第一篇：前沿人臉識別綜述解讀

人臉識別綜述

王軍軍

（西安交通大學，西安，710086）

摘要：人臉識別已成為多個學科領域的研究熱點之一，本文對人臉識別的發展歷史、研究現狀進行了綜述，系統地對目前主流人臉識別方法進行了分類針對人臉識別面臨的挑戰，著重對近幾年來在光照和姿態變化處理方面的研究進展進行了詳細淪述，并對未來人臉識別的發展方向進行了展望。

關鍵詞：人臉識別，人臉檢測，模式識別

一、引言

人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡以及認知科學等領域研究的熱點課題之一。所謂人臉識別，是指給定一個場景的靜態圖像或動態視頻，利用存儲有若干已知身份的人臉圖像的數據庫驗證和鑒別場景中單個或者多個人的身份[1]。人臉識別按照人臉信息的來源可以分為兩類:基于靜態人臉圖像的識別和基于包含人臉的動態視頻信息的識別。因為動態視頻信息并不能明顯提高人臉識別的性能，因此本文只研究基于靜態人臉圖像的識別[2]。

作為生物特征識別的一個重要方面，人臉識別在檔案管理系統、安全驗證系統、信用卡驗證、公安系統的罪犯身份識別、銀行和海關的監控、人機交互等領域具有廣闊的應用前景。與指紋識別、視網膜識別、虹膜識別等[3]技術相比，人臉識別技術在數據采集方面手續比較簡單，使用者更容易接受。人臉作為生物特征，雖然唯一性比指紋和虹膜要差[4]，在高安全性要求的系統中只能作為輔助手段。然而，對于一般安全性要求的身份驗證和鑒別系統[5]，人臉識別技術已經足夠應用了。

人臉識別研究在二十世紀六七十年代引起了諸多學科領域研究者的濃厚興趣。進人九十年代后，隨著各行業對人臉識別系統的迫切需求，人臉識別研究再次成為熱門課題。當前世界各國有許多研究機構在從事這方面的研究，這些研究受到軍方、警方以及大公司的高度重視和資助[6]。美國軍方還專門組織了人臉識別競賽以促進人臉識別研究的發展。經過三十多年的研究，人臉識別已經成為圖像分析與圖像理解領域最成功的應用之一研究人員提出了很多識別方法，建成了一些實驗系統，也有一些成功的人臉識別商業軟件投人市場。

人臉識別作為模式識別的一種，一般可以分為三個組成部分:從場景中檢測并分割人臉;抽取人臉特征;匹配和識別人臉[7]。由于人臉檢測已經發展成為一個獨立的課題，具有特定的思想和方法，所以本文假定人臉已經被正確檢測并從場景中分割出來。

二、人臉識別的方法

目前，人臉識別的方法大致可以分為以下幾類：基于幾何特征的方法、基于模型的方法、基于統計的方法、基于神經網絡的方法和多分類器集成的方法[8]。目前主流的方法有基于幾何特征的方法和基于模型的方法。

2.1基于幾何特征的方法

文獻中記載最早的人臉識別方法就是Bledsoe[9]提出的基于幾何特征的方法。該方法以面部特征點之間的距離和比率作為特征，通過最近鄰方法來識別人臉，以該方法建立的人臉識別系統是一個半自動系統，面部特征點必須由人手工定位。也正是由于人工的參與，該系統對光照變化和姿態變化不敏感[10]。

側影[11](Profile)識別也是早期基于幾何特征人臉識別的一個重要方法，其基本原理是從人臉的側影輪廓線上提取特征點，將側影轉化為輪廓曲線，從中提取基準點，根據這些點之間的幾何特征來進行識別，由于側影識別相對較簡單且應用面小，對側影識別的研究較少。

基于幾何特征的方法非常直觀，識別速度快，內存要求較少，提取的特征在一定程度上對光照變化不太敏感[12]。但是，當人臉具有一定的表情或者姿態變化時，特征提取不精確，而且由于忽略了整個圖像的很多細節信息，識別率較低，所以近年來已經很少有新的發展。

2.2基于模型的方法

隱馬爾可夫模型[13](Hidden Markov Model,HMM)是一種常用的模型，基于HMM的方法首先被用于聲音識別等身份識別上，之后被Nefian和Hayes引人到人臉識別領域。它是用于描述信號統計特性的一組統計模型。HMM用馬爾可夫鏈來模擬信號統計特性的變化，而這種變化又是間接通過觀察序列來描述的，因此馬爾可夫過程是一個雙重的隨機過程。在HMM中結點表示狀態，有向邊表示狀態之間的轉移，一個狀態可以具有特征空間中的任意特征，對同一特征，不同形態表現出這一特征的概率不同[14]。在人臉識別過程中，Nefian首先采用兩維離散余弦變換(Discrete Cosine Transform,DCT)抽取人臉特征，得到觀察向量，構建HMM人臉模型，然后用EM(Expectation Maximization)算法訓練，利用該模型就可以算出每個待識別人臉。觀察向量的概率，從而完成識別。HMM方法的魯棒性較好，對表情、姿態變化不太敏感，識別率高[15]。

主動形狀模型[16](Active Shape Model, ASM)方法由Cootes等人提出，Cootes對形狀和局部灰度表象建模，用建立的ASM在新的圖像中定位易變的物體。后來，Lanitis等將其應用于解釋人臉圖像，在使用ASM找出人臉的形狀后，將人臉切割并歸一到統一的框架，對這個與形狀無關的人臉采用亮度模型來進行解釋和識別，其魯棒性和識別效率均較高，但需要手動標會人臉的特征點，算法的自動化程度有待加強。

主動表象模型[17](Active Appearance Model, AAM)可以看成是對ASM的進一步擴展，是一種通用的非線性圖像編碼模式，通過變形處理將通用人臉模型與輸人圖像進行匹配，并將控制參數作為分類的特征向量。

2.3 基于統計的方法

基于統計的方法將人臉圖像視為隨機向量，從而用一些統計方法來分析人臉模式，這類方法有著完備的統計學理論支持;得到了較好地發展，出現了一些較成功的算法。

特征臉[18](Eigenface)方法由Turk和Pentland提出。對于每一幅人臉圖像，按照從上到下、從左到右的順序將所有像素的灰度值串成一個高維向量，然后通過主成分分析(Principal Component Analysis, PCA)將高維向量降低維數。用PCA[19]降維主要基于以下三點:(1)壓縮功能，在低維空間內比較圖像將提高計算效率;(2)人臉樣本的分布近似正態分布，方差大的維可能與有用信號相關，而方差小的維可能對應噪聲，因此去掉小方差對應的維將有利于提高識別精確率;(3)因為每幅圖像都被減去均值，且被放縮成單位向量，兩幅圖像之間的相關性與特征空間中投影之間的距離成反比，因此特征空間中的最近鄰匹配是圖像相關性的有效近似。PCA技術首先由Kirby[20]和Sirovich引人到人臉識別領域，并且證明了PCA是使原始圖像與重構圖像之間的均方誤差極小化的最佳壓縮方式。一幅圖像在各個特征臉上的投影組成了該圖像的權值向量，將待識別圖像的權值向量與人臉數據庫中各圖像的權值向量相比較，確定哪一幅圖像與待識別圖像的權值向量最接近。后來Pentland等人進一步擴展了特征臉方法，將類似的思想運用到面部特征上，分別得到了本征眼、本征鼻、本征嘴，并且將它們結合起來進行人臉識別。實驗結果表明，這樣比單獨使用特征臉效果更好。特征臉方法計算量低，使用方便，并且效果良好，目前已經成為人臉識別的基準程序(Benchmark)和事實上的工業標準。但是它對于外界因素所帶來的圖像差異和人臉自身所造成的差異是不加區分的，因此外界因素(例如光照、姿態)變化會引起識別率的降低。

