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。
2人脸识别的发展历史和现状
人脸识别的应用领域十分广泛，在绘画、法医学、心理学、医学、人类学、金融、安保等领域，都有非常重要的应用。
人脸识别最早的研究可以追溯到19世纪法国人Galton的工作。而我国的研究则起步于上世纪80年代，虽然起步较晚，但是却取得了很多研究成果。人脸识别大致可以分为三个发展阶段：
第一阶段是一般性模式下脸部特征研究，所采用的主要技术方案是基于人脸几何结构特征的方法，Bertillon用一个简单的语句将人脸与数据库中特征数据联系。人工神经网络一度曾经被研究人员拥有人脸识别问题中。这一阶段是人脸识别的初级阶段，重要成果不多，人工依赖性较强，基本没有实际应用。
第二阶段是人脸识别的成果井喷期，诞生了很多具有代表性的人脸识别算法，美国军方组织了著名的FERET人脸识别算法测试，并且同时期出现了商业化的人脸识别系统，比如最为著名的Visionics的FaceIt系统。
麻省理工学院媒体实验室的Turk和Pentland提出的“Eigenface”方法无疑是这一时期内最为优秀的方法。这一方法被证明是使原始图像与重构图像之间的均方误差极小化的最佳压缩方式。
第三阶段是真正的机器自动识别，这一阶段主要克服光照、姿态、表情变化时对人脸识别的准确性的影响。随着人脸识别的深入研究，很多研究者进行了专门的攻关并且取得了一定的进展。
Pentland等人提出的基于视角的特征脸方法为每个视角构建一个特征空间，取得了比标准特征脸方法更高的性能。Huang等人在基于视角的特征脸方法的基础上，采用神经网络集成的方法，实现多视角人脸识别。
由Blanz等人提出的三维可变型模型方法是一类应用广泛的方法。该方法对三维空间中成像过程进行模拟，通过用一个三维可变型的人脸模型对图像进行拟合，从图像中估计出人脸的三维形状和纹理信息。这种方法能够克服不同的姿态和光照的影响。结果表明其具有较好的识别性能，在10人的2000张图像上的实验识别率为88%。
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
人脸识别的研究范围大致包括以下四大内容：
①人脸定位和检测：对给定的一幅图像先检测是否是人脸，若有则确定其在图像中的范围，并对其进行分割提取。人脸由于是非刚性的物体，容易受外界环境的影响而发生变化，所以人脸识别检测定位技术十分重要。
②人脸特征抽取：通常机器判定图像为人脸后，用一些算法提取出人脸部的特征数据，然后存入人脸数据库。最主要的几种算法是特征脸和代数特征。
③人脸识别：就是对未知的一张人脸图像与人脸数据库中的进行比较，得出相关结果。这一过程最重要的是选择合适的匹配算法。人脸识别包括人脸验证（face verification）和人脸辨识（face identification）。
④外界干扰项分析；对外界的环境影响进行归类总结并且加以分析。改进算法从而克服这些因素的影响。
3.2人脸识别的研究方法
人脸识别的研究方法根据研究角度的不同可以有不同的分类。目前人脸识别方法的研究方向主要有两个：其一是基于整体的研究方法,它主要是考虑了模式的整体属性, 包括特征脸(Eigen face) 方法、模板匹配方法、弹性图匹(elastic graph matching) 方法、隐马尔可夫模型(Hidden Markov Model) 方法以及神经网络方法等；其二是基于特征分析的方法, 也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量。这种基于整体脸的识别不仅保留了人脸主要特征部件之间的拓扑关系,而且也保留了各部件本身的信息。基于特征分析的识别是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。两种方式的人脸识别方法各有优点，基于整体的识别保留了更多信息，基于人脸特征分析的识别比基于整体的方法直观，它提取并利用了最有用的特征，如关键点的位置以及部件的形状分析等。基于整个人脸的识别把整个人脸图像作为识别模式，光照、视角以及人脸尺寸会对人脸识别有很大的影响，因此，如何能够有效地去掉这些干扰是关键问题。基于特征部件分析的人脸识别方法的困难在于如何建立好的模型来表达识别部件。近年来的发展趋势是将人脸的整体识别和特征分析结合起来，如Kin-Man Lam 提出的基于分析和整体的方法，Andreas Lanitis 提出
的利用可变形模型(Flexible Models) 来对人脸进行解释和编码的方法等等。
①模板匹配法是一种经典的模式识别方法，它充分利用了人脸的纹理和灰度特征。它的识别方法就是将待识别的人脸图像与数据库中所有的模版进行比较，找出最相近的脸。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛、嘴巴、鼻子、眉毛和下巴等模板。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度高的边缘，也很难从中自动提取所需的特征量。后来改进用弹性模板方法提取特征。弹性模板是由一组根据特征形状的先验知识来设计可调参数来定义的。这个参数是由能量函数来决定的，首先利用图像的边缘、峰值、谷值和强度信息以及特征形状的先验知识设计能量函数，然后将参数向能量函数减小的方向调整，当能量函数达到最小时，这组参数所对应的模板形状最符合特征形状。在识别率上基于弹性模板的方法比基于几何特征的识别方法要好，尽管基于几何特征的识别方法识别的速度快，而且要求的内存也小。有人专门对基于几何特征的识别方法和基于弹性模板的识别方法进行了比较，得出的结论是：模板匹配法优于几何特征法。
