人脸识别发展历史介绍
1 引言
在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。
然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。
本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。
2 人脸识别发展历史
人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍：第一阶段(1964年~1990年)
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometric feature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于1973年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。
第二阶段(1991年~1997年)
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。
美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(Normalized Correlation)方法一道成为人脸识别的性能测试基准算法。
这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。
贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析(Principal Component Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(Linear Discriminant Analysis, LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于核学习的改进策略。
麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。
人脸识别中的另一种重要方法——弹性图匹配技术(Elastic Graph Matching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换[12]特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。
局部特征分析技术是由洛克菲勒大学(Rockefeller University)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已商业化为著名的FaceIt系统，因此后期没有发表新的学术进展。
由美国国防部反毒品技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。
柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为2D形状和纹理两个分离的部分，分别用统计的方法进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(Face Alignment)和识别中，并出现了很多的改进模型。
总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。从技术方案上看， 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。
第三阶段(1998年~现在)
FERET’96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业
系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。
基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的3幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。
以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。
布兰兹(Blanz)和维特(Vetter)等提出的基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在3D形状和纹理统计变形模型(类似于2D时候的AAM)的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz的实验表明，该方法在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。
2001年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒15帧以上。该方法的主要贡献包括：1)用可以快速计算的简单矩形特征作为人脸图像特征;2)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习方法;3)采用了级联(Cascade)技术提高检测速度。
目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。
沙苏哈(Shashua)等于2001年提出了一种基于商图像[13]的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。
巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的方法解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。