特征臉方法使用由各個特征臉擴展的空間來表示人臉，雖然可以有效地表示人臉信息，但是并不能有效鑒別和區分人臉。很多研究者提出了使用其他線性空間來代替特征臉空間以取得更好的識別效果。此中線性判別分析方法[21](也叫Fisher臉方法)，利用了類別歸屬信息，它選擇類內散布正交的矢量作為特征臉空間，從而壓制了圖像之間與識別信息無關的差異，強調了不同人臉之間的差別，同時弱化了同一人臉由于光照、視角和表情而引起的變化，獲得了比特征臉更好的識別效果。LDA[22]是一種監督學習方法，而PCA是非監督學習方法。Belhumeur對16個人的各10幅圖像進行識別實驗，PCA方法的識別率為81%，而Fisher臉方法的識別率為99.4%。

Moghaddam[23]等人提出了貝葉斯人臉識別方法。他們提出了一種基于概率的圖像相似度度量方法，將人臉圖像之間的差異分為類間差異和類內差異。其中類間差異表示不同對象之間的本質差異。類內差異為同一對象的不同圖像之間的差異。而實際人臉圖像之間的差異為兩者之和。如果類內差異大于類間差異，則認為兩人臉圖像屬于同一對象的可能性大，他們提出了類間差異和類內差異度量的概率模型和計算方法。由于貝葉斯相似度的計算涉及復雜的非線性計算。Moghaddam等人提出了一種線性的快速計算方法。這種人臉識別方法在1996年美國DAPAR組織的FERET人臉測試中是效果最好的方法之一特別是在克服光照和表情變化對識別的影響方面性能較好。

奇異值分解[24](Singular Valor Decomposition。SVD)是一種有效的代數特征提取方一法。奇異值特征具有良好的穩定性、轉置不變性、旋轉不變性、位移不變性以及鏡像變換不變性等重要性質。因此奇異值分解技術也被應用到人臉識別領域。

獨立成分分析[25](Independent Component Anal-ysis,ICA)，可以看成是對PCA的推廣，PCA利用二階矩去掉輸人數據的相關性。使得數據的協方差為零。而ICA使得輸人數據的二階和高階矩依賴性最小，ICA首先被用于盲源分離(Blind Source Separation。BSS)問題，用來將觀察信號分解成一系列獨立信號的線性組合。ICA用于人臉識別有兩種結構(ICA Architecture I和ICA Architecture II)和多種算法(例如FastICA和InfoMax)，PCA和ICA Architecture II利用的是全局特征，而ICA Architecture I利用的是空間局部特征。B Draper等人詳細比較了PCA和ICA在人臉驗證和面部表情識別中的性能，人臉驗證實驗中，ICA Architecture II的性能最好。PCA的性能與距離度量標準有關。ICA Architecture I的性能較差，ICA用Fast I-CA算法較好;表情識別實驗中，用InIoMax算法實現的ICA A rchitecture I性能最好。

3、人臉識別面臨的挑戰

當光照、姿態、表情變化時，人臉的表象會產生較大變化，從而造成人臉識別系統的性能下降。FE-RET測試川表明，光照和姿態變化問題是當前人臉識別系統面臨的挑戰。隨著人臉識別研究的深人，很多研究者對光照和姿態變化進行了專門的研究，也取得了一定的進展。本節專門針對這兩方面問題進行論述。

3.1 光照變化

因為光照會改變人臉圖像灰度的相對分布，所以由光照引起的人臉圖像變化甚至比因個體差異引起的變化還要大。因此，光照變化會造成人臉識別系統性能的嚴重下降。對光照變化的處理已經引起了很多研究者的重視，并且取得了較大進展。目前已經出現了很多光照處理方法，這些方法大致可以分為三類: 第一類方法的主要思想是尋找對于光照變化不敏感的人臉圖像表示方法。第二類方法是對原來某些不存在光照變化時人臉識別算法的簡單改進和推廣。第三類方法的主要出發點是構建圖像合成(Synthesize)模型[26]，這些模型可以合成與測試(Probe)圖像具有相同或相似光照條件的新圖像作為數據庫(Gallery)中的圖像。這類方法的關鍵是對光照進行建模。

3.2 姿態變化

視角的變化，即人臉姿態變化也會造成人臉識別系統性能的降低，因此對多視角人臉圖像的處理是人臉識別面臨的另一挑戰。Beymer[27]先對輸人圖像的視角進行估計，接著根據自動檢測到的三個特征點進行二維仿射變換使之與原型(Prototype)的視角相同，然后直接使用模板匹配來實現多視角人臉識別。在一個62人的多視角人臉數據庫上取得了較好的實驗結果，但測試集和訓練集的視角比較接近，因此識別難度較低。

Pentland[28]等人提出的基于視角的特征臉(View-based Eigenface)方法為每個視角構建一個

特征空間。取得了比標準特征臉方法更高的性能。Huang等人在基于視角的特征臉方法的基礎上，采用神經網絡集成(Neural Network Ensemble)的方法，實現多視角人臉的識別。這類方法的缺點是每人需要多張人臉圖像作為訓練集，而且將光照變化問題與視角變化問題分開來考慮，這些前提條件在很多場合不能滿足。

3.3同時存在光照和姿態變化

上述的很多方法只是對光照或姿態變化中的一種進行了處理，但在現實情況下，光照和姿態變化會同時存在。因此，要使人臉識別技術真正實用，人臉識別系統必須能夠處理同時存在兩種甚至任意多種成像條件變化的情況。光場(Light Field)[29]方法是最新提出的較有效的方法，對各種外部成像條件的變化都能進行較好處理。由于人臉是三維的，因此利用三維模型(或者三維和兩維相結合)可以顯著地提高識別性能。

4總結與展望

本文對人臉識別的發展歷史、研究現狀進行了綜述，尤其是對近幾年來在光照和姿態變化處理方面的研究進展進行了詳細論述。

經過幾十年的研究，人臉識別已經取得了很大的進展，但現有的人臉識別方法一般都是針對某一類問題提出的，由于人臉識別問題的復雜性，實現一個通用的人臉識別系統目前還不現實。因此，解決特定條件或者特定應用領域的人臉識別問題仍然是目前人臉識別研究的重要課題。要構建一個穩健的人臉識別系統，以下是有待于解決的幾個主要問題:

1、非線性建模問題。目前統計方法中的子空間方法有一個共同的特點，即都是線性方法。人臉圖像顯然是一種高度非線性的模式。也就是說，人臉圖像的分布應該是位于某種高度非線性的流形[30](Mani-fold)上的，因此用非線性方法來進行人臉識別是一個必然的發展趨勢。人臉識別技術由線性向非線性發展可能的現實途徑有兩條:一是利用核理論將現有的線性分析方法向非線性擴展，這是一種間接的方法。典型代表是核主成分分析(Kernel Principal Component Analysis, KPCA)，也就是利用核理論對PCA進行擴展;二是直接從數據分布本身出發，研究高效的非線性流形學習算法，從而將人臉圖像投影到其實際分布所在的流形上進行識別，目前，已有研究人員將其應用到人臉識別領域，對人臉圖像采用流型的方法來進行識別。