②特征脸方法是从主成成份分析(Principal Component Analysis， PCA)导出的一种人脸识别和描述技术，实质上是通过K-L(Karhunen-Loeve)变换来实现的，K-L变换是图像压缩技术中的一种最优正交变换。特征脸方法起源于图像描述技术。Kirby 和Sirovich 用主成成份分析有效的表达了人脸图像。他们对给定的一组原始人脸图像集合，计算图像压缩最好的坐标系统，每个坐标事实上是他们定义为特征图(Eigen pictures)的图像。他们认为从理论上来说，任何人脸图像集合都可以用两个集合近似的重建，其一是每个人脸的权值集合，其二是一组标准的图像集合(Eigen pictures)。人脸的权值通过将人脸投影到对应的特征图像得到。Turk和Pent land认为如果大量的人脸图像可以由一组特征图像的加权来重建，那么有效的人脸识别方法就是通过长期的经验建立特征图像，通过比较重建图像所需要的特征权值识别人脸。因此，每一个人脸都可以用一组重建的权值表示。简单地说，就是将一高维的向量，通过一个特殊的特征矩阵，投影到一个低维的向量空间，表征为一个低维向量，并保留主要信息。即通过低维表征的向量和特征向量矩阵就可以完全重构出所对应的高维向量。这种表达相对于图像本身就是一种高度压缩的方式。
概括的说，特征脸方法的基本思想就是：通过K-L变换，得到高维图像空间的一组正交基，保留其中较大特征值对应的正交基，组成特征脸空间，然后将
新人脸图像投影到特征脸空间中，得到一组投影向量，作为识别的特征向量，比较其与已知人脸在人脸库中的位置，从而判断它是否是库中的人脸，如果是，是哪一幅人脸。特征脸方法把人脸图像作为一个整体来编码，而不关心眼、嘴、鼻等单个特征，从而大大降低了识别的复杂度。此方法的主要缺点是目前还没有一个快速的求解特征值和特征向量的算法，每一张新脸入库，都要重新计算特征值和特征向量，费时较多。优点是：图像的原始灰度数据可直接用来学习和识别，不需要任何初级或中级处理；不需要人脸的几何和反射知识；通过低维子空间表示进行有效压缩；与其他匹配方法相比，识别简单有效。为了解决上述缺点，研究人员在此基础上发展了许多改进方法：如将特征脸与线性判别函数相结合，可以使得对光照及人脸表情不太敏感。
③隐马尔科夫模型(Hidden Markov Model，HMM)是用于描述信号统计特性的一组统计模型。HMM使用马尔科夫链模拟信号统计特性的变化，而这种变化又是间接地通过观察序列来描述的，因此，隐马尔科夫过程是一个双重的随机过程。HMM的基本理论是由Baum和Welch 等人在20世纪60年代末70年代初建立，在语音识别中应用较多。在HMM中节点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同状态表现出这一特征的概率不同。HMM有三个主要问题：评估、估计及解码。关键是前两个问题。评估用于解决识别问题，一般采取比较有效的“向前一向后”法；估计用来产生用于识别的各个单元的HMM，采取Baum Welch方法。Samaria最早提出人脸的HMM模型，他将人脸的五个显著区域，包括头发、额头、眼睛、鼻子和嘴巴，看成5个不同的状态，它们的秩序依次从上到下保持不变。五个状态是抽象的，不具有具体的意义，只能通过观察序列对它进行估计。HMM的优点是允许人脸表情有较大变化，较大的头部转动，缺点是实现的复杂度较高。
④由于人工神经网络(Artificial Neural Network，ANN)对复杂模式的良好分类能力，导致该方法在人脸识别中得到了广泛的应用。神经网络模型各种各样，它们从不同的角度对生物神经系统进行了不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络、Hopfield模型等。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都是采用BP网络及其变化形式，它是人工神经网络最精华的部分。BP网络主要用于函数逼近、模式识别、数据压缩等领域。使用BP神经网络作为模式分类器时，其节点数取决于数据源的维数，即特征空间的维数。但是人们在进行模式采集时，总是尽可能的多采集测量数据的多个特征值，致使样本维数很大。样本维数很大首先带来的问题是处理的困难，处理时间的消耗和费用都会很大，有时直接用于分类甚至是不可能的，即所谓“维数灾难”。其次，在过多的数据量中，有的可能对
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。
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
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
人脸识别技术优势 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中[4]，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，人脸识别具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势： 1.人脸识别使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 2.直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。 3.识别精确度高，速度快。与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。 4.不易仿冒。在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。 5.使用通用性设备。人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。 6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。 7.成本较低，易于推广使用。由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。 概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。 我将人脸识别的一些应用列举出来，希望抛转引玉，大家不断完善，开拓更多的应用领域。 1）监控布控
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
人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：
