人脸识别技术的发展前景
引言
2015年以来，人脸识别相关新闻频频进入人们的视野，国内外的人脸识别算法团队不断刷新着各项记录，相关的产品与应用也层出不穷，使得人脸识别成为近期最受关注的生物特征识别技术。
人脸识别作为一种生物特征识别技术，早期主要应用于公共安全领域，随着近年来人脸考勤、人脸门禁等应用的普及，普通人逐渐接触到以前在科幻片中才能看到的技术。尤其是近两年，随着技术的进步，人脸识别在各个领域得到越来越多的应用：马云在德国演示了刷脸支付、微软的https://www.doczj.com/doc/cf18852756.html,测年龄刷爆朋友圈、银行券商逐渐采用人脸识别技术辅助开户。本文旨在回顾人脸识别技术的发展历程，同时结合笔者的观察与总结，展望人脸识别的未来趋势。
一、人脸识别系统简介
完整的人脸识别系统一般包括人脸检测、人脸配准、人脸匹配、人脸属性分析等模块。
l 人脸检测：从图片中获得人脸的位置，目前常用的是AdaBoost级联分类器。
l 人脸配准：在人脸图像中获得关键特征点(比如眼睛、鼻子、嘴巴)的位置，通常采用回归的方法。
l 人脸匹配：人们常说的“人脸识别”通常指的是人脸匹配，包括两种模式：鉴别(identification)与认证(verification)。人脸鉴别给出测试人员的身份，即解决“你是谁”的问题，比如公安追逃系统;人脸认证用于判断测试人员与其声称的身份是否一致，即验证
“你是你”的问题，比如刷脸支付。目前主流的方法有两种，一是通过人工设计特征+子空间投影实现，二是采用深度学习算法。
l 人脸属性分析：根据人脸分析出各种属性，比如年龄、性别、表情、种族、发型、是否戴眼镜、胡子的类型，通常采用一般的分类或者回归技术。
二、人脸识别技术的发展
自动人脸识别系统的研究始于20世纪中期，早期的人脸识别探索主要依靠一些手工标定的几何特征(比如眼镜、嘴巴等器官的位置、距离)进行分类，实用的成果较少。
1991年发表的EigenFaces是一种重要的方法，该方法通过主成分分析(PCA)将图像投影到一个低维的“特征空间”，使得信息损失最少，在该“特征空间”上进行人脸分类。该方法不仅对数据进行了压缩，而且识别效果比直接使用图像像素也要好。EigenFaces将统计学习引入到人脸识别领域，直接影响了后续的一大类主流识别算法，即子空间方法，该类方法通过各种各样准则来寻找“特征空间”，使得在“特征空间”上分类准确率更高，比如FisherFaces。与EigenFaces不同的是，在训练阶段FisherFaces引入了监督信息，投影的目标不再是“信息损失最少”，而是“同类分布越紧，不同类分布越散”，即更容易分类，在有足够带标签样本的情况下，该方法可以获得更好的识别效果。1990年代，美国国防部反毒品技术发展计划办公室资助了FERET(Face Recognition Technology Test)项目，构建了数据库对自动人脸识别算法进行对比，在1996年最后一次FERET测试中，子空间方法取得了领先的测试结果。时至今日，子空间方法仍然发挥着非常重要的作用，不仅直接应用于许多人脸识别系统，而且许多人脸识别的新方向比如流形学习、稀疏表示、度量学习，都或多或少地受到了子空间方法的影响。
尽管子空间方法在FERET的一些简单测试集合上取得了不错的效果，但是当测试集呈现出光照、姿态等变化时，子空间人脸识别算法的性能急剧下降，因此在进入21世纪后，人脸识别研究者们将更多的精力放在提高算法的鲁棒性上面。子空间方法在非理想测试条件下性能下降的一个重要原因就是，原始的图像像素包含了诸多不利于识别的信息，比如光照。研究人员主要有两种思路来应对这些不利因素：一是进行专门的校正(去光照以降低光照的影响，3D校正以降低姿态的影响)。二是寻找更加鲁棒的特征。鲁棒的特征是目前很多识别算法的基础，其中比较常用的有Gabor特征、LBP特征。在21世纪的前10年里，研究人员结合鲁棒特征与子空间算法提出各种各样的改进，使得人脸识别算法的性能得到不断的提升，如图1所示。人脸识别逐渐在一些场景中得以实用，比如人脸考勤机、自助通关等。
图1 NIST人脸测试历程
