FR人脸识别技术

“刷脸”时代来临 

人脸识别技术再掀浪潮

        近年来，由于反恐和国家安全、社会安全的需要，安防行业的智能化技术也越来越受到重视，而身份识别正是安防的核心问题。在这种大背景下，具有非接触、非侵扰、友好、直观、快速、简便、可扩展性等优点的人脸识别技术在多种生物识别技术中脱颖而出。尤其是在前段时间的杭州G2O峰会上，更是着重强调了国内智能安防技术及应用等问题，故其市场潜力可见一斑。

何谓人脸识别？

        人脸识别（Facial Recognition），是基于人的脸部特征信息进行身份识别的一种生物识别技术。其主要用摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关分析、识别的技术。通常也叫做人像识别、面部识别。

        随着当下互物联网应用的逐渐丰富与扩大，人脸识别技术在普通大众面前已不再神秘，甚至可以说成为了当下科技领域最火热的词汇！更有很多app软件也都是应用人脸识别技术让大家能够初步体验到刷脸是怎样一种体验，比如“刷脸认证”、“眨眼支付”等已俨然成为当下潮流.....其增速更是超出了市场分析人士的预期！

人脸识别技术的发展历史
1888年和1920年
        高尔顿（Galton）在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。
1965年
        陈（Chen）和布莱索（Bledsoe）在Panoramic Research Inc.发表了最早的自动人脸识别报告。
1965年—1990年 人脸识别研究的初级阶段
        这一阶段的研究主要集中在基于几何结构特征（Geometric feature based）的人脸识别方法，但该阶段的研究基本没有得到实际的应用。
1991年到1997年 人脸识别研究非常活跃的重要时期
        美国MIT大学的Turk和Pentland率先将KL变换应用于人脸识别，提出了经典的“特征脸”方法，也称为PCA人脸识别方法。1992年，Brunelli和Poggio对结构特征的方法和基于模板匹配的方法进行了实验对比，并给出了后者优于前者的明确结论。美国国防部资助的FERET（FacE Recognition technology Test）项目资助了多项人脸识别研究，创建了著名的FERET人脸图像数据库，该项目极大地促进了人脸识别算法的改进以及算法的实用化。
1998年—现在 基于3D模型的人脸建模与识别方法
        研究者开始针对非理想条件下的人脸识别进行研究，光照、姿势等问题成为研究热点，出现了基于3D模型的人脸建模与识别方法。在商业化的应用方面，美国国防部在2000年和2002年组织了针对人脸识别商业化系统的评测FRVT（Face Recognition Vendor Test）。
        人脸识别技术就是在这样不断取得进步摸索、不断进步的条件下慢慢发展开来，各种相关应用也日益普及到我们的生活当中。作为一种新兴的生物识别技术，其与虹膜识别、指纹扫描等其他识别技术相比，在应用方面可谓具有独一无二的优势。

1、自然性
        所谓自然性，是指该识别方式同人类（甚至其它生物）进行个体识别时所利用的生物特征相同，是通过观察比较人脸区分和确认身份，具有自然性的识别还有语音识别和体形识别；而指纹识别和虹膜识别等因人类或其他生物不能通过此类生物特征区别个体，所以不具备自然性。

2、非强制性
        被识别的人脸图像信息可以主动获取而不被被测个体察觉。
        人脸识别是利用可见光获取人脸图像信息，它不同于指纹识别或者虹膜识别需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像。因为这些特殊的采集方式很容易被人察觉，从而带有可被伪装欺骗性。

3、非接触性
        相比较其他生物识别技术而言，人脸识别是非接触的！也就是说，用户是不需要和设备直接接触的。

4、并发性
        人脸识别能够满足在实际应用场景下进行多个人脸的检测、跟踪及识别。
        人脸识别技术就是在这样不断取得进步摸索、不断进步的条件下慢慢发展开来，各种相关应用也日益普及到我们的生活当中。作为一种新兴的生物识别技术，其与虹膜识别、指纹扫描等其他识别技术相比，在应用方面可谓具有独一无二的优势。
人脸识别技术的优势

