人臉識(shí)別技術(shù)概述

　　廣義的人臉識(shí)別主要分為人臉檢測(cè)(facedetection)、特征提取(featureextraction)和人臉識(shí)別(facerecognition)三個(gè)過(guò)程，如圖1所示。

　　圖1典型的人臉識(shí)別過(guò)程

　　其中，第三步提到的人臉識(shí)別是狹義的人臉識(shí)別，即將待識(shí)別人臉?biāo)崛〉奶卣髋c數(shù)據(jù)庫(kù)中人臉的特征進(jìn)行對(duì)比，根據(jù)相似度判別分類。而人臉識(shí)別又可以分為兩個(gè)大類：一類是確認(rèn)(verification)，這是人臉圖像與數(shù)據(jù)庫(kù)中已存的該人圖像比對(duì)的過(guò)程，回答你是不是你的問(wèn)題;另一類是辨認(rèn)(identification)，這是人臉圖像與數(shù)據(jù)庫(kù)中已存的所有圖像匹配的過(guò)程，回答你是誰(shuí)的問(wèn)題。顯然，人臉辨認(rèn)要比人臉確認(rèn)困難，因?yàn)楸嬲J(rèn)需要進(jìn)行海量數(shù)據(jù)的匹配。在辨認(rèn)過(guò)程中，海量數(shù)據(jù)的處理、特征提取和分類算法的選擇變得非常重要。識(shí)別率和識(shí)別速度是人臉識(shí)別技術(shù)中主要的衡量算法性能的指標(biāo)。本文后面提到的人臉識(shí)別，主要指的是人臉辨認(rèn)。

　　人臉識(shí)別技術(shù)原理

　　人臉識(shí)別算法發(fā)展到今天，大致上可以分為兩類：基于特征的人臉識(shí)別算法和基于外觀的人臉識(shí)別算法。其中，多數(shù)基于特征的人臉識(shí)別算法屬于早期的人臉識(shí)別算法，現(xiàn)在已經(jīng)不再使用。不過(guò)近些年出現(xiàn)了一些新的基于特征的算法，并取得不錯(cuò)的效果。而基于外觀的人臉識(shí)別算法是由于實(shí)現(xiàn)簡(jiǎn)單，受到廣泛關(guān)注。接下來(lái)將分別介紹兩類人臉識(shí)別算法。

　　基于特征的人臉識(shí)別算法：早期的人臉識(shí)別算法主要是基于特征模板和幾何約束來(lái)實(shí)現(xiàn)的。這一類算法首先對(duì)輸入圖像進(jìn)行處理，提取出如眼睛、鼻子和嘴等面部特征和外觀輪廓。然后計(jì)算這些面部特征之間的幾何關(guān)系，如距離、面積和角度等。這樣將輸入圖像轉(zhuǎn)換為幾何特征向量后，使用標(biāo)準(zhǔn)的統(tǒng)計(jì)模式識(shí)別技術(shù)進(jìn)行匹配分類。由于算法利用了一些直觀的特征，計(jì)算量小。不過(guò)，由于其所需的特征點(diǎn)不能精確選擇，限制了它的應(yīng)用范圍。另外，當(dāng)光照變化、人臉有外物遮擋、面部表情變化時(shí)，特征變化較大。所以說(shuō)，這類算法只適合于人臉圖像的粗略識(shí)別，無(wú)法在實(shí)際中應(yīng)用。

　　圖2一些典型的面部幾何特征示意圖

　　以上這些方法都是通過(guò)一些特征模板和幾何約束來(lái)檢測(cè)特定的面部特征，并計(jì)算特征之間的關(guān)系。還有一些方法使用了圖像的局部表示來(lái)提取特征。其中最受關(guān)注的方法是局部二值模式(LBP)算法。LBP方法首先將圖像分成若干區(qū)域，在每個(gè)區(qū)域的像素3x3鄰域中用中心值作閾值化，將結(jié)果看成是二進(jìn)制數(shù)。圖3顯示了一個(gè)LBP算子。LBP算子的特點(diǎn)是對(duì)單調(diào)灰度變化保持不變。每個(gè)區(qū)域通過(guò)這樣的運(yùn)算得到一組直方圖，然后將所有的直方圖連起來(lái)組成一個(gè)大的直方圖并進(jìn)行直方圖匹配計(jì)算進(jìn)行分類。

　　圖3LBP算子

　　基于特征的人臉識(shí)別算法主要的優(yōu)勢(shì)在于對(duì)姿態(tài)、尺度和光照等變化魯棒。由于多數(shù)特征是基于手動(dòng)選擇和先驗(yàn)知識(shí)，受圖像本身的成像質(zhì)量影響較少。另外，提取出的面部特征往往維數(shù)較低，匹配速度快。這些方法的缺點(diǎn)是自動(dòng)特征提取的難度較大。如果特征集的鑒別能力弱，再多的后續(xù)處理也無(wú)法補(bǔ)償本身的不足。

　　基于外觀的人臉識(shí)別算法：基于外觀的人臉識(shí)別算法也稱為整體方法。它們使用圖像的全局信息來(lái)辨識(shí)人臉。最簡(jiǎn)單的整體方法是用二維數(shù)組來(lái)存放圖像的灰度值，然后直接對(duì)輸入圖像和數(shù)據(jù)庫(kù)中的所有圖像進(jìn)行相關(guān)性比較。這種方法的缺點(diǎn)非常多，如易受環(huán)境影響、計(jì)算耗時(shí)等。其中一個(gè)重要的問(wèn)題是這樣的分類是在一個(gè)非常高維的空間中進(jìn)行的。為了克服維數(shù)問(wèn)題，一些算法使用統(tǒng)計(jì)降維方法來(lái)獲取和保留更有用的信息，最典型的算法就是主成分分析(PCA)算法和線性鑒別分析(LDA)算法。

　　PCA算法指出任何特定的人臉可以由一個(gè)低維的特征子空間表示，并可以用這個(gè)特征子空間近似地重建。將輸入人臉圖像投影到特征子空間上得到的特征與已知的數(shù)據(jù)庫(kù)進(jìn)行比對(duì)來(lái)確定身份。PCA算法選取的特征最大化了人臉樣本間的差異，但也保留了一些由于光照和面部表情產(chǎn)生的不必要的變化。而同一個(gè)人由于光照產(chǎn)生的變化可能會(huì)大于不同人之間的變化，如圖4所示。LDA算法在最大化不同個(gè)體之間的樣本差異的同時(shí)，最小化同一個(gè)體內(nèi)部的樣本差異。這樣達(dá)到了人臉特征子空間的劃分。圖5是PCA和LDA算法的示例。其中，PCA的特征臉是由組成PCA特征子空間的特征向量按二維圖像來(lái)排列得到的類似人臉的圖像。LDA的Fisher臉也是同樣道理。經(jīng)過(guò)特征臉和Fisher臉重構(gòu)得到的人臉圖像在第四行?？梢钥吹剑琍CA重構(gòu)臉與輸入人臉差異較小，但LDA的Fisher臉很難辨認(rèn)，但突出了該個(gè)體的顯著特征。PCA和LDA方法都假設(shè)存在一個(gè)最優(yōu)的投影子空間。這個(gè)子空間的每個(gè)區(qū)域?qū)?yīng)唯一的一個(gè)人。然而，事實(shí)上在人臉空間中許多人經(jīng)常會(huì)映射到相同的區(qū)域中，因此這種假設(shè)并不成立。

　　圖4同一個(gè)人在不同光照下的圖片

　　整體方法主要的優(yōu)點(diǎn)是它們沒(méi