人脸识别技术在公安业务中的应用

宋　睿

(中远海运科技股份有限公司，上海 200135)

0　引　言

随着城市化建设步伐的加快，城市中外来人口大量涌入，流动人口的特性使城市人口的管理难度大幅提升。目前，各地市基本已建有大量的视频监控系统，但通过监控系统操作人员进行肉眼检索，难以在海量数据中迅速、高效地查询到有价值的相关信息。因此，需对管理理念与技术手段进行创新，智能、高效及快速地实现人员相关信息的采集、捕捉与处理。

生物识别一直是市场上受关注的焦点技术，一直保持着较快的发展速度。人体生物特征具有唯一性、稳定性、可识别性及不可复制等显著特点，用于人员身份识别具有更高的安全性。人脸识别技术作为生物识别技术的一种，由于其非接触性采集的特点和良好的用户接受度，在公共安全领域中得到广泛的关注。

伴随人脸识别技术的深度学习算法、计算机视觉等技术的发展也不断取得进步，动态实时人脸采集和匹配识别的准确性也越来越高，人脸识别的准确率也已基本达到实用程度。同时，一些城市视频监控规模不断扩大、技术不断完善(如上海市共有公共安全视频监控探头已超过10万个，高清监控摄像机逐渐取代传统模拟摄像机)为人脸识别系统提供大量的数据采集来源，使得人脸识别技术在公安信息化工作建设中得到更广泛地应用。

这里主要介绍人脸识别技术基本原理、发展历程、在公安业务领域的应用及对人脸识别技术应用未来的展望。

1　人脸识别技术简介

人脸识别技是基于人的脸部特征信息进行身份识别的一种识别技术。采用传统高清探头采集含图像或视频流中的人脸，并进行寻迹与检测，再进行一系列相关人工智能技术识别的一种典型应用。

1.1　人脸识别算法的改进

人工智能的发展过程中，分别经历了模式识别、机器学习和深度学习等4个阶段。2012年后，人脸识别领域利用深度学习技术实现了突破，人脸识别算法已满足基本实用要求的程度。

人脸的机器识别研究开始于20世纪70年代，识别算法不断改进和发展，从早期的人脸灰度图模型、多维特征矢量表示人脸面部特征，到20世纪90年代后的基于几何特征的人脸识别方法、基于统计的识别方法、基于相关匹配的方法及基于神经网络方法、三维模型的方法等[1-3]。人脸识别技术研究人员对上述算法不断改进处理流程、对描述进行优化，提取更有效的特征，使人脸识别准确度得到大幅提高。然而在深度学习诞生前，“浅”人脸识别时代的各种算法，远比不上人类本身所具有的人脸识别能力。

2012年前后，深度学习技术在整个机器视觉领域应用范围不断扩大，人脸识别正式迈向了的“深”时代，人脸识别的准确率逐渐达到实用程度，众多厂商推出了相关产品，人脸识别成为了视频监控行业内的热点技术方向，在公安、金融及教育等领域均取得广泛的应用。

1.2　深度学习算法

深度学习的概念由HINTON[4]等于2006年提出，从人工神经网络的研究中延伸而来，典型结构是含多隐层的多层感知器。深度学习通过组合低层特征向高层表示属性类别或特征进行一步步的抽象，以发现目标数据的分布式特征表示。

2012年，深度学习技术进一步在图像识别领域得到广泛应用[5]。基于深度学习的图像识别比传统识别算法的准确度有着显著的提高，充分证明多层神经网络识别效果的优越性。

深度神经网络分为很多种，目前应用最成功的包括卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)[6]，虽然二者都是在比较早期的时候就提出的理论，但近几年来，随着计算能力的提升和计算成本的下降，它们才开始被广泛应用于商业领域。苹果、谷歌、微软、Facebook及亚马逊等巨头都在使用，上述算法广泛应用于机器人控制、图像分析、文档总结、视频识别、手写识别、聊天机器人、智能助手、推荐系统、预测疾病和股票市场等领域[7]。