人脸识别系统的原理与发展 一、引言 人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大； 二、概述 人脸识别系统概述 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。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。 人脸识别系统功能模块 人脸捕获与跟踪功能：人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。 人脸识别比对：人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 人脸的建模与检索：可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。
人脸识别技术的新发展阅读答案（2014呼和浩特中考试题） 人脸识别技术的新发展 刘露 ①《谍中谍4》中有一些令人炫目的场景：身在茫茫人海中，一眨眼的功夫已被潜藏着的对手认出，随即被盯梢；对手迎面来时，你的手机立刻发出嘀嘀的报警声，上面已经显示他的姓名和信息……我们不禁要问：这是真的吗？事实上，这些情景不仅仅是电影特技，人脸识别技术已经让科幻成为现实。 ②人脸识别的过程其实并不复杂。首先是人脸检测，即判断输入图像中是否存在人脸，如果有，便给出每个人脸的位置、大小；其次是面部特征定位，即对找到的每个人脸，检测其主要器官的位置和形状等信息；最后进行人脸比对，根据面部特征定位的结果，与数据库中人脸对比，判断该人脸的身份信息。这种生物识别技术与传统的身份鉴定方式相比，有着自身的特点。人脸识别技术的最大特点就是识别过程精度高、速度快，运用起来就更具保密性和方便性。 ③硬件设备方面，苹果正在研究一些方法让用户使用人脸识别技术方便地开关和控制电子设备。这种技术最终会让iPhone和iPad具备人脸解锁功能。联想在新款的笔记本电脑上也配备了人脸识别技术，凭借这种技术，笔记本电脑的主人在登录系统时，就可以免去输入密码的麻烦而直接进入系统。 ④网络应用方面，尤其是社交网络应用，很多社交产品开始利用人脸识别使影像信息和用户的社交网络个人资料连接起来。使用人脸识别技术，让普通用户的面孔直接与网站上的背景资料、好友关系匹配。 ⑤腾讯推出了“搜搜慧眼”，这是一个基于人脸识别的社交产品。用户将手机切换到人脸识别模式，启动“明星脸识别”功能，“慧眼”会自动识别照相镜头中的人脸，并将之拍下来；随后，它会在网上寻找与这张脸最相似的明星的脸显示出来，并对服饰、妆扮等细节进行点评。 ⑥在计算机技术、网络技术和人工智能技术日新月异的今天，高速发展的人脸识别技术将会有更广阔的舞台来展现其价值。也许就在明天，人脸将成为我们电子生活中的重要名片和标签。人脸识别技术将体现在我们生活的方方面面，改变我们的生活方式。 （选自《百科知识》，有删改） 1．文章的说明顺序是（1分） 2．根据文章内容，请你说说什么是“人脸识别技术”。（3分） 3．文章第①段《谍中谍4》中令人炫目的场景，侧重表现了人脸识别技术的特点。（2分） 4．“之前，人脸识别大多用于门禁识别或公安机关追踪等大型应用。现在，人脸识别技术已经逐渐进入人们的日常生活。比如登录电脑、方便网络社交等都可以用到这项技术。”这是从文中抽出的一段话，将其还原，正确的位置应是（2分） A．①和②之间B．②和③之间 C．③和④之间D．⑤和⑥之间
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
2019年我国人脸识别技术发展情况 及发展趋势综合分析 2019年2月14日 一、全球生物识别细行业市场占比情况分析 生物识别指的是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。 用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计2015-2020年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为100%；虹膜识别为100%；指纹识别复合增长率为73%。
全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。其中，2014年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为97.52%，可以说深度学习技术让计算机人脸识别能力超越人类的识别程度。
人脸识别与其他生物识别方式相比，优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。 2、3D人脸识别与2D人脸识别数据对比 目前，国内的人脸识别技术已经相对发展成熟，该技术越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品，产品系列达20多种类型，可以全面覆盖煤矿、楼宇、银行、军队、社会福利 保障、电子商务及安全防务等领域，人脸识别的全面应用时代已经到来。 中游人脸识别技术的进步，是推动下游场景应用拓展的关键所在。目前，人脸识别市场的解决方案主要包括2D识别、3D识别技术。市场上主流的识别方案是采用摄像头的2D方案，但由于人的脸部并非 平坦，因此2D识别在将3D人脸信息平面化投影的过程中存在特征信息损失。3D识别使用三维人脸立体建模方法，可最大程度保留有效 信息，因此3D人脸识别技术的算法比2D算法更合理并拥有更高精度。