FERET项目之后，涌现了若干人脸识别商业系统。美国国防部有关部门进一步组织了针对人脸识别商业系统的评测FRVT，至今已经举办了两次：FRVT2000和FRVT2002。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT2002测试就表明Cognitec, Identix和Eyematic三个商业产品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对37437人121,589 幅图像的人脸识别(Identification)最高首选识别率为73%，人脸验证(Verification)的等错误率(EER[14])大约为6%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT2002测试就表明：目前的人脸识别商业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。
总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting[15]的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。
3 结束语
人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更加深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模方法(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更加准确地逼近这些问题的正确答案。
计算所人脸识别课题组经过多年努力，终于逐渐进入了国际人脸识别竞争的第一方阵。我们提出的新颖算法、完成的高效识别系统也逐渐得到了国内外同行的认可。但我们也必须清醒地看到，在人脸识别领域，其实很难说谁的算法就比别的算法真正地好了多少。而且众多的研究人员正在加入进来，逆水行舟，慢进则退。我们必须付出更多的艰辛才能真正在算法和系统两方面超越前人，取得更大的研究成果!
作者简介：
山世光中国科学院计算技术研究所数字化技术研究室，助理研究员，博士
人脸识别发展历史介绍 1 引言 在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。 本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。
人脸识别研究综述 摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。 关键词：人脸识别研究现状应用与展望 一、概念 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 二、发展历史 人脸识别的研究历史比较悠久。高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。 三、过程与优缺点 人脸的识别过程： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。 (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库
摘要 人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向。虽然人脸识别的研究已有很长的历史，各种人脸识别的技术也很多，但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响，目前还没有一种人脸识别技术是公认快速有效的．本文主要讨论了人脸识别技术的一些常用方法，对现有的人脸检测与定位、人脸特征提取、人脸识别的方法进行分析和讨论，最后对人脸识别未来的发展和应用做了展望。 关键字：人脸识别，特征定位，特征提取
ABSTRACT Nowadays the face recognition technology (FRT) is a hot issue in the field of pattern recognition and artificial intelligence．Although this research already has a long history and many different recognition methods are proposed，there is still no effective method with low cost an d high precision．Human face is a complex pattern an d is easily affected by the expression，complexion and clothes．In this paper，some general research are discussed，including methods of face detection and location，features abstraction，and face recognition．Then we analyze and forecast the face recognition’s application and its prospects． Keywords: Face Recognition Technology, Face location，Features abstraction
人脸识别的研究历史比较悠久。高尔顿(Galton)早在 1888 年和 1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于 1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。尤其是 1990 年以来，人脸识别更得到了长足的发展。几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。 表 1 人脸识别发展历史简表 人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将 AFR 的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1 所示。该表格概括了人脸识别研究的发展简史及其每个历史 阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍。 第一阶段（1964 年~1990年） 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主
