摘要: “他來聽我的演唱會(huì),門票換了手銬一對(duì)”。最近歌神張學(xué)友變阿SIR,演唱會(huì)上頻頻抓到罪犯,將人臉識(shí)別技術(shù)又一次推到了大眾的視線中。

“他來聽我的演唱會(huì),門票換了手銬一對(duì)”。最近歌神張學(xué)友變阿SIR,演唱會(huì)上頻頻抓到罪犯,將人臉識(shí)別技術(shù)又一次推到了大眾的視線中。要說人臉識(shí)別技術(shù)的爆發(fā),當(dāng)屬去年9月份蘋果iPhone x的發(fā)布,不再需要指紋,只需要掃描面部就可以輕松解鎖手機(jī)。

人臉識(shí)別是啥玩意兒?

人臉識(shí)別技術(shù),是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流,并自動(dòng)在圖像中檢測和跟蹤人臉,進(jìn)而對(duì)檢測到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù),通常也叫做人像識(shí)別、面部識(shí)別。

人臉識(shí)別技術(shù)主要是通過人臉圖像特征的提取與對(duì)比來進(jìn)行的。人臉識(shí)別系統(tǒng)將提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲(chǔ)的特征模板進(jìn)行搜索匹配,通過設(shè)定一個(gè)閾值,當(dāng)相似度超過這一閾值,則把匹配得到的結(jié)果輸出。

廣義的人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)的一系列相關(guān)技術(shù),包括人臉圖像采集、人臉定位、人臉識(shí)別預(yù)處理、身份確認(rèn)以及身份查找等;而狹義的人臉識(shí)別特指通過人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

人臉識(shí)別技術(shù)發(fā)展

早在20世紀(jì)50年代,認(rèn)知科學(xué)家就已著手對(duì)人臉識(shí)別展開研究。20世紀(jì)60年代,人臉識(shí)別工程化應(yīng)用研究正式開啟。當(dāng)時(shí)的方法主要利用了人臉的幾何結(jié)構(gòu),通過分析人臉器官特征點(diǎn)及其之間的拓?fù)潢P(guān)系進(jìn)行辨識(shí)。這種方法簡單直觀,但是一旦人臉姿態(tài)、表情發(fā)生變化,則精度嚴(yán)重下降。

由劍橋人臉數(shù)據(jù)集的特征分解獲得的前四個(gè)特征向量

21世紀(jì)的前十年,隨著機(jī)器學(xué)習(xí)理論的發(fā)展,學(xué)者們相繼探索出了基于遺傳算法、支持向量機(jī)(Support Vector Machine, SVM)、boosting、流形學(xué)習(xí)以及核方法等進(jìn)行人臉識(shí)別。 2009年至2012年,稀疏表達(dá)(Sparse Representation)因?yàn)槠鋬?yōu)美的理論和對(duì)遮擋因素的魯棒性成為當(dāng)時(shí)的研究熱點(diǎn)。

與此同時(shí),業(yè)界也基本達(dá)成共識(shí):基于人工精心設(shè)計(jì)的局部描述子進(jìn)行特征提取和子空間方法進(jìn)行特征選擇能夠取得最好的識(shí)別效果。Gabor及LBP特征描述子是迄今為止在人臉識(shí)別領(lǐng)域最為成功的兩種人工設(shè)計(jì)局部描述子。這期間,對(duì)各種人臉識(shí)別影響因子的針對(duì)性處理也是那一階段的研究熱點(diǎn),比如人臉光照歸一化、人臉姿態(tài)校正、人臉超分辨以及遮擋處理等。

表1 人臉識(shí)別經(jīng)典方法及其在LFW上精度對(duì)比

自此之后,研究者們不斷改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu),同時(shí)擴(kuò)大訓(xùn)練樣本規(guī)模,將LFW上的識(shí)別精度推到99.5%以上。如表1所示,我們給出了人臉識(shí)別發(fā)展過程中一些經(jīng)典的方法及其在LFW上的精度,一個(gè)基本的趨勢(shì)是:訓(xùn)練數(shù)據(jù)規(guī)模越來越大,識(shí)別精度越來越高。

人臉識(shí)別十大關(guān)鍵技術(shù)

1、人臉檢測(Face Detection)

“人臉檢測(Face Detection)”的作用就是要檢測出圖像中人臉?biāo)谖恢谩?