人脸识别技术发展及应用分析 人脸识别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。用摄像机采集人脸图像，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处理，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。 市场现状 人脸识别技术的研究始于20世纪60年代末期。 20世纪90年代后期以来，一些商业性的人脸识 别系统逐渐进入市场，但是，这些技术和系统离 实用化都有一定距离，性能和准确率也有待提高。 美国遭遇恐怖袭击后，这一技术引起了广泛关 注。作为非常容易隐蔽使用的识别技术，人脸识 别逐渐成为国际反恐和安全防范重要的手段之一。 近年来，人脸识别在中国市场，也经历着迅速的 发展，而且发展的脚步也越来越快。主要原因有以下两方面。 科技的进步 国际上，美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test 2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别 精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。在我国，近年来科技界和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。 应用需求的增加 越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎 苛刻，各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，
单选题 1.（）是自然语言处理的重要应用，也可以说是最基础的应用。（3.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 我的答案：C√答对 2.（），中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。（ 3.0分） A.2018年3月15日 B.2018年10月31日 C.2018年12月31日 D.2019年1月31日 我的答案：B√答对 3.（）是通过建立人工神经网络，用层次化机制来表示客观世界，并解释所获取的知识，例如图像、声音和文本。（3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：A√答对 4.生物特征识别技术不包括（）。（3.0分） A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 5.（）是指直接通过肢体动作与周边数字设备和环境进行交互。（3.0分） A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 6.下列对人工智能芯片的表述，不正确的是（）。（3.0分） A.一种专门用于处理人工智能应用中大量计算任务的芯片 B.能够更好地适应人工智能中大量矩阵运算 C.目前处于成熟高速发展阶段 D.相对于传统的CPU处理器，智能芯片具有很好的并行计算性能 我的答案：C√答对
7.下列选项中，不属于生物特征识别技术的是（）。（3.0分） A.步态识别 B.声纹识别 C.文本识别 D.虹膜识别 我的答案：C√答对 8.立体视觉是（）领域的一个重要课题，它的目的在于重构场景的三维几何信息。（3.0分） A.人机交互 B.虚拟现实 C.自然语言处理 D.计算机视觉 我的答案：D√答对 9.（）是人工智能的核心，是使计算机具有智能的主要方法，其应用遍及人工智能的各个领域。（3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：B√答对 10.关于专用人工智能与通用人工智能，下列表述不当的是（）。（3.0分） A.人工智能的近期进展主要集中在专用智能领域 B.专用人工智能形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能 C.通用人工智能可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题 D.真正意义上完备的人工智能系统应该是一个专用的智能系统 我的答案：D√答对 多选题 1.人工智能研究范畴广泛而又异常复杂，其发展需要与（）和社会科学等学科深度融合。（4.0分）） A.计算机科学 B.数学 C.认知科学 D.神经科学 我的答案：ABCD√答对 2.机器学习的相关算法包括（）。（4.0分）） A.轨迹跟踪 B.决策树 C.数据挖掘 D.K近邻算法 我的答案：BCD√答对 3.目前，深度学习主要包括（）。（ 4.0分））
人脸识别技术的应用背景及研究现状 文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]
人脸识别技术的应用背景及研究现状1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面： （1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。
?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼
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
2019 年我国人脸识别技术发展情况 及发展趋势综合分析 2019 年 2 月 14 日 一、全球生物识别细行业市场占比情况分析 生物识别指的是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计 2015-2020 年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为 100%；虹膜识别为 100%；指纹识别复合增长率为73%。
全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进 - 专业市场导入 - 技术完善 - 技术应用 - 各行业领域使用等五个阶段。其中， 2014 年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“ DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为 97.52%，可以说深度学习技术让计算机人脸识别能力超 越人类的识别程度。
