人臉識別技術研究及應用范文

本站小編為你精心準備了人臉識別技術研究及應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《警察技術》2017年第4期

摘要：講解了人臉識別的發展歷程和各個階段使用的方法與技術，分析了基于深度學習的人臉識別的技術流程和獨特優勢。人臉識別已經成為一種比較成熟的身份識別技術，廣泛應用于安防邊防、公共安全、銀行認證、社會管理等諸多領域，并形成了人證比對儀、人臉門禁、海量人臉搜索、人臉識別服務、人臉識別系統等多種穩定的產品形態。人臉識別必將是人工智能領域永不過時的主角，對于這項技術的研究具有長遠的意義。

關鍵詞：人臉識別；深度學習；人臉識別系統

1概述

人臉識別技術是通過人工智能的手段對人的臉部特征信息進行分析從而達到身份識別效果的一種生物識別技術。人工智能淵ArtificialIntelligence冤是20世紀50年代中期興起的一門新興邊緣科學，旨在對人的思維堯意識過程進行模擬。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲、知識處理系統、自然語言理解、計算機視覺、智能機器人等[1]。人臉識別技術是人工智能領域一個重要的分支。對于人臉識別技術的研究和探討，有助于理解技術的核心問題以及每種解決方法的優缺點，明確人臉識別技術的發展方向和突破點，更是對現有人臉識別技術的應用有一個客觀的認識。

2人臉識別的技術

2.1概述

人臉識別作為人工智能領域一個重要的分支，一直吸引著科學家和技術工作者不斷的探索。人臉識別從基于的理論基礎來分主要有兩個大類：基于知識和基于統計。根據具體實現方法不同，又分為基于幾何特征的方法、基于模型的方法、基于統計的方法、基于神經網絡的方法、基于深度學習的方法[2]等。下面就從一些主流方法的基本原理、優缺點等方面進行分析。

2.2主流人臉識別方法

2.2.1基于幾何特征

該方法以面部特征點之間的距離和比率作為特征，通過最鄰近方法來識別人臉。這種方法非常直觀，識別速度快，內存要求少，提取的特征在一定程度上對光照變化不太敏感[3]。但是，當被檢測的人臉表現一定的表情變化時，用該方法就不能準確地提取特征。而且由于特征點數量有限，細節把握不夠，識別率較低。

2.2.2基于模型

基于模型的方法最廣為使用的是隱馬爾可夫模型。它是一種基于整體的或概率統計方法。用一張完整的人臉來說，馬爾可夫的狀態包括前額、眉毛、眼睛、鼻子、嘴和下巴，這些狀態以相同的順序從上到下出現，表現為隱馬爾可夫模型的特性狀態[4]。這種方法雖然是用統計的方法去提取特征狀態，但也是基于一定的器官位置知識，不是純粹的數學概率方法。

2.2.3基于統計

基于統計的3種人臉識別方法包括特征臉、Fisher臉和奇異值分析。特征臉的特征向量是從高維矢量空間的人臉圖像的協方差矩陣計算而來，而該方法被認為是一種有效的人臉識別方法[5]。Fisher臉法由Ronald鄄Fisher發明，其基于的LDA理論和特征臉里用到的PCA有相同之處，都是對原有數據進行整體降維映射到低維空間的方法[6]。而奇異值分解法，就是通過取奇異值分解中前面較大的奇異值對應的特征向量，提取出圖像中由光照、表情、姿勢等噪聲對應的高頻信息，來重構圖像[4]。此類方法不針對面部特定的某些特征，而是用純數學統計的方法對圖像得到的向量進行處理分類，判定是否為人臉，識別效果欠佳。

2.2.4基于神經網絡

神經網絡在人臉識別上的優勢就是在于可以通過機器學習，獲得對于人臉圖像規則隱形的一種表達。機器學習的最重要特點就是要用很多張人臉圖像進行模型訓練，在訓練的過程中往往會對模型中的參數進行人為調整。該模型不同于以上所說的基于模型的方法，而是由神經元組成的網絡模型，在訓練的過程中的參數表示從一個神經元到下一個神經元的概率。該方法是用機器學習的方法代替純數學統計方法提取數字特征，算法表示一種慣性概率，不易被解釋，而且神經元的數目較多，運算時間較長。

