摘要：本文基于计算机视觉顶会论文收录情况对当前人脸识别技术研究现状进行了分析，并对当前主流的人脸识别技术分类、研究方法进行了介绍。当前基于2D人脸数据的人脸识别方面，技术已较为成熟，形成了一套基于深度学习的人脸识别方法。在颠覆性技术出现前，人脸识别研究热点主要集中在基于训练数据的优化、基于损失函数的优化，以及多模型融合三个方向上。相比于基于2D数据的人脸识别，3D人脸识别目前研究重点集中在3D人脸重建上，基于3D人脸数据的特征提取和分类方法还有较大的研究空间。此外，人脸反欺诈也是当前人脸识别技术的研究重点。

关键词：人脸识別;人脸重建;3D

人脸识别因其方便、友好、非接触、非侵犯以及易集成等优势，在不同的生物特征识别方法中有着重要的地位。也正是因为这些优势，使得人脸识别当前被广泛应用于身份认证、智能安防、便捷金融、疑犯追踪等众多领域，同时也引起了学术界和商业界越来越多的关注。

1 人脸识别分类

1.1 接应用方式分类

人脸识别按照应用方式，分为1：1、1：N、M：N。

1：1人脸识别一般称为FaceVerification（人脸验证;人脸确认;人脸校验），属于二分类问题.应用场景主要有互联网买机票、车票，医院挂号，政府惠民工程项目，以及各种证券开户、电信开户、互联网金融开户等等。

1：N人脸识别一般称为Faceldentification（人脸识别），属于多分类问题。跟1：1的A/B两张照片比对最大的区别是一次识别需要与集合所有样本进行比对，数据总量越大计算速度越慢，而总和超过20万，就会出现多个相似结果（20万人这个大数会导致有不少人长相相似），需要人工辅助定位。一般用于疑犯追逃、失踪人口搜寻等领域，以助于减少人工工作量，提高工作效率。

M：N人脸识别实际上是基于1：N的算法，对输入图像中所有人脸与人脸数据底库进行1：N匹配。

1.2 按素材使用分类

人脸识别按照素材使用，分为2D人脸识别、3D人脸识别。

2D人脸识别一般指利用人脸图像的RGB信息进行素材，进行人脸检测、特征提取和信息比对。

3D人脸识别使用的素材以点云数据为主，另外还体素网格、三角网格、多视角图等。点云数据由三维空间的坐标点以及各点的颜色组成（XYZRGB），这决定了点云的一个元素里要存的字段内容和大小。数据结构定义可以根据自己使用来重新定义。点云是一种表达方式是非常接近原始传感器的数据集，可以比较完整的表示出物体的三维信息。

2 人脸识别流程

2.1 2D和3DA脸识别流程对比

2D和3D人脸识别流程对比见图1。

2.2 2DA脸识别流程

2D人脸识别流程主要分为图像采集、图像素材获取、人脸检测、特征提取和信息比对。

2D人脸识别所需的图像素材通过普通摄像头获取，经过图像预处理后，即可作为素材进行使用。人脸图像的预处理的目的，是规范化图像质量，以提高人脸特征提取的准确度。常见的用于人脸图像预处理的操作有调整明暗、裁剪、滤波、旋转等，可以使得采集到的图像能够更有利于对人脸图像进行特征提取。

目前主要使用的图像预处理手段有调整灰度、滤波、尺寸归一化等。

（1）调整灰度：指通过调整图像灰度，来平滑处理由于地点、设备、光照等方面因素导致的差异，常用方法有平均值法、直方图变换法、幂次变换法、对数变换法等。

（2）滤波：指通过均值滤波或中值滤波等方法，过滤掉图像采集时环境中电磁信号以及图像传输时产生的电磁干扰对图像的影响，其中，中值滤波使用最为普遍。

（3）尺寸归一化：由于人脸识别算法对人脸图像的宽高有固定要求，因此通过尺寸归一化可以有利于后续人脸识别算法的处理，常见的尺寸归一化算法有双三次插值法、双线性插值法、最近邻插值法和立方卷积法等。

人脸检测主要包括特征点定位、人脸对齐等操作。人脸检测是指对采集到的图像按照一定的纹理特征或深度特征进行人脸搜索，判断是否存在人脸，并标定每张人脸所处位置、大小与方向姿态的过程。通过人脸检测，可以达到人脸图像精准采集的目的。

目前的人脸检测方法可分为三类，分别是基于肤色模型的检测、基于边缘特征的检测、基于统计理论方法的检测。

（1）肤色用于人脸检测时，主要采用高斯模型、高斯混合模型在不同颜色空间中建立肤色模型，或使用非参数估计实现基于肤色的人脸检测。

（2）基于边缘特征的检测主要指利用脸部轮廓及五官等存在明显边缘的区域，来实现人脸定位，这种方法计算量相对较小，多用于实时检测。

（3）基于统计理论方法的检测主要是基于Haar特征，用Adaboost对大量弱分类器进行集成，获得一个强分类器。

目前人脸特征提取所使用的特征主要分为视觉特征和像素特征。自2014年DeepFace和DeepID的提出，目前人脸识别的研究重点己转向深度学习。深度学习人脸识别所用的特征主要为像素特征。

