人臉識別技術的概述及發展歷程

朱承斐

本文主要介紹人臉識別技術發展的幾大時期與主要方法，以及應用的幾大新型領域，最后對其安全性提出一點考量。

人臉識別;人臉識別方法

1引言

人臉識別是指通過對人臉視覺特征信息進行分析以此完成人臉鑒別的一種計算機技術。同時也是一種生物識別技術。通過結合計算機數字圖像處理技術與生物統計學的相關原理，構建包括人臉采集、人臉定位、人臉識別預處理、人臉查找、人臉匹配等一系列技術在內的人臉識別系統。

近年來人工智能、機器學習、深度學習等相關領域大放異彩，人臉識別作為一種能夠通過計算機來鑒別人臉和身份的一種工具已經滲透我們生活的方方面面，如智能門鎖，智能手機人臉解鎖，小區門禁，智能考勤，高鐵刷臉檢票等。各領域對于人臉識別技術的廣泛應用也在不斷使這項技術日益完善并趨于成熟。與此同時這項技術也在向更多的領域推進。如：

（1）基于人臉識別的快速公交云支付系統

用戶通過在手機端下載APP完成人臉身份認證，錄入人臉識別的人臉庫中，綁定自己的ID。直接刷臉乘車，解決需隨時攜帶公交卡或者現金所帶來的不便。

（2）稅收征管“天眼”

稅收部門在前臺受理端通過有關設備完成人臉采集工作， 在后臺分析端組建人臉管理系統完成人臉大數據分析工作， 實現以人為核心的新型稅源管理模式。做到稅源監控到個人，風險管理對象到個人。

（3）人臉識別電視

通過電視機上所攜帶的攝像頭完成人臉識別并進行后臺大數據分析，準確識別用戶人物的相關屬性， 對用戶性別和年齡進行分析，獲取用戶的瀏覽內容及使用習慣，通過用戶的喜好來推送節目內容，做到一用戶一推送，滿足用戶之間的差異化、個性化，提高用戶的體驗感及舒適感。

2人臉識別算法的三大模塊：

在2014年DeepFace提出的人臉識別模型中將人臉識別的過程大致分為四個階段。包括人臉檢測、人臉對齊、人臉表征、人臉分類。

2.1人臉檢測：

人臉檢測是通過明確輸入的圖像或視頻流中人臉所在的位置、大小和姿態以解決人臉在哪的問題。在不受圖像尺寸，人物姿勢及面部表情等因素的影響的情況下，從圖像中提取人臉并做相關的人臉對齊工作，為后續的特征分析與人臉識別做準備工作。

2.2人臉對齊：

人臉的可活動性及攝像頭的固定性使得同一張人臉在圖像中會有不同的角度以及表情，不會每一張都是標準的證件照，因此會對識別精度造成誤差。人臉對齊的工作就是將圖像中檢測到的人臉通過旋轉縮放等變換達到證件照效果的過程。其過程是通過對眼睛、鼻尖、嘴角、臉的輪廓點等人臉特征關鍵點進行仿射變換來達到理想效果。

2.3人臉特征表征：

人臉特征表征是通過將帶識別的人臉圖像載入神經網絡，得到具有特定維數的特征向量來完成對人臉的識別工作。該特征向量由人臉區域特征的差異性和區分度來生成，如鼻子和嘴巴所表示的特征的不一致性。以此來增大不同人臉特征的特征向量之間的差異性。得出的差異度最小的特征向量即為所識別的人臉。在DeepFace算法中采用了5個卷積層、1個最大池化層、1個全連接層來進行人臉的表征，如下圖所示：

3人臉識別的發展歷程及主要方法：

3.1起源階段：

20世紀50年代美國心理學家J.S.Bruner發表“The perception of people”從感知和心理學的角度開始了對人臉識別的探索。20世紀60年代Bledsoe 發表了關于工程學的“Facial Recognition Project Report”，選取人臉特征信息點之間的間距，比率等數據信息作為判別依據建立了第一個半自動的人臉識別系統。

3.2早期算法階段

3.2.1基于模板匹配的人臉識別方法：

模板匹配的原理是先建立一個人臉模板庫，提取輸入人臉的特征信息進而構成特征向量，再與人臉模板庫中的人臉特征向量進行向量之間的距離計算，可通過最小距離法進行判別。距離最小的則將識別的人臉歸類為模板庫中的人臉。此方法利用了所選取的人臉特征區域的全局信息，因此帶來了特征向量之間計算的時耗。