2.2.5基于深度學習

深度學習實際上是一種復雜的神經網絡學習。深度學習通過組合低層特征淵邊緣、灰度值等冤形成更加抽象的高層表示屬性類別淵性別、年齡冤或特征淵眼睛堯耳朵等冤，以發現數據的分布特征表示。由于隱層多，層內神經元眾多，對計算性能有很高的要求，算法對向量降維的要求也是機器學習領域的重要課題。卷積神經網絡是一個真正意義上的多層結構學習算法，它利用空間相對關系減少參數數目淵降維冤來提高訓練性能。當然，單一地使用深度學習進行人臉識別，效果是有限的，在現主流的基于CAFFE模型的深度學習中，還加入了人臉器官分布的一些特征約束，使學習發現的分布特征具有一定的針對性，使識別效果更好。隨著計算力處理能力的發展，尤其是CPU硬件技術的飛速發展，深度學習在特征廣度和訓練深度上不斷加大計算，對人臉識別的準確率有很大的提升，也成為現在最主流的人臉識別的方法。該方法的魯棒性和擴展性都非常好，對于動態采集的各個角度和不同的人種的人臉，只要在訓練集中有足夠多的樣本，就能被模型學習到這種特征并很好地識別。人臉識別技術的發展是各種數學統計、生物技術等多學科技術不斷融合的一個過程，從開始單純的數學統計和模型處理，到后面基于機器學習的神經網絡，再到萬能的深度學習，人臉識別技術的每一次進步都有鮮明的階段性特點。雖然人臉識別的準確性在不斷提高，但即便是現階段最流行的深度學習技術，也不是一種完美的解決方法。它需要復雜的多層結構搭建和大量先驗知識的學習和訓練，準確性的瓶頸也取決于這些先決條件的質量。現在人臉識別已經深入生活，能幫助我們解決很多的現實問題，同時我們也要客觀地認識它的瓶頸，用包容的心態去看待和期待它的進一步發展。

2.3人臉圖像的流程

人臉識別的技術流程包括人臉圖像采集、人臉檢測、人臉特征提取、人臉特征匹配和識別。其中，人臉檢測和特征提取是具有核心算法的部分。

2.3.1人臉檢測

在人臉檢測環節，根據人卡合一比對這種應用場景的特點，選擇合適的人臉檢測算法，并對算法中涉及到的人臉大小、校準角度、采樣尺寸等做了最適合應用場景的處理。一般的人臉檢測算法處理速度在100ms以上淵i7處理器下冤。

2.3.2特征提取

不同于傳統的人工設計特征的人臉識別算法，采用了主流的深度學習方法來提取特征并進行人臉識別。利用深度神經卷積網絡提取目標的深度語義特征并對人臉進行識別，通過基于多層特征融合的深度神經網絡，可以學習不同級別的語義信息，如邊緣、角點等低級別特征，眼睛、耳朵、鼻子等中級級別特征，以及人臉表情、年齡等高級別的人臉屬性特征。采用的基于深度學習技術的人臉識別方法可以解決尺寸、旋轉、光照等傳統方法很難解決的問題，還可以對較小或者不清晰的人臉進行比較精準的識別。具有泛化能力強、識別準確度高等特點。基于深度學習的特征提取算法，需要采用大規模堯高質量、特征豐富的人臉數據進行模型的學習訓練，保證人臉識別模型的準確性。采用GPU硬件加速的方法，使特征提取的計算速度由幾百毫秒縮短至幾十毫秒。

2.3.3結果匹配

除了人臉檢測和特征提取兩部分的加速，在結果匹配環節也可以通過建立索引樹的方式將十萬級數據匹配的速度提升到毫秒級的水平。這樣，單個人臉識別的總時間可以達到120ms左右，順序執行識別的速度可達每秒8-9幀。由于每秒播放15-20幀，人臉觀察才不會有明顯的卡頓現象，所以，人臉實時處理的辦法一般是并行處理或是在原采集視頻中隔幀處理。基于深度學習的人臉識別算法具有以下鮮明特征：淵1冤人臉識別速度快：人臉比對速度最高可以達到每秒數十次，在百萬級人口數據庫中搜索目標人臉的速度可達到秒級。淵2冤人臉識別準確率高：一般光照情況下的人臉識別準確率可達99%以上。淵3冤適用性強：不管是在白天還是晚上，對人臉識別算法不會有太大的影響。

3人臉識別的應用

3.1人臉識別的應用優勢

3.1.1采集方法簡單

人臉識別的圖像獲取，僅需要普通的攝像頭采集即可，不用像虹膜識別一樣采用造價昂貴的專用設備。

3.1.2準確度高

相對于指紋和虹膜，人臉具有更豐富的特征，能夠達到更高的準確度。3.1.3應用范圍廣、實用性強人臉識別不僅能夠提供比對的服務，還能夠保存對比圖像，對于一些需要調查取證的場合，具有更加直觀更加有價值的意義。

