人脸识别技术发展与应用综述

摘 要：本文概述了人脸识别技术的概念与研究发展历程，介绍了人脸识别的主要技术和识别方法及其优缺点，对人脸识别技术的应用情况进行总结，并今后的发展方向进行了展望。

关键词：人脸识别;人脸检测;人脸识别方法;应用趋势

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064（2019）23-0043-02

随着社会信息化、智能化、网络化的迅猛发展，个人信息泄露问题愈发严重，越来越多人开始关注个人身份信息的安全保障。作为生物识别技术之一的人脸识别技术在身份识别、公安刑侦、电子商务、金融服务、家庭生活等各领域中被广泛运用并发挥了重要作用，为个人身份信息安全提供了重要保障，对提高生活服务效率、防止社会犯罪具有重要意义。

1 人脸识别的概念

人脸识别是指利用计算机技术强大的分析、比较功能对人的脸部特征进行识别，以进行人物区分的一项技术。即用相机或摄像机釆集含有人脸的图像或视频流，并自动在图像或视频中检测和跟踪人脸，进而对人脸进行识别，通常也称为人像识别、面部识别。人脸识别技术具有易实施、易识别、非接触和快捷友好等优势，近年来成为人工智能领域研究和应用的热点。

2 人脸识别技术的发展历程

自上世纪六十年代，人脸识别技术的研究开始，经过近20年的时间，其在计算机及光学成像技术发展的推动下，取得了进一步发展，九十年代后期进入初级应用阶段。人脸识别技术发展大致可以分为三个阶段[1]：

（1）第一阶段（1964年-1990年早期阶段）。该阶段主要针对人脸面部几何结构特征开展研究，即采用正面人脸图像或侧脸图像中可计算的比较精确的几何结构特征来识别人脸，并将研究重点在提取和分析面部剪影曲线的结构特征方面。阶段性研究成果不明显，也缺乏实际的应用。

（2）第二阶段（1990年-1998年）。这个阶段人脸识别研究十分火热，仅1990年到1998年之间EI可检索的相关文献就多达数千篇[2]，研究的重点是基于采用多维特征矢量表示的人脸面部特征，但在判断时需要用到先验知识。随着高速度高性能计算机的出现，人脸识别方法有了重大突破，国外有很多大学在此时取得了很大进展，研究涉及的领域很广，其中，美国麻省理工学院的Turk和 Pentland提出了这一时期内非常有名的算法“特征脸”（Eigen-face）[3]。

（3）第三阶段（1998年-现在）。该阶段是人脸识别技术迈向商业化并广泛运用的阶段，研究的重点是面向真实条件的人脸识别问题，研究的热点及难点主要聚焦在不理想光照强度、人脸姿势不到位对人脸识别的影响及改进方面。此外，重点向基于3D模型的人脸建模与识别方法研究方面发展。

从提出到实践应用，人脸识别技术走过了漫长的60多年，并吸引了越來越多的学者及互联网企业对其进行研究。随着算法、技术的日驱成熟以及新产品的不断研发，如百度公司开发的人脸识别开放平台和旷视公司开发的Face++人脸识别开放平台，其在人脸的识别和匹配方面的成功率越来越高。

3 人脸识别的主要技术

人脸识别技术主要包含三个方面：人脸检测、人脸跟踪和人脸比对，上述三个方面均有多种成熟的技术对其进行处理。

（1）人脸检测：人脸检测主要是利用特征子脸法、样品学习法、人脸规则法等[4]方法检测图像或视频中是否存在人脸区域，以将其分离出来，检测过程中上述方法可综合运用。

（2）人脸跟踪：人脸跟踪主要是利用肤色模型跟踪或基于运动与模型相结合的方法对检测到的人脸区域进行动态目标跟踪。

（3）人脸比对：人脸比对是指对利用特征向量法或面纹模板法在现有的数据库中对被检测到的人脸区域进行目标搜索和比对，以找到最优匹配对象，比对的效率和性能由人脸特征的描述方式所决定，综合运用特征和模板将有助于比对效率的提升。

4 人脸识别的主要方法

用于人脸识别的方法多种多样，主要有基于特征脸（PCA）、几何特征、神经网络、弹性图匹配、模板匹配的人脸识别方法，现也涵盖深度学习算法。

4.1 基于特征脸的人脸识别方法

在20世纪90年代初，Turk首次提出基于特征脸的人脸识别方法[3]。首先按照从上到下、从左到右的顺序，将一幅人脸图像所有像素的灰度值组成一个高维向量，然后通过主成分分析法，将人脸图像降维，之后采用线性判别分析，进而识别人脸。该方法具有计算简单、使用方便、效果良好的优点。但是它对于拍照角度、拍照环境、光照强度等外界因素要求很高，进而导致识别准确率较低。

4.2 基于几何特征的人脸识别方法

基于几何特征的人脸识别方法是Bledsoe最先提出的。该方法主要是对面部特征点进行几何运算，计算得出描述每个面部关键位置的持征矢量。目标人脸由这些特征矢量表示出来，再与数据库中的人脸进行比对，找出最为匹配的人脸。该方法优点：操作简便，浅显易懂，占据存储空间小，识别速度快，光照影响小。但当表情或者姿态发生变化时，面部器官位置也随之变化，使提取的特征不够稳定，加之整个图像的很多细节信息被忽略，导致识别率较低。

4.3 基于神经网络的人脸识别方法

基于人工神经网络的人脸识別研究方法主要采用BP神经网络学习算法。1997年Lin.等研究了一种基于神经网络的全自动人脸检测系统，在当时引起了很大反响。人工神经网络优秀的学习能力、分类能力使得对人脸进行持征提取与识别更加容易。神经网络方法通过学习过程，避免了复杂的特征提取工作，使获得人脸识别规律的隐性表达更加容易。

