浅谈人脸识别技术

2014-08-15毛亮李立琛

中国公共安全 2014年10期

文/毛亮李立琛

随着科技的发展和人们生活水平的提高，社会信息安全问题备受关注。如公安部门要从街道行人中迅速辨别犯罪嫌疑人，银行需对存取款客户进行身份认证，海关要对每天成千上万出入关人员进行身份确认。另如911恐怖事件的发生使世界各国对如何让政府机构、军事设施、金融系统以及机场等重要安全区域免受恐怖分子的袭击给予了高度重视。目前，基于密码、磁卡和钥匙等传统的安全措施其安全性能较低，为确保国家及社会的和谐稳定，就得找到一种更加可靠有效的身份识别技术来满足安全领域的需要。在这种背景下，人们把目光投向了一种生物特征识别技术——人脸识别。

人脸识别是指利用计算机并借助相关算法对人脸进行分析和身份辨认的一门技术，其使用通用的摄像机作为识别信息获取装置，并以非接触的方式在对象未察觉的情况下根据人脸面部图像完成识别过程。由于人脸特征直观、友好、方便，且具有很强的自身稳定性和个体差异性，因而是身份验证最理想的依据。

本文将围绕人脸识别的发展历程、关键技术、应用现状、存在问题以及发展趋势进行讨论和研究。

人脸识别发展历程

人脸识别的工程应用始于20世纪60年代，经过50多年的研究，大致可以分为以下三个阶段：

第一阶段是主要针对人脸识别所需要的面部特征。研究者利用计算机实现较高质量的人脸灰度图模型，该阶段的特点是识别过程全部依赖于操作人员，存在过多主动因素的干预，显然无法实现自动人脸识别系统。

第二阶段是人机交互式识别阶段。将人脸图像中的耳朵、眼睛、鼻子长度等主要几何特征描述出来，并通过欧氏距离进行相似性度量。Harmon和Lesk利用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。几何特征计算简单、速度快，在当时硬件受限制的情况下是比较合理的选择。但是，该方法依赖于操作员的先验知识，仍无法摆脱人的干预。

第三阶段是真正的机器自动识别阶段。该阶段人脸识别技术有了重大突破，很多经典算法相继出现，如特征脸、子空间方法、弹性图匹配法、基于统计外观模型和神经网络的人脸识别等。同时，也出现很多用于算法性能测试的公开人脸库，如ORL人脸库、YaleB人脸库、FERET人脸库等。美国国防部反毒品技术发展计划办公室资助的FERET人脸库促进了现存算法的改进和应用化，并表明光照、年龄、姿态、表情等的变化对人脸识别算法性能影响最大，推动了非理想采集条件下人脸识别研究。

随着高性能计算机的发展，国内外已经有许多机器全自动识别系统相继问世，促使人脸识别技术进入了实用化阶段。国外比较成功的商用人脸识别系统有Identix公司研发的FaceIt、AcSys公司的AcSysFRS、EyeMatic公司的EPL等。国内比较有名的人脸识别系统有深圳汉王人脸考勤机、浩顺人脸识别考勤机、飞瑞斯人脸识别考勤机等。

人脸识别关键技术

人脸识别技术主要从图像序列或视频流中将特定人脸判别出来，一个全自动人脸识别系统一般包括三个关键技术：人脸检测、特征提取和人脸识别。

人脸检测是从复杂的背景中提取我们感兴趣的人脸图像区域。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种各样遮挡等因素都会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，从而为后续的人脸识别作准备。人脸检测的核心技术包括如下三个方面：

·基于特征的人脸检测技术。可采用颜色特征、轮廓特征、纹理特征、结构特征、直方图特征等进行人脸检测。

·基于模板匹配的人脸检测技术。事先设定好一定的候选人脸模板库，接着采取一定的模板匹配策略，用模板库中的模板对图片进行匹配，通过相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。

·基于统计的人脸检测技术。搜集大量的“人脸”和“非人脸”图片以构成人脸正、负样本库，并采用统计方法进行强化训练，从而实现对人脸和非人脸的模式进行检测和分类。比较经典的有Adaboost方法、人工神经网络方法、支持向量机方法等。