模板匹配分為靜態模板匹配和彈性模板匹配兩大類。靜態模板匹配是將待識別人臉與模板庫中的模板人臉灰度圖像或局部灰度圖像進行自相關性計算，但極大的受人臉表情和姿態影響，識別準確度較低。彈性模板匹配則是將人臉看作是帶標號的拓撲圖，將拓撲圖與模板庫中的模板圖進行特征向量匹配，找出匹配度最高的模板人臉，則將待識別的圖像人臉歸入該類模板人臉。特征向量由人臉特征節點構成。

3.2.2基于幾何特征的人臉識別方法：

最早的幾何特征人臉識別是通過提取人臉的側臉輪廓特征點形成輪廓曲線，確定輪廓基準點對輪廓曲線進行比對來完成人臉的識別。但圖像人臉一般為正臉故應用較少。主流的基于幾何特征的人臉識別方法的主要思想是通過分析人臉五官的形狀和分布結構所具有的規律性。對其進行幾何描述，計算五官之間的距離、角度、比值等作為特征信息來完成對人臉的識別?；趲缀翁卣鞯娜四樧R別方法具有較好的光照不敏感性，但對于人臉表情和姿態變化的魯棒性則較差。

Poggio和B runelli于1993年對基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法進行了比較并得出各自的優缺性同時發表論文“features versus templates”。

3.2.3基于子空間的人臉識別方法

基于子空間的人臉識別算法把人臉圖像描述為一個高維的向量，將該高維向量通過投影的方式投影到低維空間中，投影后的低維向量在子空間中更加緊湊，也更為方便描述同時也降低了計算度，能夠達到比較良好的區分度。

經典的子空間識別算法有主成分分析和線性判別分析。主成分分析的核心是保留投影后的關鍵信息，在盡可能多的保留關鍵信息的前提下降低數據的冗余度，為后續的識別提供便利。線性判別分析的核心是使得不同類間的差異盡可能大，同類之間的差異盡可能小。從而使得同類人臉投影后聚集緊湊，不同類人臉分散。主成分分析和線性判別分析目前都有較為成熟的基于特征舉證和特征向量的算法。其他基于子空間的方法還包括ICA（獨立元分析）、NMF（非負矩陣因子）、以及基于核的非線性子空間分析方法有KPCA（核主元分析）和KFDA（核判決分析）等。

3.2.4基于隱馬爾可夫模型（HMM）的人臉識別方法

基于隱馬爾科夫模型的人臉識別方法首先完成對人臉圖像的觀察向量提取，再通過HMM訓練得到相關的人臉HMM數據庫。將待識別的人臉輸入HMM訓練網絡得到相應的HMM參數，與數據庫中的參數進行相似度比對，輸出匹配概率最高項。目前能較好地進行人臉觀察向量提取方法有：（1）直接用圖像像素灰度值做觀察向量，（2）使用二維離散余弦變換的變換系數做觀察向量。

馬爾可夫模型是對馬爾科夫過程的模型化，由五個狀態描述，可表示為： λ = （ N，M，π，A，B） 。通過設置馬爾科夫鏈A的N個狀態以及每個狀態相應的觀察數目M，通過一個隨機過程得到一個觀察值序列B。通過得到的觀察值序列來感知相關的特征?；陔[馬爾可夫的人臉識別算法對于人臉五官特征及特征之間的相互聯系有充分考量，對于人臉的表情及姿態等的變化具有好的魯棒性。

3.2.5人工特征+分類器的方法

目前常用的較為成熟分類器有樸素貝葉斯、支持向量機、邏輯回歸、人工神經網絡、決策樹等。所以此階段的重點是在于人工特征的設計工作，以便于能夠將不同的人識別出來。

將描述圖像的HOG特征，Gabor特征，LBP特征，SIFT特征應用于人臉識別領域是一大創舉。其中的典型代表是LBP特征即局部二值模式，特征簡單有效。LBP特征計算能夠解決光照敏感問題，姿態和表情問題。

3.2.6深度學習的方法

自2012年ILSVRC-2012，卷積神經網絡在圖像分類領域顯示出了巨大的威力，其使用效果明顯優于人工設計的特征+分類器的方案，使得深度學習方法大放異彩。卷積神經網絡通過學習海量的人臉圖片提取人臉的特征向量，替代人工設計的特征。卷積神經網絡模型的發展前期側重于網絡結構和數據集的設計，后期主要著重于對于損失函數的優化，提高網絡的精確率。自此奠定了深度學習在人臉識別領域舉足輕重的地位。