人臉檢測算法的原理簡單來說是一個(gè)“掃描”加“判定”的過程。即首先在整個(gè)圖像范圍內(nèi)掃描,再逐個(gè)判定候選區(qū)域是否是人臉的過程。因此人臉檢測算法的計(jì)算速度會(huì)跟圖像尺寸大小以及圖像內(nèi)容相關(guān)。在實(shí)際算法時(shí),我們可以通過設(shè)置“輸入圖像尺寸”、或“最小臉尺寸限制”、“人臉數(shù)量上限”的方式來加速算法。

2、人臉配準(zhǔn)(Face Alignment)

“人臉配準(zhǔn)(Face Alignment)”所實(shí)現(xiàn)的目的是定位出人臉上五官關(guān)鍵點(diǎn)坐標(biāo)。

當(dāng)前效果的較好的一些人臉配準(zhǔn)技術(shù)基本通過深度學(xué)習(xí)框架實(shí)現(xiàn)。這些方法都是基于人臉檢測的坐標(biāo)框,按某種事先設(shè)定規(guī)則將人臉區(qū)域摳取出來,縮放到固定尺寸,然后進(jìn)行關(guān)鍵點(diǎn)位置的計(jì)算。另外,相對(duì)于人臉檢測,或者是后面將提到的人臉特征提取的過程,人臉配準(zhǔn)算法的計(jì)算耗時(shí)都要少很多。

3、人臉屬性識(shí)別(Face Attribute)

“人臉屬性識(shí)別(Face Attribute)”是識(shí)別出人臉的性別、年齡、姿態(tài)、表情等屬性值的一項(xiàng)技術(shù)。這在有些相機(jī)APP中有所應(yīng)用,可以自動(dòng)識(shí)別攝像頭視野中人物的性別、年齡等特征并標(biāo)注出來。

人臉的屬性識(shí)別包括性別識(shí)別、年齡估計(jì)、表情識(shí)別、姿態(tài)識(shí)別、發(fā)型識(shí)別等等方面。一般來說每種屬性的識(shí)別算法過程是獨(dú)立的,但是有一些新型的基于深度學(xué)習(xí)實(shí)現(xiàn)的算法可以實(shí)現(xiàn)同時(shí)輸出年齡、性別、姿態(tài)、表情等屬性識(shí)別結(jié)果。

4、人臉提特征(Face Feature Extraction)

“人臉提特征(Face Feature Extraction)”是將一張人臉圖像轉(zhuǎn)化為可以表征人臉特點(diǎn)的特征,具體表現(xiàn)形式為一串固定長度的數(shù)值。

人臉提特征過程的輸入是 “一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”,輸出是人臉相應(yīng)的一個(gè)數(shù)值串(特征)。人臉提特征算法實(shí)現(xiàn)的過程為:首先將五官關(guān)鍵點(diǎn)坐標(biāo)進(jìn)行旋轉(zhuǎn)、縮放等等操作來實(shí)現(xiàn)人臉對(duì)齊,然后在提取特征并計(jì)算出數(shù)值串。

5、人臉比對(duì)(Face Compare)

“人臉比對(duì)(Face Compare)”算法實(shí)現(xiàn)的目的是衡量兩個(gè)人臉之間相似度。

人臉比對(duì)算法的輸入是兩個(gè)人臉特征人臉特征由前面的人臉提特征算法獲得,輸出是兩個(gè)特征之間的相似度。

6、人臉驗(yàn)證(Face Verification)

“人臉驗(yàn)證(Face Verification)”是判定兩個(gè)人臉圖是否為同一人的算法。

它的輸入是兩個(gè)人臉特征,通過人臉比對(duì)獲得兩個(gè)人臉特征的相似度,通過與預(yù)設(shè)的閾值比較來驗(yàn)證這兩個(gè)人臉特征是否屬于同一人。

7、人臉識(shí)別(Face Recognition)

