（人臉）與標準模板之間的差異，通常如果二者的符合度達到一定標準（早期為72%，隨著設備和算法優化，該標準持續提升），即表明目標與模型人臉為同一人，可認定其合法、予以放行。基于模板的識別算法早期工作量較大，但后期使用的持續性較高，即便人臉因時間因素出現變化，只要其變化幅度有限，仍可利用該算法組織認證。

2.4 利用神經網絡進行識別的算法

利用神經網絡進行識別是一種復雜的算法，該算法的特點在于利用類似人體神經元的工作網絡，在進行人臉認證、辨識時，快速進行信息采集，之后以分布式的工作單元進行計算，再做匯總分析。具體情況如圖1所示。

圖1 利用神經網絡進行人臉識別

由于計算活動不是集中進行的，計算機核心區域的工作壓力相對不高，只需要對各部分計算的結果進行匯總和集中分析，就可以完成人臉辨識，減輕了系統工作壓力，也不會影響工作質量[5]。但利用神經網絡進行識別的算法對系統建設的技術要求較高，其適用性比較有限，在大部分簡單的管理系統中無法應用[6]。

3 人臉識別算法的應用流程

3.1 數據收集和加工

人臉識別算法及其應用方式已經比較穩定、成熟，能夠發揮預期作用和價值。其應用流程的第一個環節通常為數據收集和加工，即人員面部特征相關信息的收集、加工[6]。以社區門禁管理為例，住戶需要到管理處進行登記，一般以其面部作為信息采集區。管理較嚴格的情況下，需要做面部正面、側面信息的分別采集，再將其錄入計算機中，根據本社區的管理要求，選擇與之匹配的計算方法，對人員面部特征進行梳理和記錄。例如：部分社區使用基于人臉特征點的識別算法，可對人員眉間距離、嘴唇位置等特點進行分析和記錄，并分別進行統計，精準獲取上述特征點的信息，以備后用。

3.2 數據庫建立

建庫活動一般是獨立進行的，即每一位人員的面部特征均分別建立信息庫，如上文的社區門禁管理，為保證人員信息得到針對性管理，各信息庫應在數字化基礎上區別對待，以便于后續管理和更新。所有信息庫獨立標注，同時與門禁系統的作業平臺保持實時連接。從工作效率的角度出發，這種實時連接以有線形式為主，少數情況下也允許采用無線形式，如果以無線形式進行連接需要保證周邊不存在強電磁干擾，如架空線路、變電室、用電器等。數據庫建成后，應保證具有可擴展性、易用性，所有數據庫均應易于重建、補充、擴建和優化，且不存在技術上的困難，以便于人臉識別算法的持續運用。

3.3 實時降維分析

實時降維分析是人臉識別算法運用的關鍵環節，是指在完成信息采集、信息庫建設后，在實際應用階段對信息的對照、計算和分析。降維分析法主要強調根據系統選定的工作機制確定分析維度。如上文所述的“基于人臉特征點的識別算法”，該算法下，系統所選的“特征點”決定了降維分析的維度，包括人員的眉間距離、嘴唇位置等。以門禁系統為例，人臉識別算法、降維分析流程如圖2所示。

圖2 人臉識別算法下的降維分析流程

在此流程下，人員到達門禁管理區域，通過自動交互活動，其面部信息被采集系統采集，并傳輸至門禁系統管理處，管理處調動既有的人員面部特征數據庫信息作為參照，同時利用降維分析法，快速計算目標對象的面部信息，獲取其嘴唇位置、眉間距等特征信息，如眉間距的計算，通常人員的眉間距是固定不變的，假定信息庫內人員眉間距的標準值為X，當人員嘗試進入社區時，可能因面部表情的細微變化（如凝眉、瞪眼、瞇眼等），其眉間距也會出現變化，這一變化帶有模糊化的線性特點，重視圍繞X上下波動的，可表現如下。

其中，[Xmix；Xmax]為人員眉間距變化的最大允許范圍，其他均為處于此范圍內的隨機參數。采集系統獲取的人員面部特征，通過降維分析快速得到處理，獲取人員眉間距的具體值，并與X進行對照，如果目標對象眉間距計算結果處于[Xmix；Xmax]范圍內，與特征數據庫信息能夠完全匹配或匹配度很高、達到系統管理要求，表明目標人員為本社區人員，可放行。反之，如果信息對照結果不符合系統管理要求，處于[Xmix；Xmax]之外，則發出警報，提示管理人員進行管理，也提示目標對象重新進行認證。如果人員皺眉、面部存在遮擋物（如眼鏡）、處于強光照射環境下，其面部特征采集和分析一般會受到影響，可能無法第一時間被系統辨識，因此需要進行二次信息采集、對照，也需要人員根據警報對面部表情和飾物等進行調整。如果目標確非本社區人員，必要的警報也有利于管理者及時察覺、處理，減少社區治安方面的隱患、降低非法人員潛入的風險。

