朱承斐

本文主要介紹人臉識(shí)別技術(shù)發(fā)展的幾大時(shí)期與主要方法，以及應(yīng)用的幾大新型領(lǐng)域，最后對(duì)其安全性提出一點(diǎn)考量。

人臉識(shí)別;人臉識(shí)別方法

1引言

人臉識(shí)別是指通過對(duì)人臉視覺特征信息進(jìn)行分析以此完成人臉鑒別的一種計(jì)算機(jī)技術(shù)。同時(shí)也是一種生物識(shí)別技術(shù)。通過結(jié)合計(jì)算機(jī)數(shù)字圖像處理技術(shù)與生物統(tǒng)計(jì)學(xué)的相關(guān)原理，構(gòu)建包括人臉采集、人臉定位、人臉識(shí)別預(yù)處理、人臉查找、人臉匹配等一系列技術(shù)在內(nèi)的人臉識(shí)別系統(tǒng)。

近年來人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等相關(guān)領(lǐng)域大放異彩，人臉識(shí)別作為一種能夠通過計(jì)算機(jī)來鑒別人臉和身份的一種工具已經(jīng)滲透我們生活的方方面面，如智能門鎖，智能手機(jī)人臉解鎖，小區(qū)門禁，智能考勤，高鐵刷臉檢票等。各領(lǐng)域?qū)τ谌四樧R(shí)別技術(shù)的廣泛應(yīng)用也在不斷使這項(xiàng)技術(shù)日益完善并趨于成熟。與此同時(shí)這項(xiàng)技術(shù)也在向更多的領(lǐng)域推進(jìn)。如：

（1）基于人臉識(shí)別的快速公交云支付系統(tǒng)

用戶通過在手機(jī)端下載APP完成人臉身份認(rèn)證，錄入人臉識(shí)別的人臉庫中，綁定自己的ID。直接刷臉乘車，解決需隨時(shí)攜帶公交卡或者現(xiàn)金所帶來的不便。

（2）稅收征管“天眼”

稅收部門在前臺(tái)受理端通過有關(guān)設(shè)備完成人臉采集工作， 在后臺(tái)分析端組建人臉管理系統(tǒng)完成人臉大數(shù)據(jù)分析工作， 實(shí)現(xiàn)以人為核心的新型稅源管理模式。做到稅源監(jiān)控到個(gè)人，風(fēng)險(xiǎn)管理對(duì)象到個(gè)人。

（3）人臉識(shí)別電視

通過電視機(jī)上所攜帶的攝像頭完成人臉識(shí)別并進(jìn)行后臺(tái)大數(shù)據(jù)分析，準(zhǔn)確識(shí)別用戶人物的相關(guān)屬性， 對(duì)用戶性別和年齡進(jìn)行分析，獲取用戶的瀏覽內(nèi)容及使用習(xí)慣，通過用戶的喜好來推送節(jié)目?jī)?nèi)容，做到一用戶一推送，滿足用戶之間的差異化、個(gè)性化，提高用戶的體驗(yàn)感及舒適感。

2人臉識(shí)別算法的三大模塊：

在2014年DeepFace提出的人臉識(shí)別模型中將人臉識(shí)別的過程大致分為四個(gè)階段。包括人臉檢測(cè)、人臉對(duì)齊、人臉表征、人臉分類。

2.1人臉檢測(cè)：

人臉檢測(cè)是通過明確輸入的圖像或視頻流中人臉?biāo)诘奈恢?、大小和姿態(tài)以解決人臉在哪的問題。在不受圖像尺寸，人物姿勢(shì)及面部表情等因素的影響的情況下，從圖像中提取人臉并做相關(guān)的人臉對(duì)齊工作，為后續(xù)的特征分析與人臉識(shí)別做準(zhǔn)備工作。

2.2人臉對(duì)齊：

人臉的可活動(dòng)性及攝像頭的固定性使得同一張人臉在圖像中會(huì)有不同的角度以及表情，不會(huì)每一張都是標(biāo)準(zhǔn)的證件照，因此會(huì)對(duì)識(shí)別精度造成誤差。人臉對(duì)齊的工作就是將圖像中檢測(cè)到的人臉通過旋轉(zhuǎn)縮放等變換達(dá)到證件照效果的過程。其過程是通過對(duì)眼睛、鼻尖、嘴角、臉的輪廓點(diǎn)等人臉特征關(guān)鍵點(diǎn)進(jìn)行仿射變換來達(dá)到理想效果。