2、三維建模問題。目前只利用二維信息的人臉識別方法只能在特定環境下取得較好的性能，然而在處理光照、視角和表情等方面的變化時會遇到較大的困難。由于人臉是三維的，因此利用三維模型可以顯著提高識別性能本文論述的三維可變型模型方法就是在這方面較好地嘗試。但是目前三維人臉識別在識別算法、三維人臉庫以及實驗方法等方面還存在很多挑戰。

3、三維模型計算開銷問題。利用三維模型可以顯著提高識別性能，然而，構造和存儲完整的三維人臉模型需要的開銷太大，因此如何通過二維圖像對三維人臉參數進行建模將是未來人臉識別研究的一個熱點。另外，利用2.5維信息進行識別也是減小存儲和計算開銷的一條可能途徑。

4、算法的自動化與時間開銷問題。本文所提到的算法中，基于幾何特征的方法與基于模型的方法中的部分算法存在手工標定人臉特征點的問題，算法的自動化程度有待進一步加強。另外，算法中某些魯棒性與準確率較高的算法，計算量巨大，運算時間比較長，人臉識別的實時性有待加強。[1] 厲小潤,趙光宙,趙遼英.改進的核直接Fisher描述分析與人臉識別[J].浙江大學學報:工學版, 2008,42(4): 583-589.[2] YU Hua, YANG Jie.A direct LDA algorithm for high-dimensionaldatawith application to face recognition [J].Pattern Recognition,2001,34(10): 2067-2070.[3] 周大可,楊新,彭寧嵩.改進的線性判別分析算法及其在人臉識別中的應用[J].上海交通大學學報, 2005,39(4): 527-530.[4] BARTLELLM S, MOVELLAN JR, SEJNOWSKIT J.Face recognition by independent component analysis [J].IEEE Trans on NeuralNetworks, 2002,13(6): 1450-1464.[5] 洪子泉,楊靜宇.基于奇異值特征和統計模型的人像識別算法[J].計算機研究與發展, 1994,31(3): 60-65.[6] 杜干,朱雯君.基于局部奇異值分解和模糊決策的人臉識別方法[J].中國圖象圖形學報, 2006,11(10): 1456-1459.[7] 高全學,梁彥,潘泉,等.SVD用于人臉識別存在的問題及解決方法[J].中國圖象圖形學報, 2006,11(12): 1784-1791.[8] COOTES T F, EDWARDS G J, TAYLOR C J.Active appearance models: active appearance models [ J].IEEE Trans on Pattern Analysis and Machine Intelligence, 2001,23(6): 681-685.[9] WISKOTTL, FELLOUS JM, KRUGER N,et al.Face recognition by elastic bunch graphmatching [J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1997,19(7): 775-779.[10] WURTZ R P.Object recognition robust under translations, deformations, and changes in background [ J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1997,19(7): 769-775.[11] 孫大瑞,吳樂南.基于特征的彈性圖匹配人臉識別算法[J].應用科學學報, 2002,20(4): 377-381.[12] 張海旸,馬華東.基于網格的自適應彈性圖人臉匹配方法[J].計算機輔助設計與圖形學報, 2008,20(2): 253-258.[13] 劉小軍,王東峰,張麗飛,等.一種基于奇異值分解和隱馬爾可夫模型的人臉識別方法[J].計算機學報, 2003,26(3): 340-344.[14] 李耀東,崔霞,肖柏華,等.自動人臉識別技術綜述[J].計算機科學, 2002,29(12): 1-11.[15] 鄒志煌,孫鑫,程武山.人臉識別技術產品的發展概況[J].視頻應用與工程, 2008,32(3): 91-93.[16] 劉瑾,徐可欣,陳小紅,等.采用圖像融合技術的多模式人臉識別[J].工程圖學學報, 2007,28(6): 72-78.[17] 王耀明,王仲國,沈毅俊.基于圖像集似然度的人臉識別[J].計算機工程, 2001, 27(7): 113-114.[18] 王宏勇，廖海斌，段新華，丁汨.基于奇異值與特征融合矩陣的自適應人臉識別[J].計算機工程與應用，2010，46（7）：162-174.[19] 斯華齡,張立明.智能視覺圖像處理-多通道圖像的無監督學習方法及其他方法[M].上海:上?？萍冀逃霭嫔?2002.[20] 郭武,張鵬,王潤生.獨立分量分析及其在圖像處理中的應用現狀[J].計算機工程與應用，2008，44（23）：172-176.[21] 白曉明,王成章,石勤.基于二維線性判別分析的彩色人臉識別[J].北京工業大學學報.2010,12(36):1717-1721.[22] 王曉慧.線性判別分析與主成分分析及其相關研究評述[J].中山大學研究生學刊(自然科學、醫學版).2007,4(28):50-59.[23] 聶會星,梁坤,徐樅巍.基于小波變換和支持向量機的人臉識別研究[J].合肥工業大學學報(自然科學版).2022，2（34）：208-211 [24] 段錦著.人臉自動機器識別[M].北京: 科學出版社, 2009．

[25] 吳巾一，周德龍.計算機應用研究[J].人臉識別方法綜述，2009，9（26）: 3205-3209 [26] SIROVITCH L, KIRBYM.Low-dimensionalprocedure for the characterization of human face[ J].Journal of the Optical Society of America, 1987,4(3): 519-524.[27] KIRBYM, SIROVITCH L.Application ofKarhunen-Loeve procedure for the characterization ofhuman faces[J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1990,12(1): 103-108.[28] 劉成明，張立明.一種改進的人臉特征點定位方法[J].復旦學報：自然科學版，2006,45(4)：452-463.[29] 杜春華.人臉特征點定位及識別的研究[D].上海：上海交通大學.2008.[30] 馬艷妮，耿國華等.臉部特征點的定位與提取方法[J].計算機工程與應用，2009,45(18)：167-170.讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢?！悏?/p>

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆?！鬃?/p>

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>

第二篇：人臉識別技術解讀

人臉識別，特指利用分析比較的計算機技術。人臉識別是一項熱門的計算機技術研究領域，人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度；它屬于生物特征識別技術，是對生物體（一般特指人）本身的生物特征來區分生物體個體。

中文名 人臉識別技術 實 質

輸入的人臉圖象或者視頻流 研究領域

熱門的計算機技術研究領域 技 術

生物特征識別技術

目錄

1基本介紹

2技術原理 ? 人臉識別內容 ? 人臉的識別過程 3分析算法

4功能模塊

? 人臉捕獲與跟蹤功能 ? 人臉識別比對 ? 人臉的建模與檢索 ? 真人鑒別功能 ? 圖像質量檢測 5基本方法

6技術細節 7優缺點

? 人臉識別優點 ? 人臉識別的弱點 8技術應用

9應用前景

1基本介紹編輯

人臉識別技術是基于人的臉部特征，對輸入的人臉圖象或者視頻流.首先判斷其是否存在人臉 , 如果存在人臉，則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。并依據這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而識別每個人臉的身份。

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。

生物特征識別技術所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬于生物特征識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。2技術原理編輯

人臉識別內容

人臉識別技術包含三個部分：(1)人臉檢測 面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，并分離出這種面像。一般有下列幾種方法： ①參考模板法