尽管在一些测试集合上，鲁棒特征+子空间的方法已经取得了非常高的准确率，但是在实际场景中，人脸识别性能仍然难以满足要求。现实环境下光照、姿态、清晰度等远远比实验室采集的测试图片复杂得多。2007年，LFW数据集被建立，该数据集旨在评价非约束场景下的人脸识别性能。由于该数据集包含复杂的姿态、表情、遮挡等变化，而且又没有充足的训练样本，很多算法并不能取得很高的准确率，在2010左右，最好的算法也只有85%左右的准确率。研究者们发现，要想取得好的效果，准确的特征点定位、适当的学习算法以及大量的训练样本起到至关重要的作用。于是从2010年开始，准确地特征点定位、高层特征表示与度量学习、收集更多的训练样本成为人脸识别研发的方向。一个代表性的算法就是微软的HDLBP算法，该方法基于准确定位的特征点提取高维的人脸特征，以稀疏投影的方式进行降维，最后通过一种度量学习算法来计算相似度，在LFW上
取得了93%以上的准确率，此外，通过在大量的外部数据集上进行训练，准确率可进一步提高到95%以上。2012年以后，随着深度学习的复兴，研究人员自然而然地想到通过深度学习来解决人脸识别问题。在刚开始的一些尝试中，深度学习在人脸识别中并没有取得非常领先的结果，在2013年的CVPR上仍然落后于传统方法。之后研究人员针对人脸识别的特点进行了一系列的改进，而且通过互联网收集到更多的训练样本，终于使得深度学习在人脸识别领域取得了不错的结果。在2014年的CVPR上，Facebook、CUHK、Face++等通过深度学习在LFW上取得了97%以上的准确率，尤其是CUHK的汤晓鸥实验室对其DeepID系列算法不断改进，其DeepID2算法取得了99%以上的准确率，第一次使得算法的性能在LFW数据集上超过了人类。
据笔者统计，截止目前已经有至少10个人脸识别团队宣称自己的算法识别准确率(在LFW数据集上)超过99%，其中有百度、Google、腾讯这样的互联网巨头，有Face++、Linkface等初创公司，也有香港中文大学、中科院、新加坡国立大学这样的科研院所。这些团队的结果都得益于深度学习算法，毫无疑问，深度学习成为目前人脸识别领域最主流的研究方向。
三、人脸识别技术展望
当前，深度学习已成为目前人脸识别领域最主流的研究方向，但是传统方法仍然可以取得不错的效果。以大华为例，在大华股份内部，传统非深度方法与深度学习方法在不同的领域都发挥着重要的作用。深度学习算法的学习能力更强，在具备足够多的训练样本的情况下，往往可以取得更高的准确率，但是目前深度学习算法的计算量一般都比较大，往往依赖于GPU等并行计算资源。非深度方法不仅速度快，而且在安防监控等复杂环境下更加稳定，比如在一个中国人日常生活照数据集上，大华的非深度学习算法可以超过某深
度学习算法(该算法在LFW上准确率超过99%)。深度学习在未来一段时间内必将持续成为研究重点，同时传统方法也不容忽视，尤其是在一些实用场景速度要求高、环境复杂而训练数据又不充足的情况下。算法改进、数据资源、计算资源将成为核心竞争力，尤其是数据资源已成为深度学习性能的关键因素，一定程度上可以说谁掌握了数据入口(尤其是特定领域的结构化数据)，谁就有机会做出真正的“终极应用”，例如大华股份专注于安防领域的人脸识别，针对安防监控采集、收集了大量结构化数据用于算法改进，取得了良好的效果。
数据成为提升人脸识别算法性能的关键因素，很多应用更加关注低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0.00001之内，因此以后的算法改进也将着重于提升低误报下的识别率。对于安防监控而言，可能需要控制在0.00000001之内(比如几十万人的注册库)，目前学术界还没有相关的数据库可以测试如此低误报下的识别性能。大华股份在内部已经建立了千万级别的数据库用于算法测试与改进。
四、人脸识别的应用展望与思考
随着技术的日益进步，人脸识别必将更多地走进每个人的日常生活，比如越来越多的银行与券商借助人脸识别进行身份核实，大大提高了工作效率;基于人脸识别的社保领取，方便了大批行动不便的老人;证件照查重、嫌疑犯检索等可协助公安机关破案。然而必须认识到的是，目前的人脸识别技术远远没有达到足以应用到任意场景的程度，尤其是对安全性要求、识别率要求很高的场景下。过度宣传“识别率达到99%”、“识别率超过人类”之类的内容并不利于人脸识别的长远发展。首先，LFW只是一个很小的学术数据集，在上面达到99%以上的准确率并不代表在实际应用中可以达到很高的准确率，在更权威的数据集FRVT上，很多算法并没有经过测试，难以评价真正的性能。其次，人脸识别的很多问