2.3人臉特征表征：

人臉特征表征是通過將帶識(shí)別的人臉圖像載入神經(jīng)網(wǎng)絡(luò)，得到具有特定維數(shù)的特征向量來完成對(duì)人臉的識(shí)別工作。該特征向量由人臉區(qū)域特征的差異性和區(qū)分度來生成，如鼻子和嘴巴所表示的特征的不一致性。以此來增大不同人臉特征的特征向量之間的差異性。得出的差異度最小的特征向量即為所識(shí)別的人臉。在DeepFace算法中采用了5個(gè)卷積層、1個(gè)最大池化層、1個(gè)全連接層來進(jìn)行人臉的表征，如下圖所示：

3人臉識(shí)別的發(fā)展歷程及主要方法：

3.1起源階段：

20世紀(jì)50年代美國心理學(xué)家J.S.Bruner發(fā)表“The perception of people”從感知和心理學(xué)的角度開始了對(duì)人臉識(shí)別的探索。20世紀(jì)60年代Bledsoe 發(fā)表了關(guān)于工程學(xué)的“Facial Recognition Project Report”，選取人臉特征信息點(diǎn)之間的間距，比率等數(shù)據(jù)信息作為判別依據(jù)建立了第一個(gè)半自動(dòng)的人臉識(shí)別系統(tǒng)。

3.2早期算法階段

3.2.1基于模板匹配的人臉識(shí)別方法：

模板匹配的原理是先建立一個(gè)人臉模板庫，提取輸入人臉的特征信息進(jìn)而構(gòu)成特征向量，再與人臉模板庫中的人臉特征向量進(jìn)行向量之間的距離計(jì)算，可通過最小距離法進(jìn)行判別。距離最小的則將識(shí)別的人臉歸類為模板庫中的人臉。此方法利用了所選取的人臉特征區(qū)域的全局信息，因此帶來了特征向量之間計(jì)算的時(shí)耗。

模板匹配分為靜態(tài)模板匹配和彈性模板匹配兩大類。靜態(tài)模板匹配是將待識(shí)別人臉與模板庫中的模板人臉灰度圖像或局部灰度圖像進(jìn)行自相關(guān)性計(jì)算，但極大的受人臉表情和姿態(tài)影響，識(shí)別準(zhǔn)確度較低。彈性模板匹配則是將人臉看作是帶標(biāo)號(hào)的拓?fù)鋱D，將拓?fù)鋱D與模板庫中的模板圖進(jìn)行特征向量匹配，找出匹配度最高的模板人臉，則將待識(shí)別的圖像人臉歸入該類模板人臉。特征向量由人臉特征節(jié)點(diǎn)構(gòu)成。

3.2.2基于幾何特征的人臉識(shí)別方法：

最早的幾何特征人臉識(shí)別是通過提取人臉的側(cè)臉輪廓特征點(diǎn)形成輪廓曲線，確定輪廓基準(zhǔn)點(diǎn)對(duì)輪廓曲線進(jìn)行比對(duì)來完成人臉的識(shí)別。但圖像人臉一般為正臉故應(yīng)用較少。主流的基于幾何特征的人臉識(shí)別方法的主要思想是通過分析人臉五官的形狀和分布結(jié)構(gòu)所具有的規(guī)律性。對(duì)其進(jìn)行幾何描述，計(jì)算五官之間的距離、角度、比值等作為特征信息來完成對(duì)人臉的識(shí)別。基于幾何特征的人臉識(shí)別方法具有較好的光照不敏感性，但對(duì)于人臉表情和姿態(tài)變化的魯棒性則較差。

Poggio和B runelli于1993年對(duì)基于幾何特征的人臉識(shí)別方法和基于模板匹配的人臉識(shí)別方法進(jìn)行了比較并得出各自的優(yōu)缺性同時(shí)發(fā)表論文“features versus templates”。

3.2.3基于子空間的人臉識(shí)別方法

基于子空間的人臉識(shí)別算法把人臉圖像描述為一個(gè)高維的向量，將該高維向量通過投影的方式投影到低維空間中，投影后的低維向量在子空間中更加緊湊，也更為方便描述同時(shí)也降低了計(jì)算度，能夠達(dá)到比較良好的區(qū)分度。