首先設計一個或數個標準人臉的模板，然后計算測試采集的樣品與標準模板之間的匹配程度，并通過閾值來判斷是否存在人臉；

②人臉規則法

由于人臉具有一定的結構分布特征，所謂人臉規則的方法即提取這些特征生成相應的規則以判斷測試樣品是否包含人臉；

③樣品學習法

這種方法即采用模式識別中人工神經網絡的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；

④膚色模型法

這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。⑤特征子臉法

這種方法是將所有面像集合視為一個面像子空間，并基于檢測樣品與其在子空間的投影之間的距離判斷是否存在面像。

值得提出的是，上述5種方法在實際檢測系統中也可綜合采用。(2)人臉跟蹤

面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體采用基于模型的方法或基于運動與模型相結合的方法。此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。

(3)人臉比對

面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，并找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。主要采用特征向量與面紋模板兩種描述方法：

①特征向量法

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。

②面紋模板法

該方法是在庫中存貯若干標準面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板采用歸一化相關量度量進行匹配。此外，還有采用模式識別的自相關網絡或特征與模板相結合的方法。

人臉識別技術的核心實際為“局部人體特征分析”和“圖形/神經識別算法?！边@種算法是利用人體面部各器官及特征部位的方法。如對應幾何關系多數據形成識別參數與數據庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低于1秒。人臉的識別過程

一般分三步：

(1)首先建立人臉的面像檔案。即用攝像機采集單位人員的人臉的面像文件或取他們的照片形成面像文件，并將這些面像文件生成面紋(Faceprint)編碼貯存起來。

(2)獲取當前的人體面像。即用攝像機捕捉的當前出入人員的面像，或取照片輸入，并將當前的面像文件生成面紋編碼。

(3)用當前的面紋編碼與檔案庫存的比對。即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的“面紋編碼”方式是根據人臉臉部的本質特征和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辨認出某個人。人臉的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。3分析算法編輯

人臉識別技術中被廣泛采用的區域特征分析算法，它融合了計算機圖

人臉識別

像處理技術與生物統計學原理于一體，利用計算機圖像處理技術從視頻中提取人像特征點，利用生物統計學的原理進行分析建立數學模型,即人臉特征模板。利用已建成的人臉特征模板與被測者的人的面像進行特征分析，根據分析的結果來給出一個相似值。通過這個值即可確定是否為同一人。4功能模塊編輯

人臉捕獲與跟蹤功能

人臉捕獲是指在一幅圖像或視頻流的一幀中檢測出人像并將人像從背景中分離出來，并自動地將其保存。人像跟蹤是指利用人像捕獲技術，當指定的人像在攝像頭拍攝的范圍內移動時自動地對其進行跟蹤。人臉識別比對

人臉識別分核實式和搜索式二種比對模式。核實式是對指將捕獲得到的人像或是指定的人像與數據庫中已登記的某一對像作比對核實確定其是否為同一人。搜索式的比對是指，從數據庫中已登記的所有人像中搜索查找是否有指定的人像存在。

人臉的建模與檢索

可以將登記入庫的人像數據進行建模提取人臉的特征，并將其生成人臉模板（人臉特征文件）保存到數據庫中。在進行人臉搜索時（搜索式），將指定的人像進行建模，再將其與數據庫中的所有人的模板相比對識別，最終將根據所比對的相似值列出最相似的人員列表。

真人鑒別功能

系統可以識別得出攝像頭前的人是一個真正的人還是一幅照片。以此杜絕使用者用照片作假。此項技術需要使用者作臉部表情的配合動作。

圖像質量檢測

圖像質量的好壞直接影響到識別的效果，圖像質量的檢測功能能對即將進行比對的照片進行圖像質量評估，并給出相應的建議值來輔助識別。5基本方法編輯

人臉識別的方法很多，主要的人臉識別方法有：

（1）幾何特征的人臉識別方法：幾何特征可以是眼、慧眼人臉識別考勤機 鼻、嘴等的形狀和它們之間的幾何關系（如相互之間的距離）。這些算法識別速度快，需要的內存小，但識別率較低。

（2）基于特征臉（PCA）的人臉識別方法：特征臉方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基于圖像灰度的統計特性的。目前有一些改進型的特征臉方法。

（3）神經網絡的人臉識別方法：神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。

（4）彈性圖匹配的人臉識別方法：彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓練。

（5）線段Hausdorff 距離(LHD)的人臉識別方法：心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。

慧眼人臉識別考勤機

（6）支持向量機(SVM)的人臉識別方法：支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，該函數的取法沒有統一的理論。6技術細節編輯

一般來說，人臉識別系統包括圖像攝取、人臉定位、圖像預處理、以及人臉識別（身份確認或者身份查找）。系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數據庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。

人臉識別的算法可以分類為：

基于人臉特征點的識別算法（Feature-based recognition algorithms）?；谡四槇D像的識別算法（Appearance-based recognition algorithms）。

基于模板的識別算法（Template-based recognition algorithms）。利用神經網絡進行識別的算法（Recognition algorithms using neural network）。7優缺點編輯

人臉識別優點

相比較其他生物識別技術而言：

非接觸的，用戶不需要和設備直接接觸；

非強制性，被識別的人臉圖像信息可以主動獲??；

并發性，即實際應用場景下可以進行多個人臉的分揀、判斷及識別。

人臉識別的弱點

對周圍的光線環境敏感，可能影響識別的準確性； 人體面部的頭發、飾物等遮擋物，人臉變老等因素，需要進行人工智能補償；（如可通過識別人臉的部分關鍵特性做修正）。8技術應用編輯

1．企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。2．電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織（ICAO）已確定，從 2010年 4月 1日起，其 118個成員國家和地區，人臉識別技術是首推識別模式，該規定已經成為國際標準。美國已經要求和它有出入免簽證協議的國家在2006年10月 26日之前必須使用結合了人臉指紋等生物特征的電子護照系統，到 2006年底已經有 50多個國家實現了這樣的系統。美國運輸安全署（Transportation Security Administration）計劃在全美推廣一項基于生物特征的國內通旅行證件。歐洲很多國家也在計劃或者正在實施類似的計劃，用包含生物特征的證件對旅客進行識別和管理[7]。中國的電子護照計劃公安部一所正在加緊規劃和實施。

3．公安、司法和刑偵。如利用人臉識別系統和網絡，在全國范圍內搜捕逃犯。

4．自助服務。如銀行的自動提款機，如果同時應用人臉識別就會避免被他人盜取現金現象的發生。

5．信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現。如果密碼被盜，就無法保證安全。如果使用生物特征，就可以做到當事人在網上的數字身份和真實身份統一。從而大大增加電子商務和電子政務系統的可靠性。9應用前景編輯

生物識別技術被廣泛用于政府、軍隊、銀行、社會福利保障、電子商務、安全防務等領域。例如，一位儲戶走進了銀行，他既沒帶銀行卡，也沒有回憶密碼就徑直提款，當他在提款機上提款時，一臺攝像機對該用戶的眼睛掃描，然后迅速而準確地完成了用戶身份鑒定，辦理完業務。這是美國德克薩斯州聯合銀行的一個營業部中發生的一個真實的鏡頭。而該營業部所使用的正是現代生物識別技術中的“虹膜識別系統”。此外，美國“9.11”事件后，反恐怖活動已成為各國政府的共識，加強機場的安全防務十分重要。美國維薩格公司的臉像識別技術在美國的兩家機場大顯神通，它能在擁擠的人群中挑出某一張面孔，判斷他是不是通緝犯。

