人脸识别技术研究及应用范文

《警察技术》2017年第4期

摘要：讲解了人脸识别的发展历程和各个阶段使用的方法与技术，分析了基于深度学习的人脸识别的技术流程和独特优势。人脸识别已经成为一种比较成熟的身份识别技术，广泛应用于安防边防、公共安全、银行认证、社会管理等诸多领域，并形成了人证比对仪、人脸门禁、海量人脸搜索、人脸识别服务、人脸识别系统等多种稳定的产品形态。人脸识别必将是人工智能领域永不过时的主角，对于这项技术的研究具有长远的意义。

关键词：人脸识别；深度学习；人脸识别系统

1概述

人脸识别技术是通过人工智能的手段对人的脸部特征信息进行分析从而达到身份识别效果的一种生物识别技术。人工智能渊ArtificialIntelligence冤是20世纪50年代中期兴起的一门新兴边缘科学，旨在对人的思维尧意识过程进行模拟。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获、知识处理系统、自然语言理解、计算机视觉、智能机器人等[1]。人脸识别技术是人工智能领域一个重要的分支。对于人脸识别技术的研究和探讨，有助于理解技术的核心问题以及每种解决方法的优缺点，明确人脸识别技术的发展方向和突破点，更是对现有人脸识别技术的应用有一个客观的认识。

2人脸识别的技术

2.1概述

人脸识别作为人工智能领域一个重要的分支，一直吸引着科学家和技术工作者不断的探索。人脸识别从基于的理论基础来分主要有两个大类：基于知识和基于统计。根据具体实现方法不同，又分为基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法、基于深度学习的方法[2]等。下面就从一些主流方法的基本原理、优缺点等方面进行分析。

2.2主流人脸识别方法

2.2.1基于几何特征

该方法以面部特征点之间的距离和比率作为特征，通过最邻近方法来识别人脸。这种方法非常直观，识别速度快，内存要求少，提取的特征在一定程度上对光照变化不太敏感[3]。但是，当被检测的人脸表现一定的表情变化时，用该方法就不能准确地提取特征。而且由于特征点数量有限，细节把握不够，识别率较低。

2.2.2基于模型

基于模型的方法最广为使用的是隐马尔可夫模型。它是一种基于整体的或概率统计方法。用一张完整的人脸来说，马尔可夫的状态包括前额、眉毛、眼睛、鼻子、嘴和下巴，这些状态以相同的顺序从上到下出现，表现为隐马尔可夫模型的特性状态[4]。这种方法虽然是用统计的方法去提取特征状态，但也是基于一定的器官位置知识，不是纯粹的数学概率方法。

2.2.3基于统计

基于统计的3种人脸识别方法包括特征脸、Fisher脸和奇异值分析。特征脸的特征向量是从高维矢量空间的人脸图像的协方差矩阵计算而来，而该方法被认为是一种有效的人脸识别方法[5]。Fisher脸法由Ronald鄄Fisher发明，其基于的LDA理论和特征脸里用到的PCA有相同之处，都是对原有数据进行整体降维映射到低维空间的方法[6]。而奇异值分解法，就是通过取奇异值分解中前面较大的奇异值对应的特征向量，提取出图像中由光照、表情、姿势等噪声对应的高频信息，来重构图像[4]。此类方法不针对面部特定的某些特征，而是用纯数学统计的方法对图像得到的向量进行处理分类，判定是否为人脸，识别效果欠佳。

2.2.4基于神经网络

神经网络在人脸识别上的优势就是在于可以通过机器学习，获得对于人脸图像规则隐形的一种表达。机器学习的最重要特点就是要用很多张人脸图像进行模型训练，在训练的过程中往往会对模型中的参数进行人为调整。该模型不同于以上所说的基于模型的方法，而是由神经元组成的网络模型，在训练的过程中的参数表示从一个神经元到下一个神经元的概率。该方法是用机器学习的方法代替纯数学统计方法提取数字特征，算法表示一种惯性概率，不易被解释，而且神经元的数目较多，运算时间较长。