1.3　深度学习在人脸识别技术中的应用

人脸识别技术整个流程(见图1)，主要包括人脸检测、特征点定位及最后的人脸比对识别。人脸检测过程即在图像中找出是否具有人脸，进行定位跟踪；脸特征点定位即识别出人脸中主要器官的位置，比如眼睛鼻子等；人脸比对识别即最后用所识别的人脸与人脸库中的进行匹配，进行身份识别。

图1　人脸识别流程说明

人脸检测、特征点定位和人脸识别这3个过程的研究在深度学习技术出现之前并不是统一的。从20世纪90年代到2010年，随着技术不断深入，科学工作者对每个子过程都发现一些效果良好的实现算法。但由于研究者需根据每个子过程本身的特点设计不同的特征选择不同算法，因此整体人脸识别效率受到子过程不同算法的制约，达到人脸识别准确率的瓶颈。

2012年，深度学习技术在机器视觉领域受到广泛的应用，人脸识别正式迈进“深”时代。短短几年，人脸识别的3个子过程中运用基于深度卷积神经网络的方法均刷新人工智能算法以前的记录。深度学习技术曾经纷繁多样的技术和方法被迅速淘汰。研究人员不需在每一个人脸识别子过程中进行针对性的特征判别方法研究，深度学习算法可自动学习对特定任务最有用的特征，研究人员时工作重点转变为深度学习算法模型优化。

随着深度学习火热和在人脸识别上的成功应用，各人脸识别厂商在国际权威人脸识别公开测试集(Labeled Face in the Wild，LFW)数据库上获得很好的测试结果。在2014年，Facebook利用DeepFace的深度学习算法，在该数据库上的测试结果显示该深度学习算已经超过人类肉眼人脸识别准确度。目前几大开源深度学习项目(例如CAFFE，TORCH, TensorFlow)进一步发展，深度学习算法真正在人脸识别领域获得广泛应用，不久之后很多其他研究部门的基于深度学习的方法在LFW数据库上均超过人类肉眼人脸识别准确度。

2　公安业务中的人脸识别系统简介

各厂商在公安业务中的人脸识别系统架构大多相似，系统架构见图2。

图2　系统构架

系统平台由前端接入终端、网络传输、后端处理服务和业务应用等部分组成。

前端接入主要是实现各种形式前端的接入，包括新建人脸识别的前端、原有高清监控前端等设备，通过这些设备提供人脸采集信息，提供数据资源。

信号传输即实现视频或图片的数据传输。

后端处理即分析系统中用于计算、分析、存储的设备、数据库和服务软件。数据库包括布控库、静态检索库、历史通过人员日志人脸信息库及系统基础信息等。后端处理系统实现对端采集的视频信息分析、人脸采集、特征提取和人脸比对报警等功能。

应用系统即人脸识别系统后端展示界面，人脸查询、人脸比对各类应用的交互界面。

2.1　处理流程

人员信息采集处理流程是系统人员处理的主流程见图3。

图3　人脸识别处理流程

2.1.1人脸检测

人脸检测负责在图像中查询人脸。若检测出人脸，将定位人脸图片坐标及大小等相关信息。人脸跟踪负责检测到人脸位置、对坐标进行实时跟踪。

2.1.2特征提取

通过特征提取算法，可定位人脸图像中显著特征点的位置(如眼睛、眉毛、鼻子及嘴巴等)，并获取这些器官或轮廓的相关描述信息再通过某些运算得到人脸特征的描述。

2.1.3比对识别

即窄意上的人脸识别(Face Identification)，通过前端采集的人脸图像与人脸库中所有已知身份信息的人脸图像进行相似度检测，以确认被监测人脸身份信息对应。