3.4 輔助機制建設

嘗試運用人臉識別算法組織管理活動，還應重視輔助機制的建設，包括信息采集系統、數據庫、通信系統、抗干擾系統等。其中，信息采集系統即用于人臉信息采集的各類設備，如監控攝像頭、數字化信息采集器等。這些設備應能夠保證運用的實時性，能夠隨時投入使用，且能夠準確無誤地進行人員面部信息的采集。數據庫保存緩存庫和完成庫。完成庫即用于存儲人員面部信息的數據庫，該庫應在系統投入使用前建設完成，并跟隨系統工作需要實時更新。緩存庫用于存儲實時工作產生的信息，可緩存于云空間，也可提供具有一定容量的磁盤空間，進行信息緩存。通信系統包括無線通信系統和有線通信系統兩大類，后者應作為人臉識別算法工作模式下的核心模式，以保證信息交互的效率和質量，前者主要發揮輔助作用。抗干擾系統運用于特殊工作環境下，用以應對電磁干擾、通信破壞等，保證人臉識別算法的工作質量。

4 人臉識別算法的發展展望

4.1 精準性提升

香港中文大學2014年的研究結果表明：人臉識別算法的精準度可以匹配、超過人眼，進一步提升了人臉識別算法的工作能力，對人員面部特征的識別能力超過99.7%。但即便在實驗室理想條件下，人臉識別算法也不能完成100%的精準識別[7]。如同一人員隨著年齡變化，面部特征也會出現改變，此時不對信息庫進行更新，很難完成精準識別。未來人臉識別算法的發展會更趨智能化，即：在無法實時、定期采集人員面部信息的情況下，通過智能技術對人員面部特征的變化進行動態模擬，重新建立信息庫，能一定程度上提升人臉識別算法的工作能力，使人員面部特征的變化得到模擬和捕捉，提升人臉識別的精準性。

4.2 安全性改善

安全性主要是指當前人臉識別算法下系統的信息保護能力。很多聯網作業的工作系統，無法保證信息安全，可能在木馬入侵、系統漏洞等因素的影響下出現信息丟失、數據庫損壞等問題，未來人臉識別算法的運用會在安全性方面尋求突破。例如：在建設工作系統的過程中，將安全保護同步納入作業范圍內，提供以防火墻、實時防護軟件、漏洞自檢為核心的綜合服務，并建立立體化的辨識工作機制，從物理防護和網絡防護兩個層面出發，減少信息丟失風險。在此基礎上，容災技術的運用也會得到更多關注，以獨立作業的備用系統，為人臉識別算法下的主系統提供服務，將數據庫的關鍵信息定期備份到備用系統中，即便主系統出現問題、崩潰，也能利用備用系統快速完成重建，將此前存儲的人員面部信息數據快速調動到工作軟件、平臺內，提供安全、實時的常規服務。

4.3 處理效率優化

處理效率的優化，是人臉識別算法未來的核心發展趨勢之一。目前人臉識別算法雖然多樣，但各有優劣。工作速度較快的計算方法，辨識的精準性往往不高，反之，辨識精度高的技術方法，工作時間又較長。未來工作中，兼具精準性和效率性的新技術會得到關注、研究。例如：以LFW數據集作為支持，人臉識別算法的準確率達到99.7%以上，該數據集的特點在于大量使用大數據，重視對人員面部信息的多視角、多信息采集，并提供額外的分析維度，為常規降維分析提供補充，只要計算機性能較好，能夠在較短時間內完成復雜、多次運算，兼具精準性和效率性人臉識別算法即可有效實現，處理效率也更高。

5 結語

綜上所述，人臉識別算法是一種現代化作業技術，其應用空間廣闊，應進一步加以研究、尋求優化。人臉識別算法的工作基礎為信息技術，原理較為明確，可分為多種具體工作形式，其應用的一般流程為數據收集、輸入和加工，之后以降維分析的方式提煉人臉特征，形成數據庫，再以實時信息收集等技術設備提供輔助，有效人臉識別算法的作用、優勢。未來人臉識別算法的精準性、安全性和處理效率會進一步提升，以滿足更大范圍、高標準的工作需要。