要技术方案是基于人脸几何结构特征（Geometric feature based）的方法。这集中体现在人们对于剪影（Profile）的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事 AFR 研究的研究人员除了布莱索（Bledsoe）外还有戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等。金出武雄于 1973 年在京都大学完成了第一篇 AFR 方面的博士论文，直到现在，作为卡内基-梅隆大学（CMU）机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。 第二阶段（1991 年~1997年） 这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET 人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics（现为 Identix）的 FaceIt 系统。美国麻省理工学院（MIT）媒体实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(Normalized Correlation)方法一道成为人脸识别的性能测试基准算法。这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里（Brunelli）和波基奥 Poggio）于 1992 年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观（Appearance- based）的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。 贝尔胡米尔（Belhumeur）等提出的 Fisherface 人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析（Principal Component Analysis，PCA，亦即特征脸）对图像表观特征进行降维。在此基础上，采用线性判别分析（Linear Discriminant Analysis, LDA）的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的 LDA 判别方法以及近期的一些基于核学习的改进策略。麻省理工学院的马哈丹（Moghaddam）则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，人脸图像对的相似度计算问题转换为一个两类（类内差和类间差）分类问题，类内差和类间差数据都要首先通过主成分分析（PCA）技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策（最大似然或者最大后验概率）的方法来进行人脸识别。 脸识别中的另一种重要方法——弹性图匹配技术(Elastic Graph Matching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征—— Gabor变换12特征，称为Jet；边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位
文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机
人脸识别综述 王军军 （西安交通大学，西安，710086） 摘要：人脸识别已成为多个学科领域的研究热点之一，本文对人脸识别的发展历史、研究现状进行了综述，系统地对目前主流人脸识别方法进行了分类针对人脸识别面临的挑战，着重对近几年来在光照和姿态变化处理方面的研究进展进行了详细沦述，并对未来人脸识别的发展方向进行了展望。 关键词：人脸识别，人脸检测，模式识别 一、引言 人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一。所谓人脸识别，是指给定一个场景的静态图像或动态视频，利用存储有若干已知身份的人脸图像的数据库验证和鉴别场景中单个或者多个人的身份[1]。人脸识别按照人脸信息的来源可以分为两类:基于静态人脸图像的识别和基于包含人脸的动态视频信息的识别。因为动态视频信息并不能明显提高人脸识别的性能，因此本文只研究基于静态人脸图像的识别[2]。 作为生物特征识别的一个重要方面，人脸识别在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。与指纹识别、视网膜识别、虹膜识别等[3]技术相比，人脸识别技术在数据采集方面手续比较简单，使用者更容易接受。人脸作为生物特征，虽然唯一性比指纹和虹膜要差[4]，在高安全性要求的系统中只能作为辅助手段。然而，对于一般安全性要求的身份验证和鉴别系统[5]，人脸识别技术已经足够应用了。 人脸识别研究在二十世纪六七十年代引起了诸多学科领域研究者的浓厚兴趣。进人九十年代后，随着各行业对人脸识别系统的迫切需求，人脸识别研究再次成为热门课题。当前世界各国有许多研究机构在从事这方面的研究，这些研究受到军方、警方以及大公司的高度重视和资助[6]。美国军方还专门组织了人脸识别竞赛以促进人脸识别研究的发展。经过三十多年的研究，人脸识别已经成为图像分析与图像理解领域最成功的应用之一研究人员提出了很多识别方法，建成了一些实验系统，也有一些成功的人脸识别商业软件投人市场。 