李国鑫

摘 要 人脸识别技术，是一项新型的生物识别技术，伴随着近些年来计算机技术和光学成像技术的突飞猛进，该技术已经逐步成熟应用于多种场合，例如身份识别、安保支付等。人脸识别技术也是人工智能领域在计算机视觉领域的一项重要应用，通过对其展开深入的研究具有很大的積极意义。文章详细介绍了目前人脸识别技术在国内外的发展情况，并对人脸识别技术实现的3个基本过程——特征提取、建立模型、模型测试进行说明，最后又简述了人脸识别技术在现实场景中的实际应用情况。

关键词 人脸识别；特征提取；模型；人脸检索

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）220-0102-02

人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术[ 1 ]。近期，依靠人脸识别进行支付验证的手段已渐渐从实验阶段进入人们的生活，新一代的支付方式伴随着移动互联网的发展，受到越来越多用户的关注。早期，生物的识别方法多以指纹识别，虹膜识别为主，但伴随着各种技术的发展，人脸识别技术已凭借其特有的优势取代其他技术。

同时，更加值得关注的是，人脸识别是人工智能在图像领域的一项重要应用，人工智能技术的发展不断优化着人脸识别的表现，相反，人脸识别的进步也为人工智能的发展带来更多的启发。随着计算机和模式识别技术的发展，人脸识别技术以它应用范围广的特点再次受到人们的重视，成为计算机视觉和模式识别领域的一个热门领域[2]。

1 人脸识别技术的发展

1.1 国内人脸识别技术的发展

我国人脸识别技术的发展起步较晚，最早只是一些研究所和高校会参与到人脸识别的研究中，相应的，在实际应用方面，真正参与的企业也很少。但是，伴随着近些年来，市场对于人脸识别的迫切需求以及国家各个方面对该产业的支持，最重要的是人脸识别在软件硬件方面的不断进步发展，都促使该技术不论在研究还是实际应用中都有了很大的发展。

同时，我国在人脸识别领域公开的专利数量也由2011年的270件增加至2015年的1 398件，并且近几年内，这一数字还是飞速增加，无论是专利数量还是成果转化情况，我国都稳居全球第一，由此可见，在未来的一段时间内，我国人脸识别技术将会由设计到实用的有效转变。

2008年，我国将完全自主研发的一套人脸识别系统用于北京奥运会上，这套系统将人脸识别算法和RFID射频技术结合，在当时就可以实现人脸的快速准确检测。在学术研究领域，我国提出的GaussianFace人脸识别算法也已经可以将人脸对比的准确度提升到97%以上。在实业领域，科大讯飞凭借其在语音识别方面的优势，将人脸识别与语音识别相结合更是大幅度提升了人员身份识别的准确性。

1.2 国外人脸识别技术的发展

国外在人脸识别方面的发展要早于国内，早在20世纪80年代中后期，人脸识别技术的雏形就已经形成，短短几年后，人脸识别技术就真正运用于实际情况。美国是在该领域技术最先起步的国家，同时也是最早将其应用在实际场景中的国家，现阶段美国的多个州都制定了相关制度，通过采集个人人脸信息的方法来对可疑人员进行监管。

另外，日本人脸识别技术的发展情况也值得关注，将大量识别技术与其自身强项——机器人相结合，真正的实现可以“看得懂”的智能机器人。据相关报道指出，2014年全球人脸识别市场价值为1 307亿美元，预计全球市场会在2015年以9.5%的复合年增长率快速增长到2022年[3]。

2 人脸识别的实现过程

2.1 特征提取

特征提取是人脸识别的首要步骤，选择一类适合的特征提取方法对后期人脸识别实现的快速性和准确性都有很大的影响。特征提取是将人体面部的信息转化为计算机可以识别的数字信息，转化后的大量数字信息可以通过机器学习的方法进行分类或者回归，以得出最终的人脸结果。

早期的人脸识别方法都是基于人脸的面部特征提取直观的几何特征，即面部器官的几何位置。这一类特征相对简单，并且计算量较小，运行速度快，但是会导致最终识别结果的准确率较低。

目前，在人脸识别的研究过程中，广泛用于提取全局特征的方法有PCA、独立成分分析、线性判别分析方法等[4]。这些方法和最原始的几何特征方法相比较，具备更高的数据维度，可以更加准确地描述人的面部信息，但是在处理这些特征时就需要进行更多的运算，这就需要对设备硬件和算法有很大的提升才能应用于具体的使用中。

