隨著大數據、共享時代的來臨，數據安全問題也越發被重視起來，以人臉識別為代表的新一代技術革命已經展開。這些對技術的要求越來越高，既要求數據的準確性，又要保證數據的安全性，人臉識別在這方面大有可為，作為行業的主力軍，企業的技術實力與創新能力決定著整個產業的走向，任何一點點技術的創新都可能帶來行業的變革。

51電子網公益庫存:

CC2592RGVR

CC2530F256RHAR

MSP430FW427IPMR

MSP430F5310IPTR

MSP430F5310IRGCR

ADS1230IPWR

STM32F103RET6

NRF24L01

NRF24LE1

AZ1117CH-1.8TRG1

BAV99W-7-F

1N4148WS-7-F

DMN3404L-7

2N7002-7-F

IP4369CX4-H500

MMBT2222A-7-F

DMG7430LFG-7

AZ431AN-ATRE1

1N5819HW-7-F

US1M-13-F

智能手機快速崛起的這幾年，其密碼鎖經歷了從數字密碼、手勢解鎖到指紋識別的升級，發展到如今的虹膜識別和人臉識別。可以預料的是，由于全面屏幕的普及和更為安全、便捷的 faceid 技術的出現，在不久的將來，指紋識別也將被智能手機廠商們所拋棄，完成它的歷史使命。

那么人臉識別到底是一項怎樣的技術，這期《趣科技》，與非網小編就將帶大家走進人臉識別，聊聊這項黑科技。

人臉識別技術，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。傳統的人臉識別技術主要是基于可見光圖像的人臉識別，這也是人們熟悉的識別方式。簡單的來說就是一個讓計算機認出你的過程。http://yushuo2.51dzw.com/

人臉識別技術主要是通過人臉圖像特征的提取與對比來進行的。人臉識別系統將提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。http://yushuo.51dzw.com/

廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。

早在20世紀50年代，認知科學家就已著手對人臉識別展開研究。20世紀60年代，人臉識別工程化應用研究正式開啟。當時的方法主要利用了人臉的幾何結構，通過分析人臉器官特征點及其之間的拓撲關系進行辨識。這種方法簡單直觀，但是一旦人臉姿態、表情發生變化，則精度嚴重下降。

1991年，著名的“特征臉”方法第一次將主成分分析和統計特征技術引入人臉識別，在實用效果上取得了長足的進步。這一思路也在后續研究中得到進一步發揚光大，例如，belhumer成功將fisher判別準則應用于人臉分類，提出了基于線性判別分析的fisherface方法。

21世紀的前十年，隨著機器學習理論的發展，學者們相繼探索出了基于遺傳算法、支持向量機（support vector machine， svm）、boosting、流形學習以及核方法等進行人臉識別。 2009年至2012年，稀疏表達（sparse representation）因為其優美的理論和對遮擋因素的魯棒性成為當時的研究熱點。

業界也基本達成共識：基于人工精心設計的局部描述子進行特征提取和子空間方法進行特征選擇能夠取得最好的識別效果。gabor及lbp特征描述子是迄今為止在人臉識別領域最為成功的兩種人工設計局部描述子。這期間，對各種人臉識別影響因子的針對性處理也是那一階段的研究熱點，比如人臉光照歸一化、人臉姿態校正、人臉超分辨以及遮擋處理等。也是在這一階段，研究者的關注點開始從受限場景下的人臉識別轉移到非受限環境下的人臉識別。lfw人臉識別公開競賽在此背景下開始流行，當時最好的識別系統盡管在受限的frgc測試集上能取得99%以上的識別精度，但是在lfw上的最高精度僅僅在80%左右，距離實用看起來距離頗遠。

2013年，msra的研究者首度嘗試了10萬規模的大訓練數據，并基于高維lbp特征和joint bayesian方法在lfw上獲得了95.17%的精度。這一結果表明：大訓練數據集對于有效提升非受限環境下的人臉識別很重要。然而，以上所有這些經典方法，都難以處理大規模數據集的訓練場景。

2014年前后，隨著大數據和深度學習的發展，神經網絡重受矚目，并在圖像分類、手寫體識別、語音識別等應用中獲得了遠超經典方法的結果。香港中文大學的sun yi等人提出將卷積神經網絡應用到人臉識別上，采用20萬訓練數據，在lfw上第一次得到超過人類水平的識別精度，這是人臉識別發展歷史上的一座里程碑。http://yushuo2.51dzw.com/