2.2.5基于深度学习

深度学习实际上是一种复杂的神经网络学习。深度学习通过组合低层特征渊边缘、灰度值等冤形成更加抽象的高层表示属性类别渊性别、年龄冤或特征渊眼睛尧耳朵等冤，以发现数据的分布特征表示。由于隐层多，层内神经元众多，对计算性能有很高的要求，算法对向量降维的要求也是机器学习领域的重要课题。卷积神经网络是一个真正意义上的多层结构学习算法，它利用空间相对关系减少参数数目渊降维冤来提高训练性能。当然，单一地使用深度学习进行人脸识别，效果是有限的，在现主流的基于CAFFE模型的深度学习中，还加入了人脸器官分布的一些特征约束，使学习发现的分布特征具有一定的针对性，使识别效果更好。随着计算力处理能力的发展，尤其是CPU硬件技术的飞速发展，深度学习在特征广度和训练深度上不断加大计算，对人脸识别的准确率有很大的提升，也成为现在最主流的人脸识别的方法。该方法的鲁棒性和扩展性都非常好，对于动态采集的各个角度和不同的人种的人脸，只要在训练集中有足够多的样本，就能被模型学习到这种特征并很好地识别。人脸识别技术的发展是各种数学统计、生物技术等多学科技术不断融合的一个过程，从开始单纯的数学统计和模型处理，到后面基于机器学习的神经网络，再到万能的深度学习，人脸识别技术的每一次进步都有鲜明的阶段性特点。虽然人脸识别的准确性在不断提高，但即便是现阶段最流行的深度学习技术，也不是一种完美的解决方法。它需要复杂的多层结构搭建和大量先验知识的学习和训练，准确性的瓶颈也取决于这些先决条件的质量。现在人脸识别已经深入生活，能帮助我们解决很多的现实问题，同时我们也要客观地认识它的瓶颈，用包容的心态去看待和期待它的进一步发展。

2.3人脸图像的流程

人脸识别的技术流程包括人脸图像采集、人脸检测、人脸特征提取、人脸特征匹配和识别。其中，人脸检测和特征提取是具有核心算法的部分。

2.3.1人脸检测

在人脸检测环节，根据人卡合一比对这种应用场景的特点，选择合适的人脸检测算法，并对算法中涉及到的人脸大小、校准角度、采样尺寸等做了最适合应用场景的处理。一般的人脸检测算法处理速度在100ms以上渊i7处理器下冤。

2.3.2特征提取

不同于传统的人工设计特征的人脸识别算法，采用了主流的深度学习方法来提取特征并进行人脸识别。利用深度神经卷积网络提取目标的深度语义特征并对人脸进行识别，通过基于多层特征融合的深度神经网络，可以学习不同级别的语义信息，如边缘、角点等低级别特征，眼睛、耳朵、鼻子等中级级别特征，以及人脸表情、年龄等高级别的人脸属性特征。采用的基于深度学习技术的人脸识别方法可以解决尺寸、旋转、光照等传统方法很难解决的问题，还可以对较小或者不清晰的人脸进行比较精准的识别。具有泛化能力强、识别准确度高等特点。基于深度学习的特征提取算法，需要采用大规模尧高质量、特征丰富的人脸数据进行模型的学习训练，保证人脸识别模型的准确性。采用GPU硬件加速的方法，使特征提取的计算速度由几百毫秒缩短至几十毫秒。

2.3.3结果匹配

除了人脸检测和特征提取两部分的加速，在结果匹配环节也可以通过建立索引树的方式将十万级数据匹配的速度提升到毫秒级的水平。这样，单个人脸识别的总时间可以达到120ms左右，顺序执行识别的速度可达每秒8-9帧。由于每秒播放15-20帧，人脸观察才不会有明显的卡顿现象，所以，人脸实时处理的办法一般是并行处理或是在原采集视频中隔帧处理。基于深度学习的人脸识别算法具有以下鲜明特征：渊1冤人脸识别速度快：人脸比对速度最高可以达到每秒数十次，在百万级人口数据库中搜索目标人脸的速度可达到秒级。渊2冤人脸识别准确率高：一般光照情况下的人脸识别准确率可达99%以上。渊3冤适用性强：不管是在白天还是晚上，对人脸识别算法不会有太大的影响。

3人脸识别的应用

3.1人脸识别的应用优势

3.1.1采集方法简单

人脸识别的图像获取，仅需要普通的摄像头采集即可，不用像虹膜识别一样采用造价昂贵的专用设备。

3.1.2准确度高

相对于指纹和虹膜，人脸具有更丰富的特征，能够达到更高的准确度。3.1.3应用范围广、实用性强人脸识别不仅能够提供比对的服务，还能够保存对比图像，对于一些需要调查取证的场合，具有更加直观更加有价值的意义。