3.2人臉識別系統模式

根據應用場景和需求的不同，人臉識別系統一般分為兩種：3.2.1CS模式的人臉識別系統這種系統模式適合于項目需求簡單，可以和人臉識別系統功能能夠有機地結合在一起。比如人證比對系統，幼兒園的人臉識別門禁系統等。

3.2.2BS模式的人臉識別系統

有專門的人臉識別服務器，客戶端只要將檢測到的兩張人臉發送到后臺服務，后臺進行人臉的比對識別工作，將比對的結果返回給前端，前端根據是或否兩種情況作出相應的指令動作即可。這種系統模式適合于已經有成熟的業務系統，或是準備將復雜業務系統和人臉識別功能進行分離的情況。比如財政或醫：的管理系統需要添加人臉識別驗證登錄的功能，或是人臉驗證審核的功能。

3.3人臉識別的典型應用

3.3.1人證比對儀

人證比對儀是人臉識別技術最簡單最具代表性的應用，它能直觀地將人員證件照和攝像頭采集到的當前頭像進行1頤1的比對，在1秒鐘之內返回兩者的相似度，從而判斷是否匹配通過，準確率高達99%以上。主要應用于關卡、銀行窗口、會議安檢等需要人員的核實或是排查的場合。在關卡等處如果單使用人證比對儀，還需要人工監督是否通關放行，為了進一步減低人工成本，可添加閘機或門禁等控制設備，人證比對通過后，程序會向設備發送高低電平的信號量，控制設備開閉，實現自動放行。

3.3.2人臉考勤

人臉考勤是將人臉識別和考勤業務系統緊密聯系在一起的一種應用技術，從實現方法上可以分為直接刷臉考勤和人證比對考勤兩種。直接刷臉不需要工作人員持有任何證件，但是應用1：N的識別策略，準確率較低，不建議使用。人證比對需要工作人員持有能夠唯一標識本人的證件，身份證、工卡淵IC卡冤、二維碼等都可以作為有效證件使用，系統通過唯一標識找到該工作人員的系統存照和當前采集的人臉進行1:1比對，比對通過即可記錄考勤。第二種方法的準確率可達99%以上。

3.3.3人臉識別綜合應用系統

人臉識別綜合應用系統是以人臉識別為核心設計的一套應用系統，提供人員身份認證、人員布控、監測報警、數據查詢、信息比對、考勤統計等一系列的人臉識別服務。人臉識別服務和算法是整個人臉識別系統的核心技術，人員圖像庫、監測人員信息庫、業務信息庫等為系統提供海量數據的存儲服務，網絡攝像頭、移動設備、人像采集儀為人臉信息的輸入提供了豐富的入口。借助于這套系統，用戶淵特別是警察冤能夠快速確定嫌疑人身份，并通過各種攝像頭分析嫌疑人的行動線索，極大提高辦案效率。

4人臉識別系統應用效果

隨著計算速度和準確率的不斷提升，人臉識別的應用越來越廣泛。越來越多的企業或機構開始使用人臉識別的門禁或是考勤管理，邊境出入境關卡是最早并一直使用人臉識別技術的領域之一，而且推動了人臉識別技術的發展速度曰人臉識別雖然有一些無法克服的缺點，但仍然抵擋不住它如火如荼的發展趨勢。人臉識別技術不僅大大地減少了人力成本，也提高了工作的效率。無論人工智能如何發展，人臉識別是其中一個不可或缺的基本組成單位，具有強大而長遠的生命力。

參考文獻

[1]胡勤.人工智能概述[J].電腦知識與技術,2010,(5):3507-3509.

[2]高春庚，孫建國.基于統計的人臉識別方法綜述[J].安陽工學：學報,2012.

[3]姜賀.基于幾何特征的人臉識別算法的研究[D].大連理工大學,2008.

[4]劉小軍，王東峰，張麗飛，時永剛，鄒謀炎.一種基于奇異值分解和隱馬爾可夫模型的人臉識別方法[J].計算機學報,2003:340-344.

[5]宇雪垠，曹拓荒，陳本盛.基于特征臉的人臉識別及實現[J].河北工業科技,2009,(05):428-430+433.

[6]谷春亮，尹寶才，孔德慧，胡永利.基于三維多分辨率模型與Fisher線性判別的人臉識別方法[J].計算機學報,2005:97-104.

作者：車志宏1，焦子路2，劉榮2 單位：1.河北省財政廳信息中心，2.河北財華信息技術有限公司