經(jīng)典的子空間識(shí)別算法有主成分分析和線性判別分析。主成分分析的核心是保留投影后的關(guān)鍵信息，在盡可能多的保留關(guān)鍵信息的前提下降低數(shù)據(jù)的冗余度，為后續(xù)的識(shí)別提供便利。線性判別分析的核心是使得不同類間的差異盡可能大，同類之間的差異盡可能小。從而使得同類人臉投影后聚集緊湊，不同類人臉分散。主成分分析和線性判別分析目前都有較為成熟的基于特征舉證和特征向量的算法。其他基于子空間的方法還包括ICA（獨(dú)立元分析）、NMF（非負(fù)矩陣因子）、以及基于核的非線性子空間分析方法有KPCA（核主元分析）和KFDA（核判決分析）等。

3.2.4基于隱馬爾可夫模型（HMM）的人臉識(shí)別方法

基于隱馬爾科夫模型的人臉識(shí)別方法首先完成對(duì)人臉圖像的觀察向量提取，再通過HMM訓(xùn)練得到相關(guān)的人臉HMM數(shù)據(jù)庫。將待識(shí)別的人臉輸入HMM訓(xùn)練網(wǎng)絡(luò)得到相應(yīng)的HMM參數(shù)，與數(shù)據(jù)庫中的參數(shù)進(jìn)行相似度比對(duì)，輸出匹配概率最高項(xiàng)。目前能較好地進(jìn)行人臉觀察向量提取方法有：（1）直接用圖像像素灰度值做觀察向量，（2）使用二維離散余弦變換的變換系數(shù)做觀察向量。

馬爾可夫模型是對(duì)馬爾科夫過程的模型化，由五個(gè)狀態(tài)描述，可表示為： λ = （ N，M，π，A，B） 。通過設(shè)置馬爾科夫鏈A的N個(gè)狀態(tài)以及每個(gè)狀態(tài)相應(yīng)的觀察數(shù)目M，通過一個(gè)隨機(jī)過程得到一個(gè)觀察值序列B。通過得到的觀察值序列來感知相關(guān)的特征?；陔[馬爾可夫的人臉識(shí)別算法對(duì)于人臉五官特征及特征之間的相互聯(lián)系有充分考量，對(duì)于人臉的表情及姿態(tài)等的變化具有好的魯棒性。

3.2.5人工特征+分類器的方法

目前常用的較為成熟分類器有樸素貝葉斯、支持向量機(jī)、邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)、決策樹等。所以此階段的重點(diǎn)是在于人工特征的設(shè)計(jì)工作，以便于能夠?qū)⒉煌娜俗R(shí)別出來。

將描述圖像的HOG特征，Gabor特征，LBP特征，SIFT特征應(yīng)用于人臉識(shí)別領(lǐng)域是一大創(chuàng)舉。其中的典型代表是LBP特征即局部二值模式，特征簡(jiǎn)單有效。LBP特征計(jì)算能夠解決光照敏感問題，姿態(tài)和表情問題。

3.2.6深度學(xué)習(xí)的方法

自2012年ILSVRC-2012，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域顯示出了巨大的威力，其使用效果明顯優(yōu)于人工設(shè)計(jì)的特征+分類器的方案，使得深度學(xué)習(xí)方法大放異彩。卷積神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)海量的人臉圖片提取人臉的特征向量，替代人工設(shè)計(jì)的特征。卷積神經(jīng)網(wǎng)絡(luò)模型的發(fā)展前期側(cè)重于網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)集的設(shè)計(jì)，后期主要著重于對(duì)于損失函數(shù)的優(yōu)化，提高網(wǎng)絡(luò)的精確率。自此奠定了深度學(xué)習(xí)在人臉識(shí)別領(lǐng)域舉足輕重的地位。

2014年Facebook提出DeepFace，成為深度卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別領(lǐng)域的奠基之作。該方法在LFW數(shù)據(jù)集上獲得97.35%的準(zhǔn)確率。

隨后，Google提出FaceNet方法，使用三元損失函數(shù)完成對(duì)損失函數(shù)的改進(jìn)，該方法在LFW數(shù)據(jù)集上獲得了99.63%的準(zhǔn)確率。

香港中文大學(xué)唐曉鷗團(tuán)隊(duì)提出DeepID方法，同時(shí)不斷進(jìn)行改進(jìn)，又提出了DeepID2，DeepID3。均是卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別領(lǐng)域的經(jīng)典方法。