人脸识别作为模式识别的一种，一般可以分为三个组成部分:从场景中检测并分割人脸;抽取人脸特征;匹配和识别人脸[7]。由于人脸检测已经发展成为一个独立的课题，具有特定的思想和方法，所以本文假定人脸已经被正确检测并从场景中分割出来。 二、人脸识别的方法 目前，人脸识别的方法大致可以分为以下几类：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法和多分类器集成的方法[8]。目前主流的方法有基于几何特征的方法和基于模型的方法。 2.1基于几何特征的方法 文献中记载最早的人脸识别方法就是Bledsoe[9]提出的基于几何特征的方法。该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸，以该方法建立的人脸识别系统是一个半自动系统，面部特征点必须由人手工定位。也正是由于人工的参与，该系统对光照变化和姿态变化不敏感[10]。 侧影[11](Profile)识别也是早期基于几何特征人脸识别的一个重要方法，其基本原理是从人脸的侧影轮廓线上提取特征点，将侧影转化为轮廓曲线，从中提取基准点，根据这些点之
现今随着人脸识别系统的不断成熟和完善，它也被人们广泛应用于社会的公共安全防范、刑侦、技侦、网络安全、金融安全等领域。接下来，我们就来具体了解一下。 一、人脸管理功能 1、名单管理。对名单库及库内名单进行管理。支持用户新增、修改、删除名单库，也可以对库内名单进行新增、修改、删除等动作。 2、资源管理。对布控点及布控点内的人脸采集摄像机、抓拍相机进行管理，可添加，修改，删除抓拍机。 3、布控管理。支持添加、编辑、撤销布控任务。 4、任务管理。支持对上传记录进行显示、查询及删除操作。可显示上传图片的记录，并按姓名、证件号和建模状态查询查看建模的黑名单、总数、成功数和失败数。 二、人脸应用功能 1、实时抓拍。基于前端高清摄像机或人脸抓拍相机，通过系统或抓拍相机在实时视频中检测人脸，跟踪人脸运动轨迹，截取到最清晰的一帧进行储存。并
把抓拍人脸照片、经过时间、相机地点信息等记录在路人库中，抓拍到并储存的人脸信息可作为检索数据库使用。 2、实时预警。支持抓拍图片与黑名单库的实时比对。支持预警接收的设置，在预警设置里,可选择预警接收的布控任务和布控范围。 3、历史预警。支持按布控任务、布控范围、布控对象、相似度、时间、报警确认形式进行单一条件或组合条件的查询。 4、人脸查询。支持对动态抓拍库、静态名单库的人脸查询。查询照片支持原图查看，详细信息查看，前后视频预览。 三、人脸识别优势 1、非接触性。人脸识别可以不接触人体，直接通过摄像头在一定距离内识别人的面部特征，达到辨别的目的，从而可以实现更大范围，更多方位的信息采集。 2、非侵扰性。人脸识别的非接触性也为被采集者带来了非侵扰性的体验。一方面对人脸的采集无需被采集者配合也无需工作人员干预。另一方面人脸属于暴露在外的生物特征，对人脸的识别采集更容易被大众接受。 3、硬件基础完善。人脸识别对硬件的需求主要体现在摄像头上，当前普及的智能手机均带有高像素的摄像头。同时，伴随国内视频监控体系建立的逐渐完善，城市中高清晰度摄像头的密度逐渐增加，因此相比需要特定的指纹识别设备等，人脸识别的硬件基础优势更加明显。 4、采集快捷便利。对基础设施的要求比较低和非接触的采集方式缩短了信息采集时间，提供了方便的采集方式。
人脸识别发展历史 1 引言 在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置 关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成 了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容 易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个 世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动 机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临 的挑战。 本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识 别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法， 简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了 一些简单的探讨。 2 人脸识别发展历史人脸识别是一个被广泛研究着的热门问题，大量的研 究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法 等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别 研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三 个阶段的研究进展情况作简单介绍： 第一阶段(1964年~1990年) 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采 用的主要技术方案是基于人脸几何结构特征(Geometric feature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于 人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈
人脸识别 发展历史 人脸识别系统得研究始于20世纪６0年代,８０年代后随着计算机技术与光学成像技术得发展得到提高，而真正进入初级得应用阶段则在90年后期,并且以美国、德国与日本得技术实现为主;人脸识别系统成功得关键在于就是否拥有尖端得核心算法,并使识别结果具有实用化得识别率与识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术,同时需结合中间值处理得理论与实现，就是生物特征识别得最新应用,其核心技术得实现,展现了弱人工智能向强人工智能得转化。［１］ 技术特点 传统得人脸识别技术主要就是基于可见光图像得人脸识别，这也就是人们熟悉得识别方式，已有3０多年得研发历史。但这种方式有着难以克服得缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统得需要。解决光照问题得方案有三维图像人脸识别与热成像人脸识别。但这两种技术还远不成熟,识别效果不尽人意。 迅速发展起来得一种解决方案就是基于主动近红外图像得多光源人脸识别技术.它可以克服光线变化得影响,已经取得了卓越得识别性能，在精度、稳定性与速度方面得整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。 人脸与人体得其它生物特征（指纹、虹膜等)一样与生俱来，它得唯一性与不易被复制得良好特性为身份鉴别提供了必要得前提,与其它类型得生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识得状态下就可获取人脸图像，这样得取样方式没有“强制性"； 非接触性：用户不需要与设备直接接触就能获取人脸图像;
人脸识别技术发展历史及前景 早在1988年Galton在《Nature》杂志上发表了一篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。直到二十世纪末期，人脸识别技术才有了根本性的突破。人脸识别技术的发展大体分为以下三个阶段。 第一阶段主要研究简单背景中的人脸识别和人脸识别过程中所需要的面部特征。Bledsoe的研究被认为是人脸识别研究的开端，在二十世纪六十年代中后期，利用人脸器官的局部特征来描述人脸，但这种方法仅对变形较小的正面人脸有一定的效果。到了二十世纪七十年代就有研发人员利用电脑搭建了质量较高的人脸灰度模型，此阶段面部识别过程几乎完全离不开操作人员，所构建的系统自动完成识别任务。这种方法简单直观，但是一旦人脸姿态、表情发生变化，则精度严重下降。但对设计机器识别人脸算法和系统工程师们起到了重要的引导作用。 第二阶段主要研究的是人机交互的人脸识别。Lesk和Harmon采用几何特征参数及多维特征向量共同描述人脸图像信息，同时基于这种思想开发了图像识别系统。Kobayashi 和Kaya将统计的识别相关理论融入人脸识别中，并采用欧氏距离来描述面部特征，比如嘴唇和鼻子的距离等等。Stonharm提出了一种单隐层的自适应神经网络来进行人脸识别和表情分析，每一个人对应一个网络。这个阶段没有摆脱人的干预，还是需要操作员的某些先验知识。 第三阶段是机器自动识别阶段。进入二十世纪九十年代，随着计算机配置的不断提高，运算速度和效率也不断加快，以及图像采集加工能力的提高，人脸识别方法有了重大突破。不仅能自动识别正面的、光照良好的、没有遮挡的人脸，而且对不同姿态变化、不同表情、不同年龄阶段、不同光照条件的人脸也能进行识别。这一阶段研究人员提出了很多人脸自动
创新，突破，改革，人脸识别技术走进生活！ 8月19日，第二十六届国际人工智能联合会议在澳大利亚墨尔本召开，9月12日，2017中国人工智能峰会在南京举行，据统计，前者中国参会人数接近参会总人数的1/4，大会展示和交流的科研成果约有1/3来自中国，超过了美国和欧洲的总和。后者是中国地区第一次超大型人工智能峰会，两大会议接连举行，AI发展势不可挡。而多次被提及的创新，突破，改革，已经成为了中国AI研究的主元素。 2017年，是人工智能元年。这一年，AI迎来了发展的第三次浪潮，深度学习，机器识别，语音识别，自动驾驶等技术和行业的应用在落地上循序渐进，政府的大力支持也让人工智能飞速发展。从移动互联网到生活服务，再到综合办公，人工智能技术已经越来越广泛地应用到了我们的生活当中。 而说到人工智能 就不得不提人脸识别技术 我们所处的时代，是一个看脸的时代 人脸识别技术在逐渐走向成熟 “刷脸”的时代已经成为了现实 人脸识别技术走进生活 从北京人民公园人脸识别取厕纸，到江苏人脸识别抓拍行人闯红灯，从远程人脸认证养老金领取资格到公司门禁考勤放行审核，从机场、火车站安检“刷脸”到公安安防管理“刷脸”，
从“刷脸”办理银行业务到“扫脸”支付购买商品……科幻电影中的“黑科技”，如今实实在在走进了我们的生活中。 应用领域 人证比对：驾照、签证、身份证、护照、投票选举、智能卡用户验证等等； 智能接入：接入控制设备存取、车辆访问、智能ATM、电脑接入、程序接入（CRM接入）、网络接入等； 安全维稳：安全反恐报警、登机、乘车、体育场观众扫描、计算机安全、网络安全、执法嫌疑犯识别、欺骗识别等； 人脸监控：校园监控、小区监控、公园监控、医院监控、街道监控、电网监控、入口监控等；人脸管理：人脸数据库人脸检索、人脸标记、人脸分类、多媒体管理人脸搜索、人脸视频分割和拼接等； 其他人脸应用：人机交互式游戏、主动计算、人脸重建、低比特率图片和视频传输等； 以公安应用为例，公安部门在查办案、处理事务时常常会遇到一些不明身份的人员，比如走丢的老人、小孩，拒不交代身份的嫌疑犯，无人认领的尸体等。传统的人工走访会浪费大量的人力物力也收效甚小。利用人脸识别检测系统，将目标人脸输入到系统中。系统毫秒间即可自动在海量人口数据库中进行查找比对，罗列出若干名疑似的人员信息。只需公安部门通过简单的人工干预方式，对系统结果进行筛选，就能得到目标的真实身份。 深度学习，为人脸识别准确度加速 中国有14亿人口，庞大的数据支撑成为了人脸识别准确度得以加速提升的重要条件。大数据为深度学习提供了学习的数据基础，使得人脸识别的错误率大大降低。人脸识别的应用都非常的关注误报条件下的识别性能，比如人脸支付需要控制错误接受率在0.000001之内；对于安防监控而言，可能需要控制在0.000000001之内(比如几十万人的注册库)。安防涉及维稳，涉及到民生领域财产安全，所需的人脸识别技术就更具有挑战性。