3.2人脸识别系统模式

根据应用场景和需求的不同，人脸识别系统一般分为两种：3.2.1CS模式的人脸识别系统这种系统模式适合于项目需求简单，可以和人脸识别系统功能能够有机地结合在一起。比如人证比对系统，幼儿园的人脸识别门禁系统等。

3.2.2BS模式的人脸识别系统

有专门的人脸识别服务器，客户端只要将检测到的两张人脸发送到后台服务，后台进行人脸的比对识别工作，将比对的结果返回给前端，前端根据是或否两种情况作出相应的指令动作即可。这种系统模式适合于已经有成熟的业务系统，或是准备将复杂业务系统和人脸识别功能进行分离的情况。比如财政或医：的管理系统需要添加人脸识别验证登录的功能，或是人脸验证审核的功能。

3.3人脸识别的典型应用

3.3.1人证比对仪

人证比对仪是人脸识别技术最简单最具代表性的应用，它能直观地将人员证件照和摄像头采集到的当前头像进行1颐1的比对，在1秒钟之内返回两者的相似度，从而判断是否匹配通过，准确率高达99%以上。主要应用于关卡、银行窗口、会议安检等需要人员的核实或是排查的场合。在关卡等处如果单使用人证比对仪，还需要人工监督是否通关放行，为了进一步减低人工成本，可添加闸机或门禁等控制设备，人证比对通过后，程序会向设备发送高低电平的信号量，控制设备开闭，实现自动放行。

3.3.2人脸考勤

人脸考勤是将人脸识别和考勤业务系统紧密联系在一起的一种应用技术，从实现方法上可以分为直接刷脸考勤和人证比对考勤两种。直接刷脸不需要工作人员持有任何证件，但是应用1：N的识别策略，准确率较低，不建议使用。人证比对需要工作人员持有能够唯一标识本人的证件，身份证、工卡渊IC卡冤、二维码等都可以作为有效证件使用，系统通过唯一标识找到该工作人员的系统存照和当前采集的人脸进行1:1比对，比对通过即可记录考勤。第二种方法的准确率可达99%以上。

3.3.3人脸识别综合应用系统

人脸识别综合应用系统是以人脸识别为核心设计的一套应用系统，提供人员身份认证、人员布控、监测报警、数据查询、信息比对、考勤统计等一系列的人脸识别服务。人脸识别服务和算法是整个人脸识别系统的核心技术，人员图像库、监测人员信息库、业务信息库等为系统提供海量数据的存储服务，网络摄像头、移动设备、人像采集仪为人脸信息的输入提供了丰富的入口。借助于这套系统，用户渊特别是警察冤能够快速确定嫌疑人身份，并通过各种摄像头分析嫌疑人的行动线索，极大提高办案效率。

4人脸识别系统应用效果

随着计算速度和准确率的不断提升，人脸识别的应用越来越广泛。越来越多的企业或机构开始使用人脸识别的门禁或是考勤管理，边境出入境关卡是最早并一直使用人脸识别技术的领域之一，而且推动了人脸识别技术的发展速度曰人脸识别虽然有一些无法克服的缺点，但仍然抵挡不住它如火如荼的发展趋势。人脸识别技术不仅大大地减少了人力成本，也提高了工作的效率。无论人工智能如何发展，人脸识别是其中一个不可或缺的基本组成单位，具有强大而长远的生命力。

参考文献

[1]胡勤.人工智能概述[J].电脑知识与技术,2010,(5):3507-3509.

[2]高春庚，孙建国.基于统计的人脸识别方法综述[J].安阳工学：学报,2012.

[3]姜贺.基于几何特征的人脸识别算法的研究[D].大连理工大学,2008.

[4]刘小军，王东峰，张丽飞，时永刚，邹谋炎.一种基于奇异值分解和隐马尔可夫模型的人脸识别方法[J].计算机学报,2003:340-344.

[5]宇雪垠，曹拓荒，陈本盛.基于特征脸的人脸识别及实现[J].河北工业科技,2009,(05):428-430+433.

[6]谷春亮，尹宝才，孔德慧，胡永利.基于三维多分辨率模型与Fisher线性判别的人脸识别方法[J].计算机学报,2005:97-104.

作者：车志宏1，焦子路2，刘荣2 单位：1.河北省财政厅信息中心，2.河北财华信息技术有限公司