特征提取主要是从人脸图像中提取具有判别性的特征，它是人脸识别的核心部分。特征提取的优劣会在很大程度上影响人脸识别效果，现有的方法主要包括如下四个方面：

·几何特征。以面部特征点之间的距离和比率作为特征，其识别速度快，对内存要求较小，对光照不太敏感。

·基于模型的特征提取方法。隐马尔科夫模型是一种常用的模型，根据不同特征状态所具有的概率不同而提取人脸图像特征。

·基于统计的特征提取方法。将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式，比较典型的有特征脸、独立成分分析、奇异值分解等。

·基于神经网络的特征提取方法。利用大量神经单元对人脸图像特征进行联想存储和记忆，根据不同神经单元状态的概率实现对人脸图像准确识别。

人脸识别是根据所提取的人脸图像特征采用相关识别算法进行人脸确认或辨别。即将已检测到的待识别人脸与数据库中已知人脸进行比较匹配，得出相关信息，该过程的关键是选择适当的人脸表征方式与匹配策略，系统的构造与人脸的表征方式密切相关。一般根据所提特征而选择不同识别算法进行度量，常用的包括距离度量、支持向量机、神经网络、k均值聚类等。

人脸识别技术应用现状

人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，使用者无任何心理障碍，且易于被用户接受。当前的人脸识别技术主要被应用到如下几个方面：

公安破案。刑侦破案中公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得该嫌疑犯的照片或其面部特征的描述后，可从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。

视频监控。通过对公司、银行、公共场所等进行24小时视频监控，当有异常情况或陌生人闯入时，利用人脸识别技术可以对异常情况进行监控、识别和报警，以及对陌生人进行实时跟踪。

证件验证。证件验证是检验某人身份的一种常用手段，利用人脸识别技术，可以让机器自动完成验证识别工作，实现自动化智能管理。如2008北京奥运会实名制票证系统认证、重要机构重要人员身份认证、银行押运员身份验证等。

出入口控制。对楼宇、住宅、公司等出入口的安全检查，包括在进入计算机系统前的身份验证。飞瑞斯科技“辨脸通”人脸识别考勤系统，精确提取人脸特征作为身份识别的依据，从而提供准确的考勤记录，完全取代市场上指纹、打卡考勤机。

随着生物特征识别技术的发展，指纹、虹膜、语音等生物等征的局限性日益显现，而人脸特征相对其他生物特征具有非侵入性、采集成本低、操作简单等优势，基于人脸特征的生物特征身份认证技术受到了社会的高度重视。

人脸识别技术存在的问题及发展趋势

人脸识别技术经过几十年的发展，已经取得了很大进展，但由于人脸识别问题的复杂性，目前还没有一个通用的人脸识别系统可以满足所有要求。具体而言，一个鲁棒的人脸识别系统研究主要存在以下几个难点：

光照变化。光照是随地点和时间变化而动态变化的，偏光、侧光会导致二维人脸图像中产生过亮、过暗、阴影及带来灰度分布变化和颜色空间变化，从而影响人脸识别，导致系统性能下降。

姿态变化。由于行为意识的控制使人脸发生偏转或俯仰，以及成像投影时由于形变而引起脸部特征的拉伸和压缩以及脸部特征不同程度的遮挡，导致提取的人脸图像特征差异性很大。

表情变化。人脸是非刚性的，心情变化会引发的表情变化，如微笑、惊讶、生气等，都将引起人脸特征几何形状的变化，从而摄像过程中从三维到二维的投影将随之发生变化，降低了人脸图像识别性能。

遮挡、发型、饰物、化妆等伪装条件，及年龄、身体状态、图像质量等。遮挡（眼镜、围巾等）、发型、饰物、化妆等都可以将脸部的主要特征覆盖，导致图像中主要特征的缺失。而年龄、身体状态等会影响人的肤色，也会让人脸发生改变，如年龄变大产生皱纹等新特征，身体不好使脸变瘦及肤色变黄变暗，这些差异均会给人脸识别带来很大的影响。

目前，人脸识别技术只能解决特定环境下的应用，如特定光照、限制遮挡等。而实际中外界环境是不可控的，如复杂条件下的人脸识别、模糊照片的人脸识别、远距离的人脸识别、快速行进中的人脸识别，这些都亟需人脸识别技术来解决。有效的变化补偿、特征描述的合理以及更准确的分类识别都将是人脸识别技术成功应用的关键。在未来，如何更好地提取和组合局部与整体特征来提高特征表达的鲁棒性、如何实现多分类器的有效融合来提高分类正确率以及如何提高人脸识别的识别率和识别速度等，这都是人脸识别技术在发展中要解决的问题。