2.2 建立模型

将收集到的特征数据整合好后，具体成一个具有一般规律的模型，即当不同的数据输入时，都可以通过该模型进行科学的预测。在人脸识别的过程中，模型的输入量一般是人脸部分的特征所构成的集合，该集合的数据量往往会很大，达到上万的数量级。

需要指出的是，在输入的人脸特征中应具有多样性的特点，以得到一个具备泛化能力强的模型。该模型的输出则是经过算法分析后得到的确定人物身份。在建立模型时，可以直接调用很多机器学习的成熟算法，例如随机森林、神经网络、深度学习等方法，这些方法目前都发展成熟，易于调试。

2.3 模型测试

当提取完特征以及建立好模型后，需要对模型进行测试，因为建立好的模型一般只能得到初步的效果，但是对于快速性或者准确性的要求还具有一定的差距。当模型的快速性存在问题时，可以考虑通过硬件加速或者简化特征提取数量来缩短模型反应时间；当准确性存在问题时，则又可以通过改变特征的选择方式来提升准确性。但在具体测试时，也会遇到人脸面部被遮挡，人脸模糊，场景内人脸数量过多等情况，这些都为实际应用带来了很大的挑战，所以模型在测试时，往往需要通过大量反复的调试才可以得到一个良好的效果。

3 人脸识别技术的应用

3.1 人臉追踪

人脸追踪多用于摄像头中对特定人员的连续追踪，例如走失的儿童，和可疑的嫌疑人等。人脸追踪需要以人脸识别为基础，在识别出特定对象后，一般会在该对象面部轮廓周围生成一个矩形框，矩形框会伴随着对象的移动而不断移动。并且在一般情况下，人脸识别具备并发性的特点，即可以在任一时间点内检测出图像上或者视频流中的所有人脸，当应用人脸追踪技术时，也就可以同时追踪多个人脸。

3.2 人脸检索

人脸检索即通过人脸信息进行人物身份的识别，是生活中人脸识别技使用最多的一项应用，大量的应用于电子支付领域和安防领域。例如，在一些特定支付模式下，可以通过人脸检索的方式进行“刷脸”支付，或者对于一些电子设备的解锁等。人脸检索往往是将被测对象的面部信息提取出来，随后与包含大量人脸的数据库进行检索对比，给出是否存在于数据库中以及匹配于哪一条信息的结果。

目前，人脸识别技术的准确性已经可以确保其应用于以上场景，另外使用的快速性也可以伴随着算法和硬件的提升远远超过其他识别方式。但是，人脸检索还面临着许多挑战，当被测对象的面部受到遮挡或者面部信息被他人冒用时，就很容易遭到财产的损失和安全性的降低。

3.3 人脸验证

与人脸检索类似的，人脸验证也是人脸识别技术的一项重要应用，不同于人脸检索需要与数据库中的大量信息进行对比，人脸验证只需要判断被测对象是否和先前准备好的人脸具备统一性。例如，在很多人流量较大的场所，机场车站等地，都需要将乘客本人与身份证上的信息进行核对。

4 结论

人脸识别技术的应用相对广泛，并且技术也越来越成熟，但同样不能忽视人脸识别所带来的一些问题，例如个人隐私是否能有足够的保障，数据的安全性会不会受到挑战等。这就需要在发展人脸识别的同时，还要不断地完善法律法规的制定，以保证科技的合理应用。科技的力量将不断优化人们的生活，人工智能技术更是可能会颠覆当前的状态。当我们自己的视觉受到很多局限时，那么就应该将重心转移到计算机视觉上，让计算机来代替我们看这个世界。

参考文献

[1]梁文莉.基于独立成分分析的人脸识别算法研究[D].西安：西安科技大学，2012.

[2]葛春苑.人脸识别技术的发展与展望[J].中国安防，2015（21）：62-65.

[3]中关村在线.技术促人脸识别普及，未来市场或超千亿[DB/ OL].[2016-05-10].http ：//tech.hexun.com/2015-12-01/180904461.html.

[4]BARTLETTMS，MOVELLANJ R，SEJNOWSKI T J.Face recognition by independent component analysis[J].IEEE Transactions on Neural Networks，2002，13（6）：1450-1464.