2014年Facebook提出DeepFace，成為深度卷積神經網絡在人臉識別領域的奠基之作。該方法在LFW數據集上獲得97.35%的準確率。

隨后，Google提出FaceNet方法，使用三元損失函數完成對損失函數的改進，該方法在LFW數據集上獲得了99.63%的準確率。

香港中文大學唐曉鷗團隊提出DeepID方法，同時不斷進行改進，又提出了DeepID2，DeepID3。均是卷積神經網絡在人臉識別領域的經典方法。

4人臉識別的安全性考量

人臉識別作為一種人體身份認證的工具，其高效快捷，低成本的性能使其在安全領域（公共安全、信息安全、金融等）得到了廣泛應用，如門鎖，手機的訪問控制，刑事偵查的視頻監控等。但又由于人臉的易復制性，出現了許多針對人臉認證的攻擊手段，如人臉照片攻擊，人臉視頻回放攻擊，及三維人臉攻擊等。

為了有效的預防并阻斷這些攻擊手段，我們有必要在人臉識別時加入人臉活體檢測技術。人臉活體檢測是為了檢測人臉圖像是否為活體，進而判斷是否為人為攻擊。人臉活體檢測分為兩大類，一類是基于描述子的分析方法，紋理、運動、形狀、頻率、顏色等均可以作為描述子來對活體與非活體圖像進行區分。一類是分類器的方法，通過對大量的活體圖像和非活體圖像進行訓練，得到一個活體的判別模型。

參考文獻

[1]R Brunelli，T Poggio.Face recognition：features versus templates [J].IEEE Trans.PAMI，1993，15（10）：1042-1052.

[2]Matthew Turk，Alex Pentland. Eigenfaces for recognition. 1991， Journal of Cognitive Neuroscience.

[3] Eigenfaces vs. Fisherfaces： recognition using class specific linear projection. Peter N Belhumeur J P Hespanha David Kriegman. 1997 IEEE Transactions on Pattern Analysis and Machine Intelligence.

[4] Dong Chen， Xudong Cao， Liwei Wang， Fang Wen， Jian Sun. Bayesian face revisited： a joint formulation. 2012， european conference on computer vision.

[5]Timo Ahonen， Abdenour Hadid， Matti Pietikainen. Face Description with Local Binary Patterns： Application to Face Recognition. 2006，IEEE Transactions on Pattern Analysis and Machine Intelligence.

[6]王巖青.“人臉識別”打造稅收征管“天眼”[J].中國稅務，2018（12）：74.

[7]熊志勇，沈理.基于本征特征的彈性模板匹配法[J].計算機研究與發展，1999（07）：109-114.

[8]趙丹. 基于幾何特征的人臉識別方法研究[D].河北工業大學，2015.

[9]謝振東，蔡梓超，顧裕波，鄒大畢.基于人臉識別的快速公交云支付系統的構建[J].電子技術與軟件工程，2019（22）：144-145.

[10]龔銳，丁勝，章超華，蘇浩.基于深度學習的輕量級和多姿態人臉識別方法[J/OL].計算機應用：1-7[2020-02-10].http：//kns.cnki.net/kcms/detail/51.1307.TP.20191025.1649.018.html.

[11]楊巨成，代翔子，韓書杰，毛磊，王嫄.人臉識別活體檢測綜述[J/OL].天津科技大學學報：1-10[2020-02-10].http：//kns.cnki.net/kcms/detail/12.1355.N.20191219.1130.006.html.

[12]余龍華，王宏，鐘洪聲.基于隱馬爾科夫模型的人臉識別[J].計算機技術與發展，2012，22（02）：25-28.

[13]瓦佳.康佳發布智能“人臉識別”電視[J].電器，2019（01）：58.

[14]鄒金花.人臉識別技術的研究與應用[J].電腦知識與技術，2019，15（28）：199-200.

[15]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，2008（04）：53-56.

[16]田啟川，王滿麗.深度學習算法研究進展[J].計算機工程與應用，2019，55（22）：25-33.

[17]劉青山，盧漢清，馬頌德.綜述人臉識別中的子空間方法[J].自動化學報，2003（06）：900-911.

[18]蔣阿娟，張文娟.人臉識別綜述[J].電腦知識與技術，2019，15（02）：173-174+190.