“人臉識(shí)別(Face Recognition)”是識(shí)別出輸入人臉圖對(duì)應(yīng)身份的算法。

它的輸入為一個(gè)人臉特征,通過和注冊(cè)在庫中N個(gè)身份對(duì)應(yīng)的特征進(jìn)行逐個(gè)比對(duì),找出“一個(gè)”與輸入特征相似度最高的特征。將這個(gè)最高相似度值和預(yù)設(shè)的閾值相比較,如果大于閾值,則返回該特征對(duì)應(yīng)的身份,否則返回“不在庫中”。

8、人臉檢索(Face Retrieval)

“人臉檢索”是查找和輸入人臉相似的人臉序列的算法。

人臉檢索通過將輸入的人臉和一個(gè)集合中的說有人臉進(jìn)行比對(duì),根據(jù)比對(duì)后的相似度對(duì)集合中的人臉進(jìn)行排序。根據(jù)相似度從高到低排序的人臉序列即使人臉檢索的結(jié)果。

9、人臉聚類(Face Cluster)

“人臉聚類(Face Cluster)”是將一個(gè)集合內(nèi)的人臉根據(jù)身份進(jìn)行分組的算法。

在沒有進(jìn)行人工身份標(biāo)注前,只知道分到一個(gè)組的人臉是屬于同一個(gè)身份,但不知道確切身份。

10、人臉活體(FaceLiveness)

“人臉活體(FaceLiveness)”是判斷人臉圖像是來自真人還是來自攻擊假體(照片、視頻等)的方法。

在我們生活環(huán)境中,人臉認(rèn)證系統(tǒng)中主要容易受到這種手段欺騙:

(1)用偷拍的照片假冒真實(shí)人;

(2)在公開場合錄的視頻或網(wǎng)上公開的視頻片段;

(3)用計(jì)算機(jī)輔助軟件設(shè)計(jì)的三維模型欺騙;

(4)用蠟或塑料等材質(zhì)構(gòu)造的三維雕像欺騙。

現(xiàn)在所以人臉活體檢測技術(shù)的研究顯得異常重要。對(duì)于照片欺騙,主要是根據(jù)分辨率、三位三維信息、眼動(dòng)等來進(jìn)行區(qū)分;對(duì)于視頻欺騙,根據(jù)三維信息、光線等來區(qū)分。

人臉識(shí)別技術(shù)的主要用途

1、人臉識(shí)別技術(shù)應(yīng)用于鐵路安防系統(tǒng)

隨著技術(shù)的進(jìn)步,人員組織的不斷復(fù)雜化,鐵路安全形勢(shì)不斷面臨新的挑戰(zhàn)?；疖嚻睂?shí)名制有效阻止了不法分子進(jìn)入車站,但是,目前鐵路客運(yùn)安全檢查,基本還是靠安檢員來檢查票、證、人是否一致,而證件照片往往是多年前的照片,安檢員很難辨認(rèn),辨別度很低。

2、人臉識(shí)別技術(shù)應(yīng)用于教育領(lǐng)域

近年來,從中考、高考等升學(xué)考試,到執(zhí)業(yè)資格、晉級(jí)升職等等考試,均不同程度地出現(xiàn)了替考現(xiàn)象,而利用人臉識(shí)別技術(shù)實(shí)現(xiàn)證件內(nèi)照片特征和實(shí)時(shí)人臉照片特征比對(duì)識(shí)別,辨別考生身份,可防止考場替考現(xiàn)象的發(fā)生。

3、人臉識(shí)別技術(shù)推進(jìn)于智能城市建設(shè)

隨著人類社會(huì)的不斷發(fā)展,未來城市將承載越來越多的人口,為實(shí)現(xiàn)城市可持續(xù)發(fā)展,建設(shè)智慧城市已成為當(dāng)今世界城市發(fā)展不可逆轉(zhuǎn)的歷史潮流。而在智慧城市的建設(shè)過程中,需注重對(duì)信息的結(jié)構(gòu)化存儲(chǔ)、分析挖掘,人臉的結(jié)構(gòu)化云識(shí)別儲(chǔ)存是構(gòu)建整個(gè)智慧城市基礎(chǔ)數(shù)據(jù)之一,是智慧城市云儲(chǔ)存體系中的不可或缺的一部分。

人臉識(shí)別的技術(shù)難點(diǎn)