隨著技術的進一步成熟和社會認同度的提高，人臉識別技術將應用在更多的領域。

1、企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。

2、電子護照及身份證。這或許是未來規模最大的應用，國際民航組織(ICAO)已確定，從2010年起，其118個成員國家和地區，必須使用機讀護照，人臉識別技術是首推識別模式，該規定已經成為國際標準。中國的電子護照計劃公安部一所正在加緊規劃和實施。

3、公安、司法和刑偵。如利用人臉識別系統和網絡，在全國范圍內搜捕逃犯。

4、自助服務。如銀行的自動提款機，如果用戶卡片和密碼被盜，就會被他人冒取現金。如果同時應用人臉識別就會避免這種情況的發生。

5、信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現，如果密碼被盜，就無法保證安全。但是使用生物特征，就可以做到當事人在網上的數字身份和真實身份統一，從而大大增加電子商務和電子政務系統的可靠性。[1]

2012年無錫采用物聯網人臉識別技術規范建筑市場。無錫的建筑工地將從6月1日起每天通過物聯網技術進行人臉識別，通過考勤管理，確保項目負責人到位，掛靠、層層轉包等現象將有望受到限制。

京滬高鐵三站將建人臉識別系統，整容也能被識別。鐵路部門發布計劃表示，將在京滬高鐵段的上海虹橋站、天津西站、濟南西站這三個站點，建設人臉識別系統工程，以協助公安部門抓捕在逃罪犯。利用這個系統，作案后的犯罪分子，即使整容，也將能夠被識別。[2]

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢?！悏?/p>

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p>

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>

第三篇：人臉識別技術發展及應用分析解讀[推薦]

人臉識別技術發展及應用分析

人臉識別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。用攝像機采集人臉圖像，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處理，包括人臉圖像采集、人臉定位、人臉識別預處理、記憶存儲和比對辨識，達到識別不同人身份的目的。

市場現狀

人臉識別技術的研究始于20世紀60年代末期。20世紀90年代后期以來，一些商業性的人臉識別系統逐漸進入市場，但是，這些技術和系統離實用化都有一定距離，性能和準確率也有待提高。

美國遭遇恐怖襲擊后，這一技術引起了廣泛關注。作為非常容易隱蔽使用的識別技術，人臉識別逐漸成為國際反恐和安全防范重要的手段之一。近年來，人臉識別在中國市場，也經歷著迅速的發展，而且發展的腳步也越來越快。主要原因有以下兩方面?？萍嫉倪M步

國際上，美國標準與技術研究院（NIST）舉辦的Face Recognition Vendor Test 2006，通過大規模的人臉數據測試表明，當今世界上人臉識別方法的識別精度比2002年的FRVT2002至少提高了一個數量級（10倍），而對于高清晰，高質量人臉圖像識別，機器的識別精度幾乎達到100%。在我國，近年來科技界和社會各個方面都認識到人臉識別技術的重要性，國家政策對人臉識別技術研究給予了很大支持，使得我國人臉識別技術也得到了迅速的發展。應用需求的增加

越來越趨向于高科技的犯罪手段使得人們對各種場合的安全機制要求也近乎苛刻，各種應用需求不斷涌現。人臉識別市場的快速發展一方面歸功于生物識別需求的多元化，另一方面則是由于人臉識別技術的進步。從需求上來說，除了傳統的考勤、門禁等應用外，視頻監控環境下的身份識別正成為一種迫切的需求，即在一個較復雜的場景中，在較遠的距離就識別出特定的人，這顯然是其它生物識別方法所欠缺的，而人臉識別卻是一個極佳的選擇。技術歷程

國家“十一五”科技發展規劃將人臉識別技術的研究與發展列入其中，明確指出：“要在生物特征識別技術領域縮小與世界先進水平的差距，開展生物特征識別應用技術研究，開發具有高安全性、低誤報率的出入口控制新產品?！痹谶@種環境下，國內一些科研院所和院校在人臉識別技術方面取得了很大進展。如中科院自動化所，清華大學，中科院計算所自主開發的人臉識別技術已經達到了國際先進的水平。

傳統的人臉識別技術主要是基于可見光圖像的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但目前這兩種技術還遠不成熟，識別效果不盡人意。

最近迅速發展起來的一種解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。[nextpage] 可見光人臉識別技術

可見光是光譜中人眼可以感知的部分，可見光譜沒有精確的范圍，一般人的眼睛可以感知可見光的波長在400到700納米之間。作為可為人眼感知的光源，也是生活中最常見的光源。因此，傳統的人臉識別技術主要基于可見光圖像的人臉識別，這也是人們最熟悉的人臉識別方式。

為了克服受環境光照的影響，學術界做了大量的研究和技術開發。對可見光人臉識別系統進行了大量改進,以減輕環境光照的影響，目前也取得了一定的進步。

多光源人臉識別技術

在自然界中，除人眼可見的光線外，還存在著紅外、紫外等不可見的光線。為了克服可見光因環境因素而變化的影響，相關企業做了大量的研究和技術開發。基于紅外與可見光融合的多光源人臉識別方法是人臉識別技術的一項革命性創新，目的在于消除可見光變化對人臉識別的影響。

可見光圖像受光源影響較大，而單純的紅外圖像可以獨立光源，但對溫度變化比較敏感，而紅外與可見光融合的多光源人臉識別方法，被證明比任意單一光源的識別更有效。它是一種基于融合紅外與可見光圖像的人臉識別方法，對紅外與可見光人臉圖像分別采用PCA與線性辨別分析相結合的方法進行特征提取和識別，并利用獲得的識別結果與它們各自的置信度進行決策融合，并確定最終的人臉識別結果。實驗表明，可以有效提高人臉識別性能和對各種應用環境的適用性。技術優勢

人臉識別較之于其它生物識別技術，在社會公共安全領域的應用，具有更明顯的優勢。

首先是其自然性，該識別技術同人類（甚至其它生物）進行個體識別時所利用的生物特征相同。例如臉部識別，人類也是通過觀察比較人臉區分并確認身份的，另外具有自然性的識別還有語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其它生物并不通過此類生物特征區別個體。

其次是其不被察覺性，不被察覺對于一種識別方法也很重要，這會使該識別方法不令人反感，并且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同于指紋識別或者虹膜識別，需要利用電子壓力傳感器采集指紋，或者近距離采集虹膜圖像，這些特殊的采集方式很容易被人察覺，從而更有可能被偽裝欺騙。這一特點特別適用于逃犯跟蹤系統。

再則是其非接觸性和唯一性，使其更加適合運用于公安刑偵系統，門禁考勤系統，網絡應用系統等。應用前景

目前生物識別技術已廣泛用于政府、軍隊、銀行、社會福利保障、電子商務、安全防務等領域。例如，一位儲戶走進了銀行，他既沒帶銀行卡，也沒有回憶密碼就徑直提款，當他在提款機上提款時，一臺攝像機對該用戶的眼睛掃描，然后迅速而準確地完成了用戶身份鑒定，辦理完業務。這是美國德克薩斯州聯合銀行的一個營業部中發生的一個真實的鏡頭。而該營業部所使用的正是現代生物識別技術中的“虹膜識別系統”。此外，美國“9.11”事件后，反恐怖活動已成為各國政府的共識，加強機場的安全防務十分重要。美國維薩格公司的臉像識別技術在美國的兩家機場大顯神通，它能在擁擠的人群中挑出某一張面孔，判斷他是不是通緝犯。