题还没有得到真正解决，比如刷脸支付下的活体验证，现有的验证机制很可能被视频合成、3D头套等破解，存在巨大风险。
总之，人脸识别历经数十年的发展，已经取得了巨大的进步，应用前景广阔，同时也面临着巨大的挑战。但笔者相信，通过学术界、工业界同仁持续的脚踏实地的努力，人脸识别必将取得更多的进展，迎来更快的发展。
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。
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
智能人脸识别系统技术方案
目录 1智能人像比对平台 1.1系统结构 建立标准统一的共享人像库，并在此基础上，部署完整的人像比对判定平台。该系统由人像标准化采集系统，人像数据库子系统、基础比对服务平台、人脸识别应用平台4大部分组成，支持前端人像采集、静态人脸查询、移动警务通人脸识别一体化服务。 该平台支持统一人像数据交换接口，兼容大多数人像数据交换标准。统一的安全标准接口，兼容PKI密钥，网络加密狗等常见的安全标准接口。系统总体结构如下： 系统采用B/S架构，以浏览器方式进行人像预处理、人像比对、结果查询、用户管理、系统运行状态查询等管理操作，减少了系统后台管理、人口治安及其他警种成百上千终端安装和维护难度，方便未来多警种共享应用。系统可提供标准的WebService接口，将业务系统获取的人像照片与相关人像库进行比对。 1.2设计原则 本着统一标准、分级管理、资源共享、无缝对接的设计原则，以人像比对算法为核心，整合多区域现有资源，实现准确识别、快速反映，覆盖全面的智能人像识别应用平台。 1.2.1先进性 该平台算法由中国科学院自动化研究所研究员、国际知名人脸识别专家、IEEE院士李子青教授领衔研发，是基于中国自主知识产权，针对公安各警种业务特点专门研发的综合智能人像识别应用系统平台。
1.2.2开放性 人像采集与比对平台具有统一的服务接口，兼容公安部拟指定的统一人像数据交换标准草案。统一的安全验证，兼容PKI密钥，身份认证等常见的安全验证机制。 1.2.3扩展性 整个平台系统接口分为系统级别之间的接口与单个系统开放出来的服务接口组成。系统可“随需而变，以不变应万变”提供多种可靠服务功能。 1、系统级接口 系统级接口指的是不同地区部署的人像辅助识别平台之间的接口，主要有两种访问方式第一种采用页面查询的方式，以只查询方式进行访问，通过系统提供的Guest权限进行页面访问。适用于不同平台之间快速的调阅查询。第二种通过请求服务与直接调阅的形式进行数据库的查询，系统预留标准数据库查询接口，以市，县二层结构进行数据库间的查询调用，采用本系统建立的数据中心，纵向上进行直接的调用，高层中心保留下级中心的数据库信息索引。即市级中心直接查询市级与县级中心，市级中心直接查询县级中心。横向上以请求服务形式进行调用，横向系统间不保留对方的数据库信息索引，而是通过请求服务方式进行。 2、服务接口 服务接口适用于该系统与其他业务应用系统做二次开发或者集成用接口，包括所有系统级接口与平台应用接口。 人像基础比对服务平台通过WebService进行与其他系统的交换机制，通过标准的XML或者Jason格式文件进行数据交换，兼容《GA/T 922.2-2011标准第二部分人像数据采集标准》中的数据格式交换。 服务接口主要以WebService与ActiveX等方式提供。满足各业务系统二次开发，集成使用。 服务接口说明
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。
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
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））