研究者們不斷改進網絡結構，同時擴大訓練樣本規模，將lfw上的識別精度推到99.5%以上。如表1所示，我們給出了人臉識別發展過程中一些經典的方法及其在lfw上的精度，一個基本的趨勢是：訓練數據規模越來越大，識別精度越來越高。

人臉識別關鍵技術

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所在位置。

人臉檢測算法的輸入是一張圖像，輸出是人臉框坐標序列，具體結果是0個人臉框或1個人臉框或多個人臉框。輸出的人臉坐標框可以為正方形、矩形等。

人臉檢測算法的原理簡單來說是一個“掃描”加“判定”的過程。即首先在整個圖像范圍內掃描，再逐個判定候選區域是否是人臉的過程。因此人臉檢測算法的計算速度會跟圖像尺寸大小以及圖像內容相關。在實際算法時，我們可以通過設置“輸入圖像尺寸”、或“最小臉尺寸限制”、“人臉數量上限”的方式來加速算法。

2、人臉配準(face alignment)

“人臉配準(face alignment)”所實現的目的是定位出人臉上五官關鍵點坐標。http://yushuo.51dzw.com/

人臉配準算法的輸入是“一張人臉圖像”和“人臉坐標框”，輸出是五官關鍵點的坐標序列。五官關鍵點的數量是預先設定好的一個固定數值，常見的有5點、68點、90點等等。

當前效果的較好的一些人臉配準技術基本通過深度學習框架實現。這些方法都是基于人臉檢測的坐標框，按某種事先設定規則將人臉區域摳取出來，縮放到固定尺寸，然后進行關鍵點位置的計算。另外，相對于人臉檢測，或者是后面將提到的人臉特征提取的過程，人臉配準算法的計算耗時都要少很多。

3、人臉屬性識別(face attribute)

“人臉屬性識別(face attribute)”是識別出人臉的性別、年齡、姿態、表情等屬性值的一項技術。這在有些相機app中有所應用，可以自動識別攝像頭視野中人物的性別、年齡等特征并標注出來。

一般的人臉屬性識別算法的輸入是“一張人臉圖”和“人臉五官關鍵點坐標”，輸出是人臉相應的屬性值。人臉屬性識別算法一般會根據人臉五官關鍵點坐標將人臉對齊，具體過程為旋轉、縮放、摳取等操作后，將人臉調整到預定的大小和形態，以便之后進行屬性分析。

人臉的屬性識別包括性別識別、年齡估計、表情識別、姿態識別、發型識別等等方面。一般來說每種屬性的識別算法過程是獨立的，但是有一些新型的基于深度學習實現的算法可以實現同時輸出年齡、性別、姿態、表情等屬性識別結果。

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化為可以表征人臉特點的特征，具體表現形式為一串固定長度的數值。

人臉提特征過程的輸入是 “一張人臉圖”和“人臉五官關鍵點坐標”，輸出是人臉相應的一個數值串(特征)。人臉提特征算法實現的過程為：首先將五官關鍵點坐標進行旋轉、縮放等等操作來實現人臉對齊，然后在提取特征并計算出數值串。

5、人臉比對(face compare)

“人臉比對(face compare)”算法實現的目的是衡量兩個人臉之間相似度。

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

6、人臉驗證(face verification)

“人臉驗證(face verification)”是判定兩個人臉圖是否為同一人的算法。

它的輸入是兩個人臉特征，通過人臉比對獲得兩個人臉特征的相似度，通過與預設的閾值比較來驗證這兩個人臉特征是否屬于同一人。

7、人臉識別(face recognition)

“人臉識別(face recognition)”是識別出輸入人臉圖對應身份的算法。

它的輸入為一個人臉特征，通過和注冊在庫中n個身份對應的特征進行逐個比對，找出“一個”與輸入特征相似度最高的特征。將這個最高相似度值和預設的閾值相比較，如果大于閾值，則返回該特征對應的身份，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集合中的說有人臉進行比對，根據比對后的相似度對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列即使人臉檢索的結果。

9、人臉聚類(face cluster)

“人臉聚類(face cluster)”是將一個集合內的人臉根據身份進行分組的算法。

人臉聚類也通過將集合內所有的人臉兩兩之間做人臉比對，再根據這些相似度值進行分析，將屬于同一個身份的人劃分到一個組里。

在沒有進行人工身份標注前，只知道分到一個組的人臉是屬于同一個身份，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。

在我們生活環境中，人臉認證系統中主要容易受到這種手段欺騙：

(1)用偷拍的照片假冒真實人；

(2)在公開場合錄的視頻或網上公開的視頻片段；

(3)用計算機輔助軟件設計的三維模型欺騙;