4人臉識(shí)別的安全性考量

人臉識(shí)別作為一種人體身份認(rèn)證的工具，其高效快捷，低成本的性能使其在安全領(lǐng)域（公共安全、信息安全、金融等）得到了廣泛應(yīng)用，如門鎖，手機(jī)的訪問控制，刑事偵查的視頻監(jiān)控等。但又由于人臉的易復(fù)制性，出現(xiàn)了許多針對(duì)人臉認(rèn)證的攻擊手段，如人臉照片攻擊，人臉視頻回放攻擊，及三維人臉攻擊等。

為了有效的預(yù)防并阻斷這些攻擊手段，我們有必要在人臉識(shí)別時(shí)加入人臉活體檢測(cè)技術(shù)。人臉活體檢測(cè)是為了檢測(cè)人臉圖像是否為活體，進(jìn)而判斷是否為人為攻擊。人臉活體檢測(cè)分為兩大類，一類是基于描述子的分析方法，紋理、運(yùn)動(dòng)、形狀、頻率、顏色等均可以作為描述子來對(duì)活體與非活體圖像進(jìn)行區(qū)分。一類是分類器的方法，通過對(duì)大量的活體圖像和非活體圖像進(jìn)行訓(xùn)練，得到一個(gè)活體的判別模型。

參考文獻(xiàn)

[1]R Brunelli，T Poggio.Face recognition：features versus templates [J].IEEE Trans.PAMI，1993，15（10）：1042-1052.

[2]Matthew Turk，Alex Pentland. Eigenfaces for recognition. 1991， Journal of Cognitive Neuroscience.

[3] Eigenfaces vs. Fisherfaces： recognition using class specific linear projection. Peter N Belhumeur J P Hespanha David Kriegman. 1997 IEEE Transactions on Pattern Analysis and Machine Intelligence.

[4] Dong Chen， Xudong Cao， Liwei Wang， Fang Wen， Jian Sun. Bayesian face revisited： a joint formulation. 2012， european conference on computer vision.

[5]Timo Ahonen， Abdenour Hadid， Matti Pietikainen. Face Description with Local Binary Patterns： Application to Face Recognition. 2006，IEEE Transactions on Pattern Analysis and Machine Intelligence.

[6]王巖青.“人臉識(shí)別”打造稅收征管“天眼”[J].中國稅務(wù)，2018（12）：74.

[7]熊志勇，沈理.基于本征特征的彈性模板匹配法[J].計(jì)算機(jī)研究與發(fā)展，1999（07）：109-114.

[8]趙丹. 基于幾何特征的人臉識(shí)別方法研究[D].河北工業(yè)大學(xué)，2015.

[9]謝振東，蔡梓超，顧裕波，鄒大畢.基于人臉識(shí)別的快速公交云支付系統(tǒng)的構(gòu)建[J].電子技術(shù)與軟件工程，2019（22）：144-145.

[10]龔銳，丁勝，章超華，蘇浩.基于深度學(xué)習(xí)的輕量級(jí)和多姿態(tài)人臉識(shí)別方法[J/OL].計(jì)算機(jī)應(yīng)用：1-7[2020-02-10].http：//kns.cnki.net/kcms/detail/51.1307.TP.20191025.1649.018.html.

[11]楊巨成，代翔子，韓書杰，毛磊，王嫄.人臉識(shí)別活體檢測(cè)綜述[J/OL].天津科技大學(xué)學(xué)報(bào)：1-10[2020-02-10].http：//kns.cnki.net/kcms/detail/12.1355.N.20191219.1130.006.html.

[12]余龍華，王宏，鐘洪聲.基于隱馬爾科夫模型的人臉識(shí)別[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（02）：25-28.

[13]瓦佳.康佳發(fā)布智能“人臉識(shí)別”電視[J].電器，2019（01）：58.

[14]鄒金花.人臉識(shí)別技術(shù)的研究與應(yīng)用[J].電腦知識(shí)與技術(shù)，2019，15（28）：199-200.

[15]祝秀萍，吳學(xué)毅，劉文峰.人臉識(shí)別綜述與展望[J].計(jì)算機(jī)與信息技術(shù)，2008（04）：53-56.

[16]田啟川，王滿麗.深度學(xué)習(xí)算法研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（22）：25-33.

[17]劉青山，盧漢清，馬頌德.綜述人臉識(shí)別中的子空間方法[J].自動(dòng)化學(xué)報(bào)，2003（06）：900-911.

[18]蔣阿娟，張文娟.人臉識(shí)別綜述[J].電腦知識(shí)與技術(shù)，2019，15（02）：173-174+190.