人臉識(shí)別雖說發(fā)展到現(xiàn)在3、40年的時(shí)間了,但它一直存在的幾個(gè)難點(diǎn),到現(xiàn)在也沒能徹底解決。

1、光照問題

光照問題是機(jī)器視覺重的老問題,在人臉識(shí)別中的表現(xiàn)尤為明顯。由于人臉的3D結(jié)構(gòu),光照投射出的陰影,會(huì)加強(qiáng)或減弱原有的人臉特征。

2、表情姿態(tài)問題

與光照問題類似,姿態(tài)問題也是目前人臉識(shí)別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。姿態(tài)問題涉及頭部在三維垂直坐標(biāo)系中繞三個(gè)軸的旋轉(zhuǎn)造成的面部變化,其中垂直于圖像平面的兩個(gè)方向的深度旋轉(zhuǎn)會(huì)造成面部信息的部分缺失。

3、遮擋問題

對(duì)于非配合情況下的人臉圖像采集,遮擋問題是一個(gè)非常嚴(yán)重的問題。特別是在監(jiān)控環(huán)境下,往往彼監(jiān)控對(duì)象都會(huì)帶著眼鏡,帽子等飾物,使得被采集出來的人臉圖像有可能不完整,從而影響了后面的特征提取與識(shí)別,甚至?xí)?dǎo)致人臉檢測算法的失效。

4、年齡變化

隨著年齡的變化,面部外觀也在變化,特別是對(duì)于青少年,這種變化更加的明顯。對(duì)于不同的年齡段,人臉識(shí)別算法的識(shí)別率也不同。一個(gè)人從少年變成青年,變成老年,他的容貌可能會(huì)發(fā)生比較大的變化,從而導(dǎo)致識(shí)別率的下降。對(duì)于不同的年齡段,人臉識(shí)別算法的識(shí)別率也不同。

5、人臉相似性

不同個(gè)體之間的區(qū)別不大,所有的人臉的結(jié)構(gòu)都相似,甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對(duì)于利用人臉進(jìn)行定位是有利的,但是對(duì)于利用人臉區(qū)分人類個(gè)體是不利的。

6、圖像質(zhì)量

人臉圖像的來源可能多種多樣,由于采集設(shè)備的不同,得到的人臉圖像質(zhì)量也不一樣,特別是對(duì)于那些低分辨率、噪聲大、質(zhì)量差的人臉圖像(如手機(jī)攝像頭拍攝的人臉圖片、遠(yuǎn)程監(jiān)控拍攝的圖片等)如何進(jìn)行有效地人臉識(shí)別是個(gè)需要關(guān)注的問題。同樣的,對(duì)于高分辨圖像對(duì)人臉識(shí)別算法的影響也需要進(jìn)一步的研究。

7、樣本缺乏

基于統(tǒng)計(jì)學(xué)習(xí)的人臉識(shí)別算法是目前人臉識(shí)別領(lǐng)域中的主流算法,但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的訓(xùn)練。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流形分布,能得到的樣本只是對(duì)人臉圖像空間中的一個(gè)極小部分的采樣,如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問題有待進(jìn)一步的研究。

8、海量數(shù)據(jù)

傳統(tǒng)人臉識(shí)別方法如PCA、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對(duì)于海量數(shù)據(jù),這些方法其訓(xùn)練過程難以進(jìn)行,甚至有可能崩潰。

9、大規(guī)模人臉識(shí)別

隨著人臉數(shù)據(jù)庫規(guī)模的增長,人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降。

國內(nèi)研究人臉識(shí)別的公司有哪些

2015年以來,已有騰訊、阿里、民生銀行等多個(gè)行業(yè)巨頭紛紛加碼人臉識(shí)別產(chǎn)業(yè)。國內(nèi)外巨頭紛紛加碼人臉識(shí)別技術(shù),將直接助推產(chǎn)業(yè)的爆發(fā)性增長。想知道具體企業(yè)以及方向,可以閱讀下方表格:

人臉識(shí)別的未來

隨著大數(shù)據(jù)、共享時(shí)代的來臨,數(shù)據(jù)安全問題也越發(fā)被重視起來,以人臉識(shí)別為代表的新一代技術(shù)革命已經(jīng)展開。

原文標(biāo)題:一文讀懂:深扒人臉識(shí)別60年技術(shù)發(fā)展史

文章出處:【微信號(hào):AItists,微信公眾號(hào):人工智能學(xué)家】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。