人脸识别技术开发问题研究

陈成怡

摘 要：人脸识别，就是利用计算机分析人脸视频或者图像，并从中提取出有效的个人识别信息，最终判别出来人脸对象的身份，通常也叫做面部识别、人像识别。不同于指纹识别、虹膜识别等生物识别，互联网上人脸图像资源较多，人脸识别具有先天优势，便于模型和方法的训练，提高识别准确率。本文分析了人脸识别终端的相关技术开发问题。

关键词：人脸识别；技术开发；识别准确率

1 人脸识别的方法

人脸识别方法最早可以追溯到20 世纪60 年代，根据不同时期研究内容、技术方法等方面的特点可大体划分为4 个阶段。初级阶段：基于几何结构特征的方法是通过眼、口、鼻等重要器官的直观几何形状作为分类特征，计算量小。该方法内存要求小、提取速度快，但易受光照、遮挡、表情变化等因素影响。经典算法涌现阶段：2D 人脸图像线性子空间判别分析、统计模式识别方法是这一阶段的主流技术，该阶段算法采用人脸图像中所有像素的颜色或灰度值作为初始特征，通过在训练数据集合上学习得到更具區分力的人脸表示。人工提取特征阶段：该阶段提取的面部特征是人为设计或基于无监督学习的局部描述子。为了克服直接使用像素灰度值对光照敏感等问题的限制，这一时期涌现出了很多对局部邻域像素亮度或颜色值进行局部特征提取的方法。深度学习阶段：该阶段从人工设计特征与分类识别转变为基于DCNN（Deep Convolutional Neural Networks，深度学习神经网络）的端到端的自主学习特征。DCNN 四个关键技术：局部连接、权值共享、池化以及多网络层，从而实现端到端自主学习到具有高层次、抽象的特征表达向量。

2 人脸识别技术存在问题

光照问题。光照问题一直以来都是影响人脸识别的重要难题之一。光照会影响采集图像的清晰度，而采集图像的清晰度与识别的准确率密不可分。不同时间点（白天、黑夜等）、不同地理位置（室内、室外等）的光线都完全不同；即便是同一光源，照射角度不同也会影响最后的识别结果。虽然，目前很多研究人员提出了改进的算法，例如对图片进行光线补偿、归一化等预处理，消除干扰因素，但由于实际应用场景光照带来的影响因素太多，还是对实际应用中的识别结果造成了一定的挑战。

人脸姿态问题。人脸姿态问题主要指面部表情变化、采集图像时人脸的倾斜角度等问题，也是人脸识别研究中急需解决的一个技术难点。采集图像时，若人脸头部围绕三维垂直坐标轴深度旋转，则会造成面部信息的部分缺失，以致人脸特征点无法正确提取，影响最终的识别结果。同样，面部变化幅度较大如大哭、夸张搞笑表情等也会影响面部识别的结果。目前多数的人脸识别算法主要针列正面、准正面人脸图像，当发生俯仰或者左右侧倾斜程度较大的情况下，人脸识别算法的识别率也会急剧下降。

遮挡问题。大多数情况下，图像采集无需接触被采集者，也不会有人为的干涉，因此非配合情况下的人脸图像采集很容易出现遮挡。特别是在追踪嫌疑犯等视频监控中，嫌犯往往有意识地戴帽子、眼镜、口罩等饰物遮挡面部，使得被采集出来的人脸图像不完整，影响特征提取与匹配，严重的甚至会导致算法的失效。

年龄变化问题。人的面部不是一成不变的，随着年龄的增长，面部外观也会发生变化。当一个小孩正处于成长时期时，面部变化更为明显。因此，人脸识别算法对同一个人不同年龄段的识别率也不同。特别处于成长时期、衰老严重时，会导致识别率的下降。

活体检测问题。活体检测是人脸识别技术迈向更高层次的一项挑战。相较指纹、虹膜等生物特征，人脸识别特征的易获得性带来了伪造合法用户人脸的攻击的风险。目前人脸识别的攻击手段主要有三类：①人脸图片；②人脸视频；③ 3D 模型或面具头套。针对这些攻击手段，目前也提出了一些解决方法，如使用三维面部信息、多模生物认证（人脸、指纹、虹膜等组合）、脸部运动、眨眼、人机交互、语音验证等，但各种方法也会相应影响识别效率或只针对单一攻击或成本较高难以普及。

3 人脸识别技术的发展趋势

应用领域更广，算法门槛降低.目前，人脸识别在考勤/ 门禁、安防、金融领域应用较为成熟。2016 年我国人脸识别市场规模中金融领域、安防领域、考勤门禁市场份额高于90%。虽然，人脸识别技术偏重场景性，学术和实验室的领先并不能带来很大的落地优势，实际应用中的人脸识别准确率难以保证，但随着人脸识别技术的发展、人脸识别准确率的提升、各领域应用样本数据的丰富以及防攻击能力的增强，未来人脸识别的应用也将不局限于安全性可靠性要求较低的行业如社区监控、身份认证等，转而上升到金融社保、证券、银行、互联网金融等安全可靠性要求较高的行业应用中。同时，随着谷歌、腾讯、百度等技术平台的开放，开源的人脸算法和开源软件会使得人脸识别算法的门槛降低，更利于其向其他领域迁移，而这些领域的应用，将使得人脸识别技术上升到一个新高度。

3D 人脸识别待成熟.相较2D 人脸信息，3D 人脸信息不易受到人脸姿态变化、光照的影响，可以减少误差，提升人脸识别的准确率。同时，3D 人脸识别的防攻击能力更强、误识率更低，安全性更好。目前，关于3D 人脸识别的还未获得普遍商用，限制它发展的因素有：采集设备成本高，3D 人脸识别是软件算法和硬件共同实现，需要特定的采集设备；芯片性能要求高，3D 建模的计算量较大，若芯片性能得不到满足，则识别速度慢，影响用户体验；样本数据库较少。当芯片技术提升，计算能力得到保障，3D 采集硬件设备成本降低，3D 人脸识别将迎来发展高峰。

行业标准日趋完善。人脸识别的热潮，虽然给行业带来了便利性，但金融领域的安全问题也不容小觑。国家和相关行业标准委员会为更好规范行业应用，已出台了《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等标准法规，这些标准为人脸识别产业发展提供了指导，有利于解决人脸识别普及的安全问题。同时，移动终端方面，2018 年4 月由泰尔终端实验室牵头的《移动终端基于TEE 的人脸识别安全评估方法》已在电信终端产业协会（简称TAF）WG4 标准工作组会议上获得通过。随着更多算法、传感器、应用厂商等向新兴领域聚集，相信未来相应领域的规范标准将更加完善，人脸识别的市场环境将更加规范，企业和用户在享受新技术带来的便利同时也会有更好的安全保障，行业的发展会更加健康。

参考文献

[1]王啸林，鲍正德，唐娅雯，杨胥安.浅谈人工智能中人脸识别及其应用[J].饮食科学.2019（06）

[2]黄峻远.基于安全加密的人脸活体检测技术[J].电子制作.2019（10）

（作者单位：广东天波信息技术股份有限公司）