? 【新東網技術大咖帶您走進人臉識別】這是一個刷臉的時代……
發布時間： 2017-03-06 15:58:56
文/謝海東 華南研發
人臉識別是通過分析臉部器官的唯一形狀和位置來進行身份鑒別，它是一種重要的生物特征識別技術，應用非常廣泛。與其它身份識別方法相比，人臉識別具有直接、友好和方便等特點，以“天翼銷售門戶”中的預受理業務為例，傳統的流程：
可以看出，現有的預受理業務中存在大量為實名認證服務、卻與實際業務流程無關的環節，對提升工作效率十分不利。
而引入人像識別之后的業務流程：
很明顯，引入人像識別之后，業務流程能夠得到極大的簡化。同時，人臉識別問題的研究不僅有重要的應用價值，而且在模式識別中具有重要的理論意義，目前人臉識別已成為當前模式識別和人工智能領域的研究熱點。
目前在國內和國外研究人臉識別的方法有很多，常用的方法有：基于幾何特征的人臉識別方法、基于代數特征的人臉識別方法、基于連接機制的人臉識別方法以及基于三維數據的人臉識別方法。人臉識別流程圖如圖所示：
基于幾何特征的方法是一種自下而上的人臉檢測方法。研究人員認為有一個潛在的假設：人臉或人臉的部件可能具有在各種條件下都不會改變的特征或屬性，如形狀、膚色、紋理、邊緣信息等。基于幾何特征的方法的目標就是尋找上述這些不變特征，并利用這些特征來定位人臉。這類方法在特定的環境下非常有效且檢測速度較高，對人臉姿態、表情、旋轉都不敏感。但是由于人臉部件的提取通常都借助于邊緣檢測算子，因此，這類方法對圖像質量要求較高。對光照和背景等有較高的要求，因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響算法的有效性。
模板匹配算法首先需要人TN作標準模板(固定模板)或將模板先行參數化(可變模板)，然后在檢測人臉時，計算輸入圖像與模板之間的相關值，這個相關值通常都是獨立計算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度后得出的綜合描述，最后再根據相關值和預先設定的閾值來確定圖像中是否存在人臉?；诳勺兡０宓娜四槞z測算法比固定模板算法檢測效果要好很多，但是它仍不能有效地處理人臉尺度、姿態和形狀等方面的變化。
基于外觀形狀的方法并不對輸入圖像進行復雜的預處理，也不需要人工的對人臉特征進行分析或是抽取模板，而是通過使用特定的方法(如主成分分析方法(PCA)、支持向量機(SVM)、神經網絡方法(ANN)等)對大量的人臉和非人臉樣本組成的訓練集(一般為了保證訓練得到的檢測器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進行學習，再將學習而成的模板或者說分類器用于人臉檢測。因此，這也是種自下而上的方法。這種方法的優點是利用強大的機器學習算法，快速穩定地實現了很好的檢測結果，并且該方法在復雜背景下，多姿態的人臉圖像中也能得到有效的檢測結果。但是這種方法通常需要遍歷整個圖片才能得到檢測結果，并且在訓練過程中需要大量的人臉與非人臉樣本，以及較長的訓練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。
在基于代數特征的人臉識別中，每一幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數據特征來表示人臉的特征。但在這種矩陣對應的多維空間中，并不是每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到一個維數較低的空間中去。然后利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。 在基于代數特征的人臉識別方法中，主成分分析法（PCA）是目前研究者使用最多的方法之一。而完整的PCA(PrincipalComponentAnalysis)人臉識別的應用包括四個步驟：
1、 人臉圖像預處理；
2、 讀入人臉庫，訓練形成特征子空間；
3、 把訓練圖像和測試圖像投影的上一步驟中得到的子空間上；
4、 選擇一定的距離函數進行識別。
基于連接機制的識別方法的代表性有神經網絡和彈性匹配法。
神經網絡(ANN)在人工智能領域近年來是一個研究熱門，基于神經網絡技術來進行人臉特征提取和特征識別是一個積極的研究方向。神經網絡通過大量簡單神經元互聯來構成復雜系統，在人臉識別中取得了較好的效果，特別是正面人臉圖像。常用的神經網絡有：BP網絡、卷積網絡、徑向基函數網絡、自組織網絡以及模糊神經網絡等。BP網絡的運算量較小耗時也短，它的自適應功能使系統的健壯性增強。神經網絡用于人臉識別，相比較其他方法，其可以獲得識別規則的隱性表達，缺點是訓練時間長、運算量大、收斂速度慢且容易陷入局部極小點等。彈性匹配法采用屬性拓撲圖代表人臉，拓撲圖的每個頂點包含一個特征向量，以此來記錄人臉在該頂點位置周圍的特征信息。拓撲圖的頂點是采用小波變換特征，對光線、角度和尺寸都具有一定的適應性，且能適應表情和視角的變化，其在理論上改進了特征臉算法的一些缺點。
一個完整的人臉識別系統包括人臉面部數據的獲取、數據分析處理和最終結果輸出三個部分。三維人臉識別的基本步驟：
1 、通過三維數據采集設備獲得人臉面部的三維形狀信息；
2 、對獲取的三維數據進行平滑去噪和提取面部區域等預處理；
3 、從三維數據中提取人臉面部特征，通過與人臉庫中的數據進行比對；
4 、用分類器做分類判別，輸出最后決策結果。
基于三維數據的方法中比較有代表性的，是基于模型合成的方法的方法。
基于模型合成的方法，它的基本思想為：輸入人臉圖像的二維信息，用某種技術恢復(或部分恢復)人臉的三維信息，再重新合成指定條件下的人臉圖像。典型代表是3D可變形模型和基于形狀恢復的3D增強人臉識別算法。3D可變形模型首先通過200個高精度的3D人臉模型構建一個可變形的3D人臉模型，用這個模型來對給定的人臉圖像擬合，獲得一組特定的參數，再合成任何姿態和光照的人臉圖像?；谛螤罨謴偷?D增強人臉識別算法則是利用通用的3D人臉模型合成新的人臉圖像，合成過程改變了一定的姿態與光源情況。
以上就是當下常見的一些人臉識別研究方向的簡單描述。當然，在海量人臉數據比對速度甚至精度方面，現有的自動人臉識別系統可能已經超過了人類，但對于復雜變化條件下的一般人臉識別問題，自動人臉識別系統的魯棒性和準確度還遠不及人類。這種差距產生的本質原因現在還不得而知，但從模式識別和計算機視覺等學科的角度判斷，這既可能意味著人類尚未找到對面部信息進行合理采樣的有效傳感器(考慮單目攝像機與人類雙眼系統的差別)，更可能意味著目前為止的研究都采用了不合適的人臉建模方法(人臉的內部表示問題)。但無論如何，賦予計算設備與人類相類似的人臉識別能力是眾多該領域研究人員的夢想。相信隨著研究的繼續深入，人類的認識應該能夠更加逼近這些問題的正確答案。
閩公網安備 35010202001006號