        正是由于上述种种优势，人脸识别近年来在国内的发展非常迅速。现下，随着软件技术的成熟、硬件完善、价格下降，人脸识别技术在金融和互联网领域的应用受到前所未有的关注，在金融、司法、海关、军事及人们日常生活的领域扮演着越来越重要的角色。

人脸识别技术的工作模式及应用领域
1、人脸确认
        就是将两个人脸图像进行一对一的比对，判断是否为同一个人。其可应用于电子护照验证、驾驶证验证、身份证验证等领域。

图1 人脸确认应用图

2、人脸鉴定
        就是将待识别的人脸图像与数据库中多人的人脸图像进行比对，从而鉴别出此人的身份。其可应用于罪犯识别、身份证检测等领域。

3、人脸属性分析
就是指对于任意一副给定的人脸图像进行分析，返回人脸的性别、年龄、种族、配饰等信息。其可应用于商业领域和广告领域，包括广告效果评估、人群分析、精准广告投放等。

图3 人脸属性分析图

4、表情分析
        就是指对于任意一副给定的人脸图像进行分析，返回高兴、悲伤、惊讶、恐惧、愤怒和厌恶等表情信息。其可应用于商用、医疗康复、心理咨询等领域。

图4 人脸表情分析图

人脸识别技术的识别方法

1、几何特征的人脸识别法
        几何特征人脸识别法是最早投入使用的一种人脸识别法。该方法主要是对人脸表面上的一些基本特征进行细致的观察，以此对人脸信息进行科学的识别。
优点：识别速度非常快，对于系统内存的需求较小；

缺点：识别效率较低。

2、基于人脸特征的人脸识别法
        基于人脸特征的人脸识别法也可以称为主成分分析法，该方法近几年在各个行业得到了广泛的应用。
优点：能够对不同人脸的特征信息进行详细的表述和体现；

缺点：对人脸的鉴别和区分的正确度较低。

3、弹性图匹配人脸识别法
        弹性图匹配人脸识别法主要是利用动态化链接结构对人脸进行识别。
优点：对人脸识别的整体性能较好；

缺点：所需计算量和存储量较大，耗费时间长。

4、隐马尔可夫模型人脸识别法
        隐马尔可夫模型人脸识别法主要是依据隐马尔可夫模型技术来对人脸信息进行科学识别。隐马尔可夫模型是一种对信号统计的特性进行科学描述的统计模型，因此，利用该模型对人脸识别技术进行应用时，不需要对复杂的人脸图像中的种类特征进行提取。
优点：可以准确的对处于变化中各种环境因素进行适当的调整，且识别率较高；

缺点：在使用过程中对整体模型的复杂度要求较高。

5、神经网络人脸识别法
        神经网络人脸识别技术是通过大量样本图像的训练获取识别模型，再通过识别模型进行识别。神经网络人脸识别技术不需要人工选取特征，能够在样本训练过程中进行学习。它是近来较热的是深度学习的人脸识别方法，其识别准确率高，可以达到99%以上。

        以上识别方法可以说是时代发展与技术进步的共同产物。虽然当下单一的生物识别技术各有优缺点，在应用上也不免会出现小瑕疵。但我们依旧可以在识别技术多元化交错发展的大环境下，取长补短、不断开拓，研究出令人瞩目的新技术！就比如智芯原动研发的人脸识别系统。

知远的人脸识别系统

        基于具有深度学习的深度卷积神经网络的人脸识别系统，该系统可以实现视频中的人脸区域的定位、跟踪，并对定位的人脸区域进行智能分析，返回智能分析的结果。
        知远的人脸识别系统不仅可以用于人脸确认、人脸鉴定，还可以用于人脸属性分析和表情分析。尤其是在计算机技术、网络技术和人工智能技术日新月异的今天，高速发展的人脸识别技术将会有更广阔的舞台来展现其价值。