4.4 基于弹性图匹配的人脸识别方法

弹性图匹配方法是基于动态链接结构的一种算法。Lades等人在1997年首次将该方法用于人脸识别并取得了较好效果[5]。使用该方法时，通过与目标图像相近模型图的寻找，和对图中的每个节点位置进行相似度匹配，然后生成一个各节点与模型图中对应点位置相近的拓展图。该方法受光照、表情等因素影响较小，优于特征脸方法。但计算速度慢，占据存储空间大。

4.5 基于模板匹配的人脸识别方法

基于模板匹配的方法预先给定包含了人脸特征的标准模板，但这些模板的长宽比例不同。然后在全局范围内，通过不断迭代来更改模板大小，根据这些模板与待测对象的相似性大小进行比对和识别，寻求量佳匹配。早在1993年，Poggio和Brunelli就对上述两种方法进行过比较，并得出模板匹配方法比几何特征方法识别率高的结论[6]。

4.6 基于深度学习的人脸识别方法

深度学习能够模拟人类视觉感知神经系统的认知学习，从而获得更具表征力的高层特征。2012年，Lee H等率先将深度学习用于LFw数据库的人脸识别。他们采用无监督的持征学习方法，取得了87%的识别率。目前，深度学习算法的识別率已经达了99.47%，基至超过了人眼的识别率。该方法通过学习得到更有意义的数据，并且能建立更精的模型。然而，训练摸型需要很长时间，并且要不断地迭代来进行模型优化，但不能保证得到全局最优解。

5 人脸识别技术的应用与展望

目前人脸识别已在安保系统、交通运输、电子商务、金融行业、刑侦查案、社会保障、军队等领域广泛应用，“刷脸”已渗透到大众生活的方方面面，人脸识别系统的应用已经为我们带来了良好的生活体验。

各大银行、科技馆、企事业单位等为了更好地进行身份认证，纷纷广泛运用人脸识别技术，以当前最为火热的“刷脸”考勤来说，运用人脸考勤系统的正确率已相当高[7]。同时，人脸识别技术在安全防护方面的应用也相当广，在诸如政府机关、机场、档案单位这种安全级别较高的区域，均采用了基于人脸识别的门禁系统来进行身份验证以加强安全防护。利用人脸识别技术相当于把人脸作为通行证，其关键技术是运用扫描设备对人脸图像进行扫描，以输入预先录入的人脸库进行比对，若比对结果一致，则能顺利通过门禁系统，否则门禁系统关闭。苹果公司在2017年发布iphone X时就用人脸识别替代了以往的指纹识别，用户通过刷脸解锁手机，进一步保障了个人信息安全。此外，人脸识别技术在笔记本电脑等私人物品、各种以Apply pay为代表的在线支付，以及各种需要验证的APP中都运用极广。

与此同时，人脸识别技术在公安破案领域的应用也进入到实践阶段，美国在2104年投入10亿美金建设电子识别系统以锁定嫌疑人;日本于2015年在入境审查方面引入了智能化人脸识别系统。

在医療领域，张勐、刘哲等人创新性地将人脸识别应用到医院各领域，一方面，对防止医生乱开药、开错药起到了很好的效果。另一方面，在疾病的辅助诊断方面，人脸识别技术也开始发挥作用。以内分泌疾病的诊断为例，运用人脸识别技术提取并分析比对患者的脸部特征数据，可以帮助医生更好地判断患者的疾病类型。

今后，随着智能化手段的不断发展和AI技术的不断深入研究，人脸识别技术将会应用到更多的生活领域，我们预计，人脸识别技术将呈现出以下发展趋势：

（1）不断加强的网络化趋势，人脸识别技术可以解决日常生活中的身份识别问题，未来这项技术将会越来越多地跟各行各业的应用结合起来，并通过无处不在的网络实现信息共享，发展出“人脸识别+物联网”的新应用模式。

（2）多种生物识别模式融合趋势，目前人脸识别技术尚无法达到预期体验，对于安全性要求很高的特殊行业应用，如金融行业，尚存在安全漏洞，容易被不法分子利用，因此需要融合多种生物特征识别技术（如活体检测、虹膜识别等）来确保安全性。

（3）3D人脸识别技术将不断发展，基于3D的人脸识别算法能够弥补2D投影造成有效识别信息丢失的问题，可以很好地解决人脸旋转、遮挡、极度相似的传统难点问题，随着3D人脸库的完善以及设备成本的降低，3D技术未来将有很大发展空间。

参考文献

[1] 左腾.人脸识别技术综述[J].软件导刊，2017，16（02）：182-185.

[2] 何欢，肖强，王春莉，等.人脸识别技术发展现状及趋势分析[J].情报探索，2016（11）：41-47.

[3] Turk M，Pentland A. Eigenfaces for recognition.[J].Journal of cognitive neuroscience，1991，3（1）：71-86.

[4] 尚丽，陈杰，张愉.人脸自动识别技术综述[J].苏州市职业大学学报，2010，21（01）：1-12.

[5] Zhang J， Yan Y， Lades M. Face recognition： eigenface， elastic matching， and neural nets[J].Proc IEEE，1997，85（9）：1423-1435.

[6] Brunelli R， Poggio T. Face Recognition： Features Versus Templates[J].IEEE Trans.pattern Anal. & Mach.intell，1993，15（10）：1042-1052.

[7] 卢文峰.人脸识别研究技术发展综述[J].电子世界，2017（17）：97.

推荐访问： 技术发展 综述 识别

---