刘舒天

(长春金融高等专科学校 吉林 长春 130000)

现代社会发展的节奏较快，客观催生了各类现代技术，尤其是以信息技术为核心的各类复合技术，大大提升了社会生产效率，改善了管理质量。从特点上看，信息技术强调借助计算机等现代设备、工作手段，加快信息的处理效率，使海量信息可以在较短时间内集中得到加工、计算，用于管理活动，其代表之一是人脸识别算法[1]。在门禁管理、公安管理、身份识别等工作中，人脸识别算法的运用广泛、效果突出。在此背景下，对人脸识别算法的原理、分类、应用流程等进行分析，具有一定的现实意义。

1 人脸识别算法概述

1.1 人脸识别算法原理

人脸识别算法（Face Recognition Algorithm）是指在检测到人脸并定位面部关键特征点之后，对人脸的主要区域进行裁剪、处理，馈入后端用于分析的一种识别算法。在各类管理系统中，上述实时信息需要与库存的已知人脸进行比对，完成最终的分类和辨识。目前，人脸识别算法的准确率已经初步超过肉眼。2014年，香港中文大学的研究中，人脸识别算法准确率达到98.52%，首次超过人眼识别能力。部分技术中心公布的实验数据中，人脸识别算法准确率可达到99.7%以上，但尚未进入普遍应用阶段[2]。人脸识别算法的流程比较明确，通常通过对既有资源（各类人脸图片）的收集、处理，建立数据库，之后再对实时收集的人脸信息进行降维分析，并与数据库信息进行对照，根据对照结果确定人员身份、评估合法性，作为管理依据。

1.2 人脸识别算法的优势

人脸识别算法的优势主要体现在3 个方面，分别是效率高、普适性高、使用便捷。从效率方面，人脸识别算法主要依赖计算机、系统设定的程序完成辨识作业，全程无须人员管理（除早期编程、安装设备），能在几秒甚至一秒内完成人脸特征收集、分析等活动，工作效率很高。从技术需求的角度出发，大部分计算机、终端采集设备并无特殊要求，可以广泛采买、安装、使用。在门禁管理、企业管理、公安系统户籍管理等工作中，人脸识别算法均可发挥作用，与关联技术联用的普适性得到保障[3]。只要早期数据丰富、客观、清晰，人脸识别算法建立的数据库就是完善的，能够便捷地在各类终端应用，使用比较便捷。

2 人脸识别算法的分类

2.1 基于人脸特征点的识别算法

基于人脸特征点的识别算法是较早得到应用的算法之一。该算法主要强调对人员面部特征进行收集，并根据其特征进行建模、建库。工作中以降维算法为核心方式，进行人脸识别，当检索到相同或相似特征时，可认定目标（人脸）与特征库内的信息相匹配，进而认定人员身份合法。基于人脸特征点的识别算法主要关注人员面部的特殊性，如眉间距、嘴唇位置、眉弓形状、鼻骨位置等，这些要素的统一特点在于因人而异，不同人员之间均存在一定差别，同时，上述要素也具有很强的稳定性，一定时间内不会出现显著变化，也便于进行识别和对照。此方法的弊端在于，当人员面部出现老化后，其眉间距等一般面部特点也会出现变化，需要每隔一段时间进行一次信息采集，才能始终保证此方法的应用效果[4]。

2.2 基于整幅人脸图像的识别算法

基于整幅人脸图像的识别算法是指对人员面部进行整体记忆，包括不同角度、一定表情变化下的面部特征，在重复检索到相似面部时，可与记忆库信息进行对照、判断，以确定人员的合法性。该模式下，对整幅人脸图像进行信息收集的难度相对不大，但在进行识别时，需要进行较多的计算，因人员面部牵涉到的计算内容比较复杂，也会出现疏失、计算结果与真实情况不符的情况，如人员的表情变化、蓄须、是否佩戴眼镜等，均会影响识别效果。

2.3 基于模板的识别算法

基于模板的识别算法，主要强调建立分析模板，以标准化模板为依据，进行人脸识别。此模式下，首先采集人员面部各类信息，建立一个兼有二维、三维特点的识别模型，此模型被存储在数据库中。实际工作中需要进行人脸辨识时，算法的核心在于分析目标（人脸）与标准模板之间的差异，通常如果二者的符合度达到一定标准（早期为72%，随着设备和算法优化，该标准持续提升），即表明目标与模型人脸为同一人，可认定其合法、予以放行。基于模板的识别算法早期工作量较大，但后期使用的持续性较高，即便人脸因时间因素出现变化，只要其变化幅度有限，仍可利用该算法组织认证。