隨著技術的進一步成熟和社會認同度的提高，人臉識別技術將應用在更多的領域。

1、企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。

2、電子護照及身份證。這或許是未來規模最大的應用，國際民航組織（ICAO）已確定，從2010年起，其118個成員國家和地區，必須使用機讀護照，人臉識別技術是首推識別模式，該規定已經成為國際標準。中國的電子護照計劃公安部一所正在加緊規劃和實施。

3、公安、司法和刑偵。如利用人臉識別系統和網絡，在全國范圍內搜捕逃犯。

4、自助服務。如銀行的自動提款機，如果用戶卡片和密碼被盜，就會被他人冒取現金。如果同時應用人臉識別就會避免這種情況的發生。

5、信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現，如果密碼被盜，就無法保證安全。但是使用生物特征，就可以做到當事人在網上的數字身份和真實身份統一，從而大大增加電子商務和電子政務系統的可靠性。人臉識別產業的發展

這些年來我國經濟發展日新月異，政府各部門對利用新技術解決關鍵問題熱情支持。人臉識別技術廣泛應用到電子護照、生物特征身份證、銀行系統、公安系統、電子商務、電子政務等系統中，不但可以提高社會運行的效率，也可以大大增強公民日常生活的安全性。這將是一件功在當代利在千秋的好事。發展人臉識別技術離不開標準化工作。目前人臉識別標準化工作在公安部一所、電子技術標準研究所和中科院自動化所的倡導下，正在積極進行。這個工作不僅為規范國內技術產品提供標準化規范，也將為中國技術進入國際提供平臺。

目前，人臉識別技術的應用還沒有做到“普及”，但是不可否認，它已經在開始影響我們的生活。通過一批專家學者不倦的努力，我國的人臉識別技術已經不落后于發達國家。與此同時，市場對可靠的人臉識別技術的需求也越來越迫切。一旦人臉識別得以推廣，發展前景將不可**。屆時，人臉識別技術本身的發展和應用效果還將有更大的提升，那將為我們的生活帶來更多的便利和安全。人臉識別產品選購安裝需注意的事項

由于生物識別產品受到外界因素的影響比較大，因而在選購、安裝等事項上也需要注意很多問題，而人臉識別產品受環境影響更大則更應該做較多的考慮。

那么在具體的選購安裝中要注意的事項有：第一，該人臉識別產品在逆光下的檢測結果是否理想。第二，注意該產品數據庫的模板建立是否達到要求。理想情況下數據庫的模板數量是越多越好，當然在選擇的時候只要能達到自己的容量大小就可以了；另外，對最小像素點的要求也需考慮，如雙眼要達到100個像素點則比較不錯。第三，對產品采集圖像的最小角度的要求能否達到自己的預期。若不能達到自己滿意的角度則可以不考慮。

除此之外，眼鏡對于識別率的影響也應該列入選購范圍內，如采集圖片的時候雙目會不會被眼鏡遮擋，若被采集者佩戴較粗的鏡框，則有影響識別誤差的可能性。還有一個比較重要的因素是，該產品是否具有活體檢測功能，對于眼睛的睜開和關閉、眼球的運動等是否會影響到產品的識別誤差。

安裝的時候需要雙向的結合考慮，安裝攝像機不能太高，還要考慮軟件能適應多少容量，補光情況怎樣，對光線下的識別率影響情況如何，是否受偏光的影響較大等，都是需要安裝的時候去認真考慮的問題。

以上這些都是檢測人臉識別產品好壞的一些標準，希望能給工程商和用戶提供一些選購安裝的依據。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難?！懹?/p>

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆?！鬃?/p>

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>

第四篇：人臉識別相關技術分析報告解讀

人臉識別相關技術

分析報告

2015年10月

目 錄

第一章 分析概述...........................................................................................................................................2

一、背景調研............................................................................................................................................2

二、檢索及分析內容................................................................................................................................2 第二章 人臉識別專利態勢及技術研發分析...............................................................................................4

一、專利態勢及技術研發分析................................................................................................................4

（1）人臉識別專利申請趨勢分析......................................................................................................4

（2）技術生命周期..............................................................................................................................5（3）人臉識別技術構成......................................................................................................................6（4）人臉識別競爭對手分析..............................................................................................................7

二、技術路線分析...................................................................................................................................8

（1）人臉定位技術路線....................................................................................................................8（2）圖像獲取技術路線....................................................................................................................9（3）人臉跟蹤技術路線....................................................................................................................10 第一章 分析概述

一、背景調研

人臉檢測識別技術是基于人臉特征來進行身份識別的技術。與其他識別方式相比，由于人臉始終暴露在外面，采集人臉特征有直接、友好、方便的特點?，F在，國際銀行組織、國際民航組織的生物特征識別護照的標準中明文規定必選的特征是人臉，可選的特征是指紋、虹膜或者在其它特征中任何一種。目前我國公民的第二代身份證有嵌入可機讀的人臉圖像信息，這也為下一步人臉識別廣泛應用打下有利的基礎。

上世紀九十年代以來，人臉檢測識別技術研究達到了高潮時期，一批具有代表性的論文和算法產生，自動人臉識別技術也得到了長足的發展，相關機構組織了如人臉手勢識別等專門的國際學術會議。另外，現在很多的研究型理工大學和兀公司都在著手人臉檢測識別研究。領域內最著名的國際研究機構包括：美國麻省理工學院媒體實驗室及人工智能實驗室、南加州大學、馬里蘭大學、卡內基一梅隆大學機器人研究及交互系統實驗室等。在我國，清華大學計算機系、電子系瞻嘲、中科院自動化所陽吲、南京理工大學、南京航空航天大學、哈爾濱工業大學等進行了許多很有意義的嘗試，積累了經驗。國內的研究工作主要是集中在三大類方法的研究：基于幾何特征的人臉識別方法、基于代數特征的人臉識別方法和基于連接機制的人臉識別方法。人臉識別由于具有直接、友好、方便的特點，使用者無任何心理障礙，易于被用戶所接受，從而得到了廣泛的應用。主要在以下幾個方面：(1)檔案管理系統(2)安全驗證系統(3)信用卡驗證(4)公安系統的罪犯身份識別(5)銀行和海關的監控(6)人機交互等。

人臉識別系統包括：(1)人臉圖像的獲取(2)人臉的檢測(3)特征提取(4)基于人臉圖像比對的身份識別(5)基于人臉圖像比對的身份驗證

二、檢索及分析內容

本分析對人臉識別相關專利進行了中國專利檢索，檢索采用國家知識產權局專利數據庫，以該專利數據為基礎對其相關技術進行了分析，以期能從戰略層面為漢柏的技術研發、專利布局和專利風險預防提供借鑒參考。

具體分析項如下：（1）專利申請趨勢分析（2）技術構成（3）競爭對手分析（4）技術路線圖分析

第二章 人臉識別專利態勢及技術研發分析

第二章 人臉識別專利態勢及技術研發分析

截至報告檢索完成日期，共檢索得到人臉識別公司專利3516件。我們以此3516件專利作為基礎進行人臉識別技術專利態勢技術及研發分析，包括專利申請趨勢分析、技術生命周期、技術構成、發明人分析、競爭對手分析等，由此獲取人臉識別技術發展情況，為漢柏的科研和決策提供參考。