信息通信 INFORMATION & COMMUNICATIONS 2019年第6期（总第198期） 2019 (Sum. No 198) 浅谈基于深度学习的人脸识别技术 刘晓波 （中国联合网络通信有限公司湖北省分公司，湖北武汉430040） 摘要:互联网科技和大数据技术飞速发展的时代，日新月异的各种前沿技术，一再刷新人们的认知,人工智能（AI ）成为了 一 门最热门的行业应用能力。AI 技术不仅仅要够炫够酷，更要有足够的“温度"，让机器更加人性化。人脸识别技术（Face Recognition Technology, FRT ）是近年来模式识别、图像处理以及人工智能等领域的重要研究课题之文章重点对现有 的人脸检测识别方法以及应用领域关键技术进行总结，分析和比较当前主流识别方法优缺点，分享其中关键技术及发展 前景。 关键词:人脸识别;人工智能;深度学习；人脸检测；面部特征中图分类号:TP391.41 文献标识码:A 文章编号：1673-1131（2019）06-0018-03 0引言 随着社会对个人身份的自动验证需求的加深，一些技术 成熟且传统上被认为更加稳健的身份验证方案如指纹识别、 虹膜识别、语音识别等，都具有侵入性的特征，即需要参与者 的一定程度的合作（指纹识别需要用户将手指按在传感器上, 虹膜识别需要用户与相机靠得很近，语音识别则需要用户大 声说话），因此寻找一种更优且非侵入式的自动身份验证方案 成为了大势所趋。 人脸识别技术（Face Recognition Technology, FRT ）是基于 人的面部特征信息能够识别或验证图像或视频中主体身份的 技术生物识别技术。用图像釆集工具（如摄像机或摄像头）釆 集含有充分且足够的人面部特征的图像或视频流，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识别和验 证的一系列相关技术总成。 相比传统的身份验证方法，人脸识别技术具有非接触性 （不用肢体接触）、非强制性（路过即可，甚至无察觉）、可并发 性（可同时进行多个人脸的分拣、判断及识别）等优势。 直观的人脸识别如下图所示： * 2 z 5 n e s i e 图1人脸识别示例 简单来说就是通过输入一个自然人的面部特征，和自然 人面部特征库中的注册在库身份进行面部特征逐项比对，找 出一个与输入的面部特征相似度最高（需预设阀值，必须大于 阀值）的个体，以确定输入面部特征对应的身份。如没有找到 大于阀值的个体,则返回“unknown ”。 1传统的人脸识别 传统的人脸识别被当作模式识别/模式匹配问题。主流的 人脸识别技术基本上可以归结为三类，即:基于几何特征的方 法、基于模板的方法和基于模型的方法。 （1）基于几何特征的方法是最早投入实际应用的人脸识别 方法。该方法通过定位人面部主要器官的详细位置，如：眉、 眼、鼻、嘴、耳等，获取主要器官等重要面部特征的形状、相对 位置以及特征之间的距离等参数，利用参数构成一个可以代 表个体人脸的特征向量。 （2） 基于模板的方法可以分为神经网络方法、动态连接匹 配方法、线性判别分析方法、特征脸方法、基于相关匹配的方 法、奇异值分解方法等。 （3） 基于模型的方法则有基于主动外观模型、隐马尔柯夫 模型方法、主动形状模型等。 传统的人脸识别是人脸识别的初级阶段，重要成果不多, 人工依赖性较强，鲁棒性较差，基本没有实际应用。 随着大数据时代的到来，沉寂了许久的神经网络卷土重 来。作为人工智能时代的利器一深度学习逐渐走入人们的 视野。基于深度学习，人脸识别技术迅速发展。各种学习框 架如 Tensorflow 、Caffe >KerasMxnet >Darknet 等不断涌出。基 于深度学习的人脸识别一般被处理为回归/分类问题。一般流 图2人脸识别一般流程图 2人脸检测算法 人脸检测是人脸识别中的第一个环节，是一项关键技术。 人脸检测是指假设在输入图像中存在一个或者多个人脸情况 下，确定图像中全部人脸的位置、大小和姿势的过程。 图3人脸检测不意图 早期的人脸检测算法使用了模板匹配技术，即用一个人 脸模板图像与被检测图像中的各个位置进行匹配，确定这个 位置处是否有人脸,如果存在则定位人脸的位置、大小及主要 特征；此后机器学习被用于解决该问题，神经网络、支持向量 机等将人脸检测处理为二分类问题。如下图所示： 18
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
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
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。