2.1.4报警处理

即布控人员联动报警。系统根据人脸库的性质和比对结果，触发实时布控报警信息，并将相关比对结果进行展示，报警信息包含多个备选条件，便于用户进行报警判断。

2.2　人脸业务库

人脸识别系统中的人脸库主要有3种类型，包括动态布控库、静态检索库及人脸日志库(见图4)。

图4　人脸库构成示意

2.2.1动态布控库

动态布控库结合实时布控任务，又称“黑名单库”。库中包含主要信息有 “布控人员”的人脸图片、身份信息和结构化的人脸特征数据，用于在布控位置进行人脸比对和报警。

2.2.2静态检索库

静态检索库包括海量人脸图片、身份信息和结构化的人脸特征数据，一般是某地区的常住人口信息库及暂住人口信息库等，用于图片检索比对和身份信息查询，以确定身份。

2.2.3人脸日志库

人脸日志库包括动态布控中获取的大场景抓拍图片、人脸图片和结构化的人脸特征数据、抓拍时间、抓拍地点等信息。用于人脸图片检索，查询布控人员出没地点、时间及坐标，在GIS地图上进行路径分析等。

2.3　系统功能

图5　系统功能

2.3.1实时布控

利用已建或新建的高清的治安探头，系统可自动获取监控视频中的人脸照片或接收人脸抓拍治安探头回传的图片，获取每个出入口通道、公共场所通道及重点区域等人员的面貌信息，并利用人脸识别技术进行实时比对和识别，一旦发现特征符合的人员后即可发出警报信号通知公安民警。

2.3.2报警管理

报警管理页面显示历史报警信息，基于监控捕获的人员照片，根据监测摄像机位置、照片属性信息及抓拍时间等信息，提供历史人脸识别信息的检索与定位查看功能，支持按时间、摄像机、状态、比分、所在库、布控人员及身份证号的条件多级筛选。

2.3.3轨迹分析

基于动态人脸布控采集所得的人脸照片，构成历史通行人员的人脸库，可记录历史通行人员出现的时间、地点及当时的环境背景情况。

2.3.4静态检索

1:1核验即提供2张以上照片的相似度分析识别能力，通过对2张人脸照片进行比对，判断是否2张人脸照片为同一人。

1:N检索即可选择目标人脸库进行人脸照片检索，检索结果按照相似度排序，并可查看检索人脸的详细信息。

身份证检索即可根据通过身份证号检索出的照片与输入照片进行比对，用于核实人员身份。

M:N碰撞即可选择各类人脸大库进行碰撞比对，比对结果按照相似度排序，并可查看检索人脸的详细信息。

3　行业市场动态

由于深度学习技术具有广泛适用性与巨大的潜力，国际互联网巨头如Google，Facebook及Microsoft均第一时间进行资源投入，国内互联网领袖BAT等3家企业也不惜资源进行技术储备，目前我国在人脸识别领域处于第一梯队，根据专利数量总和来看，我国人脸识别公开专利已达4 000多项，与其他国家和地区相比具有显著优势，处于全球领先地位。

在人脸识别领域学术界一些知名技术团队包括清华大学的苏光大教授团队、中科院的自动化所的李子青教授团队、香港中文大学的汤晓鸥教授的团队等，均取得了杰出的成果。

在人脸识别领域，众多公司纷纷推出相关产品，除海康威视、大华股份等安防厂商，汉王等传统图像识别公司，腾讯百度阿里巴巴互联网巨头，还涌现许多专注于人脸识别技术的创业公司，包括Face++、商汤科技、知图、Linkface、优图、格灵深瞳、深醒科技、中科奥森等。

人脸识别行业发展前景乐观，具有以下趋势。

3.1　市场规模进一步扩大

根据《2015全球安防设备市场报告》， 2012年到2015年，我国人脸识别市场规模从的16.7亿元攀升至75亿元。经过统计在各个应用领域中市场规模，公安领域16亿以上、交通领域为50亿以上、教育领域百亿级别、金融领域百亿级别，安防硬件存量市场除开，整体市场规模就达到数百亿。