(4)用蠟或塑料等材質構造的三維雕像欺騙。

現在所以人臉活體檢測技術的研究顯得異常重要。對于照片欺騙，主要是根據分辨率、三位三維信息、眼動等來進行區分；對于視頻欺騙，根據三維信息、光線等來區分。

人臉識別技術用途：http://yushuo2.51dzw.com/

1、人臉識別技術應用于鐵路安防系統

隨著技術的進步，人員組織的不斷復雜化，鐵路安全形勢不斷面臨新的挑戰。火車票實名制有效阻止了不法分子進入車站，但是，目前鐵路客運安全檢查，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，辨別度很低。而人臉識別技術，準確度高、便捷性好，運用于鐵路安防系統，將極大的提高安防系統，強化通關，讓不法分子無空子可鉆。另外，人臉識別技術還能助力強化追溯，支持在超大的人像庫中定位查找對象，這將有力協助公安部門偵破案件，或抓捕在逃案犯。

2、人臉識別技術應用：

近年來，從中考、高考等升學考試，到執業資格、晉級升職等等考試，均不同程度地出現了替考現象，而利用人臉識別技術實現證件內照片特征和實時人臉照片特征比對識別，辨別考生身份，可防止考場替考現象的發生。人臉識別技術還可應用于校園，能有效地對進入校園的可疑人員做到預警。

3、人臉識別技術于智能城市：

隨著人類社會的不斷發展，未來城市將承載越來越多的人口，為實現城市可持續發展，建設智慧城市已成為當今世界城市發展不可逆轉的歷史潮流。而在智慧城市的建設過程中，需注重對信息的結構化存儲、分析挖掘，人臉的結構化云識別儲存是構建整個智慧城市基礎數據之一，是智慧城市云儲存體系中的不可或缺的一部分。通過智慧城市的高速數據傳輸鏈及結構化的數據篩選，可將人臉大數據與智慧城市中其它的大數據之間碰撞出火花，更加凸顯出人臉識別“用”的價值。

人臉識別技術不再僅僅局限在考勤、門禁行業的簡單應用，而是憑借其人臉的唯一匹配性以及安全優勢，受到高安全性環境應用領域的青睞。而廈門云脈技術近年來致力于人臉識別核心技術的研發與產品化，并推動其與各行業相結合，依托自研的人臉識別算法以及成熟的ocr識別技術，為切實解決不同行業難題，推出了不同的人臉識別解決方案。云脈人臉識別技術識別速度快，精度高，不受一些化妝、眼鏡等因素影響。

人臉識別技術難點：

人臉識別雖說發展到現在3、40年的時間了，但它一直存在的幾個難點，到現在也沒能徹底解決。

1、光照問題

光照問題是機器視覺重的老問題，在人臉識別中的表現尤為明顯。由于人臉的3d結構，光照投射出的陰影，會加強或減弱原有的人臉特征。

2、表情姿態問題

與光照問題類似，姿態問題也是目前人臉識別研究中需要解決的一個技術難點。姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正而人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識別的準確率。

3、遮擋問題

對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往彼監控對象都會帶著眼鏡，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別，甚至會導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，特別是對于青少年，這種變化更加的明顯。對于不同的年齡段，人臉識別算法的識別率也不同。一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對于不同的年齡段，人臉識別算法的識別率也不同。

5、人臉相似性

不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區分人類個體是不利的。

6、圖像質量

人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率、噪聲大、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等)如何進行有效地人臉識別是個需要關注的問題。同樣的，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。

7、樣本缺乏

基于統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。

8、海量數據

傳統人臉識別方法如pca、lda等在小規模數據中可以很容易進行訓練學習。但是對于海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。

9、大規模人臉識別

隨著人臉數據庫規模的增長，人臉算法的性能將呈現下降。http://yushuo.51dzw.com/

國內研究人臉識別的公司有哪些

2015年以來，已有騰訊、阿里、民生銀行等多個行業巨頭紛紛加碼人臉識別產業。國內外巨頭紛紛加碼人臉識別技術，將直接助推產業的爆發性增長。想知道具體企業以及方向，可以閱讀下方表格：

最近歌神張學友變阿sir，演唱會上頻頻抓到罪犯，將人臉識別技術又一次推到了大眾的視線中。要說人臉識別技術的爆發，當屬去年9月份蘋果iphone x的發布，不再需要指紋，只需要掃描面部就可以輕松解鎖手機。任何技術一旦進入智能手機這個消費市場，尤其是被蘋果這個標志性的品牌采用，就意味著它將成為一種趨勢，一個智能設備的標配。

文章來源：eefocus