人脸识别研究背景历史与发展现状及研究范围和方法 1人脸识别研究背景 2人脸识别的发展历史和现状 3国外人脸识别的研究范围及主要方法 3.1人脸识别的研究范围 3.2人脸识别的研究方法 1人脸识别研究背景 人类进入21世纪，随着计算机和网络技术的日渐发达，信息安全体的隐患日益突出，自从911恐怖袭击以后，各国越来越重视社会的公共安全，信息识别与检测显示出前所未有的重要性，其应用领域之广，几乎可以包含社会的各个领域。现今生活中主要采用号码、磁卡、口令等识别方法，这些都存在着易丢失、易伪造、易遗忘等诸多问题。随着技术的不断发展，传统的身份识别方法已经受到越来越多的挑战，可靠性大为降低，势必出现新的信息识别和检测技术。人们逐渐的把目光转向了生物体征，这些都是人类遗传的DNA所决定的，并且每个人都拥有自己独一无二的生物体征。 生物识别技术大致可以分为两大类，一类是物体体征，例如指纹、虹膜、人脸、体味等。另一类是行为体征，例如书写、步频、惯性动作等，这些都可以通过现在的计算机图像处理技术进行识别。与其他人类的生理特征相比，人脸存在易采集、非接触、静态等优点，比较容易被大众所接受。 据调查，人与人接触时，90%的人是通过观察一个人的脸部特征来了解对方，获取对方的基本信息，这就是所谓的第一印象。虽然外部条件例如年龄、表情、光照等发生巨大变化，是一个人的面部特征发生巨大变化，但是人类仍然可以识别，这一现象说明人的脸部存有大量特征信息，通过提出人脸部的特征信息，就可以判断一个人。 人脸识别过程主要分为三个部分。首先，采集人脸图像样本。很多科研机构都建立的自己的人脸图像库，最著名的有美国国防部发起建立的FERET人脸库和英国剑桥大学建立的ORL人脸库；其次，进行特征提出，然后将提取的特征数据导入特征数据库；最后，鉴定某个人身份信息时，用特定的匹配算法将数据库中的特征数据通这个待识别人的人脸特征进行匹配，从而实现身份鉴定。 据相关市场调查，人脸识别技术在产业中占据一定份额，其主动、直接、简便、友好等特点，必将促进其持续增长。所以人脸识别技术的市场前景将十分广泛。
人脸识别行业投资分析文稿归稿存档编号：[KKUY-KKIO69-OTM243-OLUI129-G00I-FDQS58-
人脸识别行业投资分析 一、人脸识别行业背景 人脸识别是一种利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。与、掌纹识别、、识别等组成，是21世纪十大高科技之一，广泛应用于国家安全、军事安全、公共安全、企业安全和住宅安全管理领域。 国际上人脸识别技术研究历史不长，始于上世纪60年代，走过了面部特征、人机交互识别、自动识别三个阶段，逐步从系统集成到嵌入式，走向模块化、芯片化，美、日、欧取于领先地位。 我国的人脸识别技术始于上世纪80年代，得到863计划、国家科技支撑计划与自然科学基金的支持，清华、中科院计算所及自动化所的研究处于国际水平，浙大、交大、哈工大、复旦、南京理工等在国内领先。目前在学术领域正在克服人脸识别应用上的相似性、易变性、用户配合度、环境影响成像等问题，并向远距离、快速化方向发展。 二、人脸识别行业前景 我国的人脸识别行业才刚刚起步，90年代后期进入商业化阶段，以使用方便、直观性强、不易仿冒、识别精度高、设备通用性强等优势得以迅速推广应用，从2003年开始进入快速发展期，产品体系、技术标准逐渐完善；技术逐步获得市场认可，行业内企业数量持续增加；产品成本不断下降；各领域应用趋于普及，行业体系亦然成型。2007年上海颁布地方标准《重点单位重要部位安全技术防范技术要求》，在轨道交通、酒店、办公楼部分明确要求使用人脸识别装置。2009年8月北京《城市轨道交通安全防范技术要求》地方标准出台。 生物识别市场历史较短，但增速较快，每年达50%以上，2012年的市场规模约74亿。其中，人脸识别市场只短短的十多年的历史，处于产业化初始阶段和市场培育期，
深扒人脸识别60年技术发展史 “他来听我的演唱会,门票换了手铐一对”。最近歌 神张学友变阿SIR，演唱会上频频抓到罪犯，将人脸识别技术又一次推到了大众的视线中。要说人脸识别技术的爆发，当属去年9月份苹果iPhone x的发布，不再需要指纹，只需要扫描面部就可以轻松解锁手机。任何技术一旦进入智能手机这个消费市场，尤其是被苹果这个标 志性的品牌采用，就意味着它将成为一种趋势，一个智能设备的标配。 在智能手机快速崛起的这几年，其密码锁经历了从数字密码、 手势解锁到指纹识别的升级，发展到如今的虹膜识别和人脸识别。可 以预料的是，由于全面屏幕的普及和更为安全、便捷的 FaceID 技术 的出现，在不久的将来，指纹识别也将被智能手机厂商们所抛弃，完 成它的历史使命。那么人脸识别到底是一项怎样的技术，这期《趣科技》，与非网小编就将带大家走进人脸识别，聊聊这项黑科技。 人脸识别是啥玩意儿？ 人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生 物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自 动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列 相关技术，通常也叫做人像识别、面部识别。传统的人脸识别技术主 要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式。简单 的来说就是一个让计算机认出你的过程。人脸识别技术主要是通过人 脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像 的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个 阈值，当相似度超过这一阈值，则把匹配得到的结果输出。将待识别 的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸 的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一 进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的 过程。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术， 包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份