一、專利態勢及技術研發分析

（1）人臉識別專利申請趨勢分析

圖表 1 人臉識別專利申請趨勢

圖表1顯示了人臉識別專利申請趨勢。如上圖所示，自1995年起首次出現人臉識別相關專利申請，1995-2004年期間專利申請量發展平穩，增長率不大，自2005年起該領域專利申請量呈快速增長，2010年后呈爆發式增長。

應注意的是，受到報告截止的統計時間的影響，2015年的數據必然不是最終數據，僅起到一定參考作用，以下情況相同，不做另述。

第二章 人臉識別專利態勢及技術研發分析

（2）技術生命周期

分析人臉識別相關技術的申請人數量及專利申請數量隨時間分布，可分析該技術生命周期發展情況。

圖表 2 人臉識別專利申請趨勢

1995-2005年為該技術發展起步階段，申請人及申請量都較少，2005-2014年為該技術發展的成長階段，申請人數量及申請量均迅猛增長，2015年之后，將陸續有專利超過保護期限而失效，行業壁壘逐漸減少，可能競爭會更加激烈。

第二章 人臉識別專利態勢及技術研發分析

（3）人臉識別技術構成

分析人臉識別相關技術的技術構成，可以看出該的技術發展的熱點。

圖表 3 人臉識別重點技術隨時間分布圖

圖表2顯示了人臉識別技術構成前10位技術領域的IPC和專利量。人臉識別的技術構成主要集中于：G06K 數據識別；數據表示

第二章 人臉識別專利態勢及技術研發分析

（4）人臉識別競爭對手分析

通過對該技術申請人統計分析，可以找到掌握該技術最重要的競爭對手。

圖表4 人臉識別技術重要競爭對手

圖表4顯示出掌握該技術專利數量最大的幾個申請人，主要以應用類產品研發的公司及研究型大學為主。

第二章 人臉識別專利態勢及技術研發分析

二、技術路線分析

（1）人臉定位技術路線

第二章 人臉識別專利態勢及技術研發分析

（2）圖像獲取技術路線

第二章 人臉識別專利態勢及技術研發分析

（3）人臉跟蹤技術路線

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲?！佌媲?/p>

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p>

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p>

17、學習永遠不晚?！郀柣?/p>

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p>

19、學而不思則惘，思而不學則殆?！鬃?/p>

20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p>

第五篇：人臉識別技術是什么原理

人臉識別技術是什么原理

1面像識別原理2、1、1面像識別技術概述

面像識別是近年來隨著計算機技術、圖象處理技術、模式識別技術等技術的快速進步而出現的一種嶄新的生物特征識別技術。生物識別技術是依靠人體的身體特征來進行身份驗證的一種高科技識別技術，如同人的指紋、掌紋、眼虹膜、DNA以及相貌等人體特征具有人體所固有的不可復制的唯一性、穩定性、無法復制一樣，不易失竊或被遺忘。由于每個人的這些特征都不相同，因此利用人體的這些獨特的生理特征可以準確地識別每個人的身份。

隨著計算機技術的迅速發展，人們開發了指紋識別、聲音識別、掌形識別、簽名識別、眼紋（視網膜）識別等多種生物識別技術，目前許多技術都己經成熟并得以應用。而面像識別技術則是生物識別技術的新秀，與其他識別技術相比較，面像識別具有簡便、準確、經濟及可擴展性良好等眾多優勢，可廣泛應用于安全驗證、監控、出入口控制等多個方面。

面像識別技術包含面像檢測、面像跟蹤與面像比對等課題。面像檢測是指在動態的場景與復雜的背景中判斷是否存在面像并分離出面像，面像跟蹤指對被檢測到的面像進行動態目標跟蹤，面像比對則是對被檢測到的面像進行身份確認或在面像庫中進行目標搜索。

面像檢測分為參考模板、人臉規則、樣本學習、膚色模型與特征子臉等方法。參考模板方法首先設計一個或數個標準人臉模板，然后計算測試樣本與標準模板之間的匹配程度，通過閥值來判斷是否存在人臉；人臉具有一定的結構分布特征，人臉規則即提取這些特征生成相應的規則以判斷測試樣本是否包含人臉；樣本學習則采用模式識別中人工神經網絡方法，通過對面像樣本集和非面像樣本集的學習產生分類器；膚色模型依據面像膚色在色彩空間中分布相對集中的規律來進行檢測；特征子臉將所有面像集合視為一個面像子空間，基于檢測樣本與其在子空間的投影之間的距離判斷是否存在面像。

上述方法在實際系統中也可綜合采用。

面像跟蹤一般采用基于模型的方法或基于運動與模型相結合的方法，另外，膚色模型跟

蹤也不失為一種簡單有效的手段。

面像比對從本質上講是采樣面像與庫存面像的依次比對并找出最佳匹配對象。因此，面像的描述決定了面像識別的具體方法與性能。目前主要有特征向量與面紋模板兩種描述方

法，特征向量法先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離、角度等等

屬性，然后計算出它們的幾何特征量，這些特征量形成一描述該面像的特征向量；面紋模板

法則在庫中存儲若干標準面像模板或面像器官模板，在比對時，采樣面像所有象素與庫中所

有模板采用歸一化相關量度量進行匹配。另外，還有模式識別的自相關網絡或特征與模板結

合的方法。

面像識別技術的最新進展是可以通過攝象機來搜索捕捉識別活動的人像，而不僅僅

識別照片。例如，最近由美國新澤西州Visionics公司開發的面像局部特征分析法識別

系統，僅用一部攝象機和一臺計算機，即可在人群中識別出某個人來。

該系統利用攝象機掃描拍攝的某一區域，搜索有可能是人臉的形狀。然后在存儲器

中搜索已事先存入的與之類似的面部特征。為了確認掃描到的眼睛、鼻子和嘴等特征就是一

個活人而不是人體模型或圖片，系統還對眨眼或其他可以提供信息的面部動作進行搜索。

然后系統對組成面部圖像的像素進行分析。它將每個像素點的明暗度與相鄰點進行比較，查找明暗度向周圍呈放射突變的區域。在眉骨、眼睛、或者其他突起的特征，比如顴骨和鼻子等處，都會出現這種突變。系統將勾勒出每一個這種像素點的位置，這些點稱為“參照點”然后在點之間連線，形成一個由三角形構成的網絡。

系統將測量每個三角形的角度，生成由672個1和0組成的數來描述一張面孔。之后程

序嘗試從它的數據庫中找出與該數據相匹配的類似記錄。這種匹配不可能絕對理想，因此軟

件會將相似程度分為不同的等級。軟件是根據骨絡結構描繪參考點的，因此胡須、化妝和眼

睛等偽裝都不可能騙過它。

用于撲捉面部圖像的除了為標準視頻外，近來的發展趨勢是熱成像技術。熱成像技術通

過分析由面部的毛細血管的血液產生的熱線來形成面部圖像，與視頻攝像頭不同，熱成像技

術并不需要在較好的光源條件下，因此即使在黑暗情況下也可以使用。并可更好地排除胡須、頭發以及化妝引起的面部變化的干擾。2、1、2面像識別過程

1．建立面像檔案:可以從攝像頭采集面像文件或取照片文件，生成面紋(Faceprint)編碼；

2．獲取當前面像，可以從攝像頭捕捉面像或取照片輸入，生成其面紋；

3．將當前面像的面紋編碼與檔案中的面紋編碼進行檢索比對。

“面紋”編碼方式是根據臉部的本質特征和開頭來工作的，它可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，使得它可以從百萬人中精確地辨認出一個人。

