人脸识别技术综述

简讯

摘要：人脸识别已经成为计算机视觉最热门的研究方向之一并且在工业界得到了广泛的应用。文章围绕人脸识别技术，首先介绍人脸识别技术的定义并回顾其发展历程，其次概括人脸识别技术国内外主流的方法及现在面临的困难和挑战，最后根据当前人脸识别技术现状展望了其发展的方向和趋势。

关键词： 人脸识别;计算机视觉;人脸识别技术

中图分类号：TP391      文献标识码：A      文章编号：1009-3044（2019）02-0171-02

1  概述

近年来，随着互联网的发展，人们已经处于大数据的时代当中，由此带来信息量的爆炸式的增长，而利用传统的动态密码和手机认证个人身份认证方式会带来信息泄露、盗用、丢失等问题，而生物特征识别技术具有不易仿冒性和唯一性等特点，被认为是“下一代信息技术安全的核心”，而人脸识别技术是生物特征识别技术中的技术之一，主要是利用对人脸的光学成像来感知人、识别人[1-2]，目前该技术主要应用到刑事侦查、监控系统、安全支付等领域。

人脸识别技术（Face Recognition）主要包括在线匹配和离線学习两个部分，自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位、特征提取与分类器设计，需要综合考虑特征选取、特征提取和分类器的性能。人脸识别技术流程图如图1所示。输入一张待测人脸图像，首先提取图像的人脸特征，包括全局特征、人脸特征等，通过和对比库中的N个人脸图像特征进行比对，找到相似度最高的特征，然后与预算的阈值进行比较，输出特征对应身份信息[3-5]。

人脸识别技术根据其研究历史可以分为以下四个阶段。

在第一阶段（1950-1960），该阶段的人脸识别技术主要是从感知和心理学角度探索人类识别人脸机理[6]。

在第二阶段（1970-1980），该阶段的人脸识别技术主要研究人脸的面部特征实现人脸灰度图模型，但是并不能够完成自动识别的系统[7]。

在第三阶段（1990），该阶段的人脸识别技术主要研究采用多维特征矢量表示人脸面部特征，但是需要利用先验知识进行判断[8]。

在第四阶段（1990s末-现在），该阶段的人脸识别技术主要研究面向真实条件的人脸识别问题[9-10]。

2 人脸识别技术

随着人脸识别研究的不断发展，现有的人脸识别研究主要关注面向真实条件和真实应用场景下的人脸识别问题，主要包括以下四个方面研究：

1）人脸空间模型的构建，包括线性判别分析线性建模方法[11]，非线性建模方法和3D人脸识别方法[12]。

2）考虑影响人脸识别的外部因素，包括光照不变人脸识别、表情不变人脸识别等。人脸识别的常用算法有以下8种：①基于几何特征的人脸识别;②基于特征脸的人脸识别[13] ;③基于模板匹配的人脸识别;④基于神经网络的人脸识别;⑤基于隐马尔可夫模型（HMM）的人脸识别[14] ;⑥基于弹性匹配方法的人脸识别[15] ;⑦基于贝叶斯决策的人脸识别[16] ;⑧基于支持向量机的人脸识别[17]。

3）新的特征表示，包括局部描述子和深度学习方法。包括局部描述子和深度学习方法[18]。

4）新的数据源，包括基于视频的人脸识别和基于素描、近红外图像的人脸识别。

虽然人脸识别技术在技术和应用上已经有了极大的发展，但仍会存在一些因素的限制，使得人脸识别系统在安全性和实用性等方面没有完全达到人们的期望，以下总结了当前人脸识别技术存在的问题：

1）算法的准确率离并未达到完美。在基于100万张面孔的公开基准测试，准确率大幅下降，表明在现实的环境中，人脸识别算法不可避免地会出现准确率下降的挑战。

2）人脸识别存在安全漏洞。在人脸识别的人脸比对和活体检测过程中，无法避免出现误判的情况。

3）目前尚无一套包括所有技术模块的、完全开源的基准人脸识别系统。不管是国内还是国外的研究团队开发的人脸识别引擎都不支持第三方的库函数，关键技术还需要进行优化和完善。

3 总结与展望

人脸识别是极富挑战性的课题，虽然人脸识别技术已取得了巨大的成就，但是在实际应用中仍然面临困难，主要是现实场景中不仅需要达到快速检索同时要求达到很高的分类准确率，可以考虑在人脸的局部和整体信息结合起来，多人脸特征融合，多分类器融合、人脸之间的相似性、3D人脸模型等方向上进行研究，提高人脸识别的识别率和识别速度、减少计算量、提高鲁棒性，在嵌入式及硬件实现并实用化是将来值得研究的。

参考文献：

[1] 刘卫凯， 郝雅倩， 郑晗，等. 人脸识别综述[J]. 信息记录材料， 2018（7）.

[2] 夏志强. 人脸识别综述[J]. 电子世界， 2017（23）：74.

[3] 徐晓艳. 人脸识别技术综述[J]. 电子测试， 2015（10）：885-894.

[4] 左腾. 人脸识别技术综述[J]. 软件导刊， 2017， 16（2）：182-185.

[5] 何春. 人脸识别技术综述[J]. 智能计算机与应用， 2016， 6（5）：112-114.

[6] 张敏， 张海艳， 刘亭，等. 人脸识别系统综述[J]. 电子世界， 2014（15）：107-108.

[7] 杨巨成， 刘娜， 房珊珊， 等. 基于深度学习的人脸识别方法研究综述[J]. 天津科技大学学报， 2016， 31（6）：1-10.

[8] 卢文峰. 人脸识别研究技术发展综述[J]. 电子世界， 2017（17）：97.

[9] 景晨凯， 宋涛， 庄雷， 等. 基于深度卷积神经网络的人脸识别技术综述[J]. 计算机应用与软件， 2018（1）：223-231.

[10] 党永成.人脸识别技术综述及分析[J]. 电子技术与软件工程， 2018（3）.

[11] 潘玉进， 曹立人. 人脸识别及其视角效应的研究综述[J]. 温州大学学报：社会科学版， 2016， 29（3）：111-116.

[12] 任卷芳， 高岩. 人脸识别技术在机场中的应用研究综述[J]. 中国新通信， 2017（20）.

[13] 鲍睿栋， 赵敏. 基于卷积神经网络的人脸识别研究综述[J]. 软件导刊， 2018（4）.

[14] 王姣. 基于身份证的人脸识别技术综述[J]. 中国新通信， 2016， 18（4）：25.

[15] 王健， 王新中， 杨文霞， 等. 主成分分析在人脸识别中的应用[J]. 科技视界， 2015（28）：34-34.

[16] 曹青媚. 人脸识别技术的研究[J]. 科技传播， 2014（12）.

[17] 单建华， 张晓飞. 稀疏表示人脸识别的关键问题分析[J]. 安徽工业大学学报：自科版， 2014， 31（2）：188-194.

[18] 郑青碧. 基于图像的人脸检测方法综述[J]. 电子设计工程， 2014， 22（8）：108-110.