2.4 利用神经网络进行识别的算法

利用神经网络进行识别是一种复杂的算法，该算法的特点在于利用类似人体神经元的工作网络，在进行人脸认证、辨识时，快速进行信息采集，之后以分布式的工作单元进行计算，再做汇总分析。具体情况如图1所示。

图1 利用神经网络进行人脸识别

由于计算活动不是集中进行的，计算机核心区域的工作压力相对不高，只需要对各部分计算的结果进行汇总和集中分析，就可以完成人脸辨识，减轻了系统工作压力，也不会影响工作质量[5]。但利用神经网络进行识别的算法对系统建设的技术要求较高，其适用性比较有限，在大部分简单的管理系统中无法应用[6]。

3 人脸识别算法的应用流程

3.1 数据收集和加工

人脸识别算法及其应用方式已经比较稳定、成熟，能够发挥预期作用和价值。其应用流程的第一个环节通常为数据收集和加工，即人员面部特征相关信息的收集、加工[6]。以社区门禁管理为例，住户需要到管理处进行登记，一般以其面部作为信息采集区。管理较严格的情况下，需要做面部正面、侧面信息的分别采集，再将其录入计算机中，根据本社区的管理要求，选择与之匹配的计算方法，对人员面部特征进行梳理和记录。例如：部分社区使用基于人脸特征点的识别算法，可对人员眉间距离、嘴唇位置等特点进行分析和记录，并分别进行统计，精准获取上述特征点的信息，以备后用。

3.2 数据库建立

建库活动一般是独立进行的，即每一位人员的面部特征均分别建立信息库，如上文的社区门禁管理，为保证人员信息得到针对性管理，各信息库应在数字化基础上区别对待，以便于后续管理和更新。所有信息库独立标注，同时与门禁系统的作业平台保持实时连接。从工作效率的角度出发，这种实时连接以有线形式为主，少数情况下也允许采用无线形式，如果以无线形式进行连接需要保证周边不存在强电磁干扰，如架空线路、变电室、用电器等。数据库建成后，应保证具有可扩展性、易用性，所有数据库均应易于重建、补充、扩建和优化，且不存在技术上的困难，以便于人脸识别算法的持续运用。

3.3 实时降维分析

实时降维分析是人脸识别算法运用的关键环节，是指在完成信息采集、信息库建设后，在实际应用阶段对信息的对照、计算和分析。降维分析法主要强调根据系统选定的工作机制确定分析维度。如上文所述的“基于人脸特征点的识别算法”，该算法下，系统所选的“特征点”决定了降维分析的维度，包括人员的眉间距离、嘴唇位置等。以门禁系统为例，人脸识别算法、降维分析流程如图2所示。

图2 人脸识别算法下的降维分析流程

在此流程下，人员到达门禁管理区域，通过自动交互活动，其面部信息被采集系统采集，并传输至门禁系统管理处，管理处调动既有的人员面部特征数据库信息作为参照，同时利用降维分析法，快速计算目标对象的面部信息，获取其嘴唇位置、眉间距等特征信息，如眉间距的计算，通常人员的眉间距是固定不变的，假定信息库内人员眉间距的标准值为X，当人员尝试进入社区时，可能因面部表情的细微变化（如凝眉、瞪眼、眯眼等），其眉间距也会出现变化，这一变化带有模糊化的线性特点，重视围绕X上下波动的，可表现如下。

其中，[Xmix；Xmax]为人员眉间距变化的最大允许范围，其他均为处于此范围内的随机参数。采集系统获取的人员面部特征，通过降维分析快速得到处理，获取人员眉间距的具体值，并与X进行对照，如果目标对象眉间距计算结果处于[Xmix；Xmax]范围内，与特征数据库信息能够完全匹配或匹配度很高、达到系统管理要求，表明目标人员为本社区人员，可放行。反之，如果信息对照结果不符合系统管理要求，处于[Xmix；Xmax]之外，则发出警报，提示管理人员进行管理，也提示目标对象重新进行认证。如果人员皱眉、面部存在遮挡物（如眼镜）、处于强光照射环境下，其面部特征采集和分析一般会受到影响，可能无法第一时间被系统辨识，因此需要进行二次信息采集、对照，也需要人员根据警报对面部表情和饰物等进行调整。如果目标确非本社区人员，必要的警报也有利于管理者及时察觉、处理，减少社区治安方面的隐患、降低非法人员潜入的风险。