信息比对是对不同目标的人脸特征进行特征距离计算，目前主流的特征距离计算方式有欧氏距离、余弦距离，除了这两个常用距离外，还有曼哈顿距离、明可夫斯基距离、皮尔森相关系数、斯皮尔曼等级相关系数等也可用作特征距离计算。

2.3 3D人脸识别流程

3D人脸识别流程主要分为图像采集、图像素材获取、配准、3D重建、人脸检测、特征提取和信息比对。

图像采集主要分为两种：

（1）普通摄像头进行RGB图像采集;

（2）使用专用摄像头（3D结构光、TOF、双目等）进行RGB图像+深度信息采集。

图像素材获取则是从摄像头采集的信息中心提取出RGB图像或RGB图像+深度信息图像。

如果采集的素材为RGB图像+深度信息图像，则需要进行配准。由于3D人脸识别中RGB素材和深度素材通常由不同摄像头模组采集，故需对不同模组采集到的RGB数据与深度数据进行对准，保证每个点的RGB数据和深度数据可以对应，并且时间上为同一时刻。配准具体分为时间配准和空间配准。时间配准保证使用的两个模组采集的图像数据在时间上是同步的。空间配准保证RGB像素点与该像素点对应的深度数据能够一一对应。

3 从cv顶级会议看研究现状

在人脸重建领域，人脸重建除1篇研究通过语音重建人脸的论文为2D人脸重建外，其余论文均为3D人脸重建与生成。文献通过对数百万互联网/YouTube视频的学习，设计并实现了一个深度神经网络，实现了一种基于说话者简短录音重建说话者2D人脸的方法。3D人脸重建研究中，文献基于3DMM （3DMorphableModel）进行3D人脸重建研究，其他3D人脸重建研究方法有从多视图2D图像进行3D人脸重建、3D人脸mesh的分解框架、单图像人脸3D重建、利用多度量回归网络进行非限制人脸重建、密集3D人脸对应、基于视频的3D人脸重建、基于解剖学肌肉纹理的3D人脸重建。当前3D人脸识别方面，学界主要的研究重點是3D重建方面，对于基于3D的人脸识别、特征提取、特征比对尚无深入研究。3D人脸识别还有较多可供深入研究的内容。

人脸反欺诈领域，大致可以分为如何伪造欺诈数据和如何基于欺诈数据进行反欺诈模型研究两类。文献提出了一种对人脸识别系统基于决策的黑盒攻击方法一演化攻击，即给定攻击的目标函数，可以单独通过访问生成对抗样本，通过对局部几何图形进行建模以找到更好的搜索方向，并减小搜索空间的维度以进一步提高效率，该方法成功攻击了真实环境下的人脸识别系统。文献发布了一个目前最大的人脸识别反欺诈数据集CASIA-SURF，包含1000个主题，共21000组样本，每组样本包括RGB、深度、IR三种图像，并提出了一种多模型融合人脸反欺诈模型。文献提出了一种Zero-Shot的深度树模型，可以对未知分类进行人脸反欺诈检测，目前可以对13种人脸欺诈类型进行识别，同时，作者提出了一个新的人脸欺诈数据集SiW-M通过对不同类型人脸欺诈数据训练集判别性特征的学习，提出了一种具有较高泛化能力的人脸反欺诈检测模型。文献提出了一种简便的大量收集人脸欺诈数据的方法，同时提出了一个用时空+注意力机制来融合全局时域信息和局部空间信息的模型，能够自动搜索有效区域。针对CASIA-SURF数据集，分别提出了一种人脸反欺诈检测方法，其中没有提出新的模型，主要在ResNet的基础上针对多模态融合和训练策略进行了大量工作，在MobileNetV2和Inception的基础上进行了改进，使用流模块替代全局平均池化GAP （GlobaIAveragePooling）作为卷积网络的池化层和全连接层，同时将从多模态数据中学习到的多个分类器进行了级联，实现了人脸反欺诈检测。

4 总结

本文对当前主流的人脸识别技术分类、研究方法进行了介绍。根据CVPR2019会议论文可以看出，人脸识别依然是当前CV领域的研究重点。

在基于2D人脸数据的人脸识别方面，技术已较为成熟，形成了一套基于深度学习的人脸识别方法。在颠覆性技术出现前，人脸识别研究热点主要集中在基于训练数据的优化、基于损失函数的优化，以及多模型融合三个方向上。相比于基于2D数据的人脸识别，3D人脸识别目前研究重点集中在3D人脸重建上，基于3D人脸数据的特征提取和分类方法还有较大的研究空间。此外，人脸反欺诈也是将来的主要研究重点。

参考文献

[1]郑远攀，李广阳，李晔，深度学习在图像识别中的应用研究综述[J].计算机工程与应用，2019，55 （12）：20-36.

[2]王乔晨，吴振刚，人脸识别应用系统中的安全与隐私问题综述[J]，新型工业化，201 9，9（05）：47-50.

[3]张凯兵，郑冬冬，景军锋，低分辨人脸识别综述[J].计算机工程与应用，2019，55 （22）：14-24.

[4]鲁磊.基于卷积神经网络的人脸识别方法研究[D]。西安科技大学，2019.

[5]卢子谦，陆哲明，沈冯立，王总辉.人脸反欺诈活体检测综述[J].信息安全学报，2020，5（02）：18-27.

作者简介

李志远（1992-），男，山西省临汾市人。硕士研究生，助理工程师。研究方向为人脸识别。