人脸识别技术大总结 百度《人脸识别技术大总结》，觉得应该跟大家分享，这里给大家转摘到百度。 篇一：人脸识别技术的主要研究方法、绪论人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。 人脸识别是一种重要的生物特征识别技术，应用非常广泛。 与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。 本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别、人脸识别技术的主要研究方法目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。 人脸识别流程图如图．所示：图．人脸识别流程图、基于几何特征的人脸识别方法基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。 基于特征的方法的目标就是寻找上述这些不变特征，并利用这些
特征来定位入脸。 这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。 但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人作标准模板(固定模板)或将模板先行参数化(可变模板)，思想汇报专题然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。 基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法()、支持向量机()、神经网络方法()等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。 因此，这也是种自下而上的方法。 这种方法的优点是利用强大的机器学习算法快速稳定地实现了很
1引言 人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，智能卡，信息安全，法律实施和监控等社会各方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。人脸识别和其它生物特征识别技术如：指纹识别，掌纹识别等相比，具有方便，快捷，易以接受等特点[1]。 计算机人脸识别的研究始于60年代末，最早Bledsoe 以人脸特征点间的距离、比率等参数为特征建立了第一个半自动人脸识别系统[1]。近几十年人脸识别研究逐渐发展，涌现出了大量新的技术和方法。虽然人脸识别技术已经取得了很多突破性进展，但是计算机和人类的人脸识别能力相比，依然还存在很多问题，目前最好的商用人脸识别系统在实际使用中仍然有很多需要完善的地方。2人脸识别系统的框架 一般来说，一个完整的人脸识别系统主要包括下面几个步骤： (1)人脸检测(Face detection)：对输入图像进行分析， 判断图像中是否存在人脸，如果存在人脸，则标定出人脸的位置和大小的过程。 (2)人脸对齐(Face alignment)：通过对人脸图像进行缩 放，旋转，切割等操作，使所有人脸图像依照某种标准规范化的过程。 (3)人脸预处理(Face preprocessing)：通过对人脸图像进 行处理，降低图像中光照变化，噪音干扰等情况对人脸识别带来的影响。 (4)人脸表示(Face representation)：提取人脸中可以用 于描述人脸模式的特征并使用这些特征来表示人脸的过程。 人脸识别的研究进展 钱志明1，徐丹2 1. 楚雄师范学院, 云南省楚雄市 675000 E-mail: qzhiming@https://www.doczj.com/doc/a43942508.html, 2. 云南大学计算机系, 昆明 650091 E-mail: danxu@https://www.doczj.com/doc/a43942508.html, 摘要: 随着人工智能和计算机视觉技术的发展，人脸识别已成为模式识别领域的一个热门研究课题。本文对近年来人脸识别的研究状况进行了综述，分析了人脸识别存在的问题，系统地对目前主流人脸识别方法进行了分类和介绍，针对人脸识别中的一些局部表示方法做了分析和测试，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，人脸表示，局部特征 Research Advances in Face Recognition Zhiming Qian1, Dan Xu2 1.Chuxiong Normal University, Chuxiong Yunnan 675000, China E-mail: qzhiming@https://www.doczj.com/doc/a43942508.html, 2. Department of Computer Engineering, Yunnan University, Kunming 650091, China E-mail: danxu@https://www.doczj.com/doc/a43942508.html, Abstract: With the development of artificial intelligence and computer vision, face recognition has become a hot topic of pattern recognition. This paper presents a survey on the state-of-art face recognition research, systematically classifying and introducing face recognition methods. Furthermore, this paper analysis and tests some recent algorithms, which are used to extract the local facial features. In addition, several major issues for further research in the area of face recognition are also pointed out at the end of this paper. Key Words: face recognition, face representation, local feature