3.4 辅助机制建设

尝试运用人脸识别算法组织管理活动，还应重视辅助机制的建设，包括信息采集系统、数据库、通信系统、抗干扰系统等。其中，信息采集系统即用于人脸信息采集的各类设备，如监控摄像头、数字化信息采集器等。这些设备应能够保证运用的实时性，能够随时投入使用，且能够准确无误地进行人员面部信息的采集。数据库保存缓存库和完成库。完成库即用于存储人员面部信息的数据库，该库应在系统投入使用前建设完成，并跟随系统工作需要实时更新。缓存库用于存储实时工作产生的信息，可缓存于云空间，也可提供具有一定容量的磁盘空间，进行信息缓存。通信系统包括无线通信系统和有线通信系统两大类，后者应作为人脸识别算法工作模式下的核心模式，以保证信息交互的效率和质量，前者主要发挥辅助作用。抗干扰系统运用于特殊工作环境下，用以应对电磁干扰、通信破坏等，保证人脸识别算法的工作质量。

4 人脸识别算法的发展展望

4.1 精准性提升

香港中文大学2014年的研究结果表明：人脸识别算法的精准度可以匹配、超过人眼，进一步提升了人脸识别算法的工作能力，对人员面部特征的识别能力超过99.7%。但即便在实验室理想条件下，人脸识别算法也不能完成100%的精准识别[7]。如同一人员随着年龄变化，面部特征也会出现改变，此时不对信息库进行更新，很难完成精准识别。未来人脸识别算法的发展会更趋智能化，即：在无法实时、定期采集人员面部信息的情况下，通过智能技术对人员面部特征的变化进行动态模拟，重新建立信息库，能一定程度上提升人脸识别算法的工作能力，使人员面部特征的变化得到模拟和捕捉，提升人脸识别的精准性。

4.2 安全性改善

安全性主要是指当前人脸识别算法下系统的信息保护能力。很多联网作业的工作系统，无法保证信息安全，可能在木马入侵、系统漏洞等因素的影响下出现信息丢失、数据库损坏等问题，未来人脸识别算法的运用会在安全性方面寻求突破。例如：在建设工作系统的过程中，将安全保护同步纳入作业范围内，提供以防火墙、实时防护软件、漏洞自检为核心的综合服务，并建立立体化的辨识工作机制，从物理防护和网络防护两个层面出发，减少信息丢失风险。在此基础上，容灾技术的运用也会得到更多关注，以独立作业的备用系统，为人脸识别算法下的主系统提供服务，将数据库的关键信息定期备份到备用系统中，即便主系统出现问题、崩溃，也能利用备用系统快速完成重建，将此前存储的人员面部信息数据快速调动到工作软件、平台内，提供安全、实时的常规服务。

4.3 处理效率优化

处理效率的优化，是人脸识别算法未来的核心发展趋势之一。目前人脸识别算法虽然多样，但各有优劣。工作速度较快的计算方法，辨识的精准性往往不高，反之，辨识精度高的技术方法，工作时间又较长。未来工作中，兼具精准性和效率性的新技术会得到关注、研究。例如：以LFW数据集作为支持，人脸识别算法的准确率达到99.7%以上，该数据集的特点在于大量使用大数据，重视对人员面部信息的多视角、多信息采集，并提供额外的分析维度，为常规降维分析提供补充，只要计算机性能较好，能够在较短时间内完成复杂、多次运算，兼具精准性和效率性人脸识别算法即可有效实现，处理效率也更高。

5 结语

综上所述，人脸识别算法是一种现代化作业技术，其应用空间广阔，应进一步加以研究、寻求优化。人脸识别算法的工作基础为信息技术，原理较为明确，可分为多种具体工作形式，其应用的一般流程为数据收集、输入和加工，之后以降维分析的方式提炼人脸特征，形成数据库，再以实时信息收集等技术设备提供辅助，有效人脸识别算法的作用、优势。未来人脸识别算法的精准性、安全性和处理效率会进一步提升，以满足更大范围、高标准的工作需要。