上述整個過程都自動、連續、實時地完成，而且系統只需要普通的處理設備。幾乎所有的生物測量過程對人們來說都是一種干擾。指紋和掌紋的測定需要人們將手放在玻璃表面。虹膜掃描需要用激光照射你的眼睛。面部識別最大的優越性在于它的方便性, 快速性，而且是非侵擾的。面部識別無需干擾人們行為而達到識別效果，無需為是否愿意將手放在指紋采集設備上，或對著麥克風講話，或是將他們的眼睛對準激光掃描裝置而進行爭辯。你只要很快從一架攝像機前走過，你就已經被快速的檢驗。2、1、3面像識別技術應用范圍

面像識別技術作為生物識別技術體系的后起之秀，將有著十分廣泛的應用前景?？蓱糜谥T多領域，如出入口控制、銀行金融系統、公安追輯嫌疑犯、反恐怖斗爭以及互聯網中等等。在我國開展的“追逃”斗爭，如果能利用面像識別技術，則可大大提高工作效率，并能對犯罪分子產生極大的威懾力量。使用面像識別系統只要在重要的車站、碼頭、機場、海關出入口附近架設攝像機，系統即可在無人職守的狀態下，自動捕捉進、出上述場所的人員的頭像，并通過計算機網絡將面像特征數據傳送到計算機中心數據庫，自動與面像數據庫中的逃犯面像比較，迅速準確地作出身份判斷。一旦發現吻合的頭像，可以自動報警并記錄。

我國銀行金融系統對安全控制有著極高的要求，如電子商務信息系統、金庫的安全設施、保險柜、自動柜員機的使用等。由于近年來金融詐騙、搶劫發生率有所增高，對傳統安全措施提出了新的挑戰。面像識別技術不需要攜帶任何電子、機械“鑰匙”，可以杜絕丟失鑰匙、密碼的現象，如果配合IC卡、指紋識別等技術可以使安全系數成倍增長。同時，在ATM自動取款機上應用面像識別技術，可以免除用戶忘記密碼的苦惱，還可以有效防止冒領、盜取的事件發生。

目前，在我國，面部識別技術的研究和應用還剛剛開始，但在歐美等發達國家這一技術已被應用在許多場所。特別是“9.11”恐怖事件之后，美國警方率先在冰島國際機場、美國波士頓機場、美國奧克蘭機場、美國亞特蘭大機場、美國休斯敦機場等開始應用這一先進技術，借助閉路監視系統監控掃描人群自動搜尋警方所需要的恐怖分子目標。

蔣遂平:人臉識別技術及應用簡介人臉識別的分類

1.1 鑒別、驗證和監控

(1)鑒別(identification)：鑒別回答“這是誰？” 將給定的人臉圖象與計算機中存儲的N個人的圖象逐個比較，輸出M幅圖象，這些按與給定圖象的相似度從大到小排列，再由人來確定這是誰。通常，一個人在計算機中只存儲一幅正面圖象。

(2)驗證(verification)：驗證回答“這是否為某人？” 將給定的人臉圖象與與計算機中存儲的某人的圖象比較，回答給定的圖象是否為某人的圖象。通常，一個人在計算機中存儲多幅不同角度的圖象。

(3)監控(watch list)：監控同時具有鑒別和驗證，回?quot;這是否為要找的人？"(Are you looking for me?)。將未知身份的人的圖象輸入計算機，計算機決定這個人是否在監控名單中，如果在，還必須確定這個人的身份。

1.2 人臉識別和人頭識別

(1)人臉識別：輸入給計算機識別的人臉圖象，只包括人的臉部部分，沒有背景、頭發、衣服等。這時，計算機在進行真正的人臉識別。

(2)人頭識別：輸入給計算機識別的人臉圖象，除了包括人的臉部有皮膚的部分外，還有部分背景、頭發、衣服。這時，人臉的五官特征是次要的，頭發、背景、人臉輪廓等是主要特征，一旦頭發、背景等變化，識別率下降。

1.3 自動與半自動人臉識別

(1)自動人臉識別：輸入到計算機的圖象可以是包含人臉的圖象，由計算機自動檢測人臉部分進行分割后，進行識別。最初人們認為人臉檢測是件容易的事，后來發現人臉檢測可能比人臉識別更困難（特別是在灰度圖象情況下，這時沒有運動信息和膚色信息可利用），人臉檢測已經是一個獨立的研究課題。

(2)半自動人臉識別：采用人工確定人臉圖象中兩眼各自的中心位置，計算機根據這兩個位置分割人臉圖象，進行識別。常用于人臉鑒別。人臉識別的性能

2.1主要性能指標

測量人臉識別的主要性能指標有：（1）誤識率(False Accept Rate, FAR)：這是將其他人誤作指定人員的概率；（2）拒識率(False Reject Rate, FRR)：這是將指定人員誤作其它人員的概率。

計算機在判別時采用的閾值不同，這兩個指標也不同。一般情況下，誤識率FAR 隨閾值的增大（放寬條件）而增大，拒識率FRR 隨閾值的增大而減小。因此，可以采用錯誤率（Equal Error Rate, ERR）作為性能指標，這是調節閾值，使這FAR和FRR兩個指標相等時的FAR 或 FRR。

2.2 影響人臉識別性能的因素及解決方法

(1)背景和頭發：消除背景和頭發，只識別臉部圖象部分。

(2)人臉在圖象平面內的平移、縮放、旋轉：采用幾何規范化，人臉圖象經過旋轉、平移、縮放后，最后得到的臉部圖象為指定大小，兩眼水平，兩眼距離一定。

(3)人臉在圖象平面外的偏轉和俯仰：可以建立人臉的三維模型，或進行三維融合(morphing)，將人臉圖象恢復為正面圖象。

(4)光源位置和強度的變化：采用直方圖規范化，可以消除部分光照的影響。采用對稱的從陰影恢復形狀(symmteric shape from shading)技術，可以得到一個與光源位置無關的圖象。

(5)年齡的變化：建立人臉圖象的老化模型。

(6)表情的變化：提取對表情變化不敏感的特征，或者將人臉圖象分割為各個器官的圖象，分別識別后再綜合判斷。

(7)附著物（眼鏡、胡須）的影響。

(8)照相機的變化：同一人使用不同的照相機拍攝的圖象是不同的。應用情況

在無數影視或新聞中出現過這樣的場景：警方利用人臉識別技術抓住了罪犯。然而，在現實生活中，人臉識別技術的效果并不令人滿意。

美國陸軍實驗室在13周時間內，用270人的圖象測試一個人臉識別系統，發現識別率只有 51%。這套系統在機場中進行測試時，存儲了250人的圖象，其中的15人在1個月內通過攝影機958次，只有455次被正確辨認，識別率只有47%。在美國一個機場開展的一項為期8周的公開測試中，使用一家公司的人臉識別系統，在4個星期出錯率為53%。在另一個機場開展的一項為期90天的測試中，人臉識別系統發出的錯誤警報也太多。

人臉識別技術效果不盡如人意的原因：真人的電視圖像與存儲在數據庫中的照片在布光和角度方面有差別。目前的人臉識別技術在人處于靜止狀態或一小群人通過檢測點時有效，因此不適合在交通流量大的機場和街道拐角處使用。人臉識別要得到廣泛采用，還很有待時日。