浅谈人脸识别技术VS指纹识别技术 1、指纹识别系统适宜的使用单位界定在：人数少、且环境好的单位，比如政府机关，或100人以下且环境好的企事业单位，不然使用起来很勉强和难受。人脸识别技术，不受环境影响。是指基于人的脸部特征信息，通过计算机与生物传感器等高科技手段结合，利用人体固有的生理特性，进行个人身份鉴定的一种生物识别技术。这种技术先对输入的人脸图象或者视频流进行判断，给出每张脸的位置、大小和面部各个主要器官的具体信息。依据这些信息，进一步提取人脸中所蕴涵的身份特征，将其与已知的人脸进行比对，从而识别每个人的身份。 2、指纹识别的民用技术目前还不成熟，真实的识别率在95%以下，也就是说100人中基本上有超过5个人的指纹识别不了，或者要反复识别。与传统的身份鉴定方式相比，人脸识别技术的最大特点就是识别精确度高。人脸识别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、蜡像欺骗识别系统，无法仿冒。此外，人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒内可以识别好几次。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感。 3、目前的指纹考勤机均采取指纹识别+密码识别相结合的方式，就是因为有较多的不能识别指纹的情况人脸识别技术是基于生物统计学原理来实现的。先通过计算机相关软件对视频里的图像进行人脸图像采集、人脸定位、人脸识别预处理，从中提取人像特征点。然后利用生物统计学的原理进行分析，建立数学模型，即人脸特征模板。将已建成的人脸特征模板与被测者的面像进行特征比对，根据分析的结果给出一个相似值。通过这个值即可确定是否为同一人。现在这一技术已得到广泛应用。人脸识别技术的最大特点就是识别精确度高。 4、指纹识别技术目前对于：手指脏了、手指湿了、手指太干、手指脱皮（包括季节性脱皮）、手指破了……等等情况，都不能正常识别。人脸识别技术，非接触式识别。不受环境影响，不受生理影响。更环保更卫生。 5、为什么说指纹识别考勤只适合于小型单位使用呢。指纹识别对于感应卡刷卡的时间要长很多，以一个人站到考勤机前识别指纹到下一个人站过来开始识别作为一个人的识别周期，一般在6－7秒左右，也就是每个人在一次性识别都很正常的情况下，完成考勤签到需要6秒左右，如果100个人哪怕是提前了5分钟到达排着队等候签到，也需要600秒即10分钟左右完成，指纹识别一般为了提高识别率，都要求每个人留不同手指的2-3枚左右的指纹档案存到考勤机里，一枚不能识别时赶紧换用另一枚，这样反复重试才能达到90%左右的识别率。 与传统的身份鉴定方式相比，人脸识别技术的最大特点就是识别精确度高。人脸识别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、蜡像欺骗识别系统，无法仿冒。人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒内可以识别好几次。不被察觉的特点对于一种识别方法也很重要。 6、指纹考勤机的关键部位，也是最脆弱部位就是指纹膜，指纹膜时间用的越长，指纹识别率就越低，在没有任何人为刮擦破坏的情况下，一片指纹膜一般在半年以后就越来越多的指纹不能识别或者需要反复识别，解决办法是更换指纹膜，更
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/cf18852756.html, 2. 云南大学计算机系, 昆明 650091 E-mail: danxu@https://www.doczj.com/doc/cf18852756.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/cf18852756.html, 2. Department of Computer Engineering, Yunnan University, Kunming 650091, China E-mail: danxu@https://www.doczj.com/doc/cf18852756.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