3.2　政策支持力度不断加强

2015年以来，国家密集出台了各项等法律法规和相关技术标准，为人脸识别在金融、安防及医疗等领域的普及提供了有力支撑，扫清了政策障碍。2017国家政府报告中首次加入人工智能内容，人脸识别技术作为人工智能领域中的重要应用，相关政策支持力度将不断增强。

3.3　市场规模

在市场规模保持快速增长，政策支持力度明显加大的背景下，资金迅速集中于人脸识别领域，市场规模不断扩大。

3.4　多方参与，竞争白热化

各方资本迅速进入人脸识别市场进行布局，导致目前还处于互相竞争、共同开发的阶段，尚未形成几家独大的局面。审视人脸识别技术整个发展历程，可推断当前技术壁垒逐渐降低，使得落地项目多集中在政府及火车站等，资金、渠道显得愈发重要。

4　未来展望

经过多年的研究与发展，人脸识别技术已具备实用性，在现实场景中也得到了比较广泛的应用，国内主流人脸识别企业与一流学术研发团队均在LFW，MegaFace，FDDB中取得过优异的成绩，国内企业的人脸检测算法已达到世界顶级水平。

据以上分析，目前在公安业务中，人脸应用将聚焦在以下几个方面：

1) 街面治安类案事件。通过人脸系统提供实时报警并指导一线警员针对街面治安类案件进行及时布控和抓捕。

2) 情报预警。通过人脸系统捕获各类公安情报线索中的嫌疑对象，进行轨迹分析和落脚点查询。

3) 人口管理。通过人脸系统在各建筑物出入口的建设，实现对建筑物内实有人口的排摸，充分掌握建筑实有人口信息，并进行有针对性的管理。

4) 重点人员管控排查。通过人脸系统对各类在逃人员和重点关注人员进行实时比对和报警推送，便于公安机关及时发现及掌握重点人员的活动情况。

在实际应用中人脸检测问题还并没有被完全解决，某研究机构做过一项测试，其开发的算法曾在LFW数据集上达到极高的准确率，但是在一个真实的公安安防认证应用中，由于实际情况相对于实验室环境的复杂性与多变性，使得准确率将降低至66%，在满足公安实战应用需求上尚有欠缺。

复杂多样的人脸姿态、遮挡情况、光照条件、不同的分辨率、清晰度、肤色差及千万级甚至亿级的人脸检索任务，各种内外因素的共同作用阻碍了人脸识别在现实生活中更加广泛的应用。未来研究中，随着科技的不断进步发展，模型对现场复杂环境的适应能力的不断提高，机器人脸识别技术将达到甚至超越人类识别的精确度。

参考文献：

[1]HADDADNIA J，AHMADI M，FAEZ K A Hybrid Learning RBF Neural Network for Human Face Recognition with Pseudo Zernike Moment Invariant [C]//International Joint Conference on Neural Networks. IEEE, 2002: 11-16.

[2]梁路宏, 艾海舟, 徐光祐,等,人脸检测研究综述[J]. 计算机学报, 2002, 25(5):449-458.

[3]SAMARIA F S, HARTER A C., Parameterisation of a Stochastic Model for Human Face Identification[C]// Applications of Computer Vision, IEEE Xplore, 1994:138-142.

[4]HINTON G E,OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural computation, 2014, 18(7):1527-1554.

[5]JONES M J, VIOLA P. Robust Real-Time Ojbect Detection[J]. International Journal of Computer Vision, 2001, 57(2): 87.

[6]CHENG Y, LIU K，YANG J，et al. Human Face Recognition Method Based on the Statistical Model of Small Sample size[J]. Proceedings of SPIE-The International Society for Optical Engineering, 1992(6): 85-95.

[7]李武军, 王崇骏, 张炜，等.人脸识别研究综述[J]. 模式识别与人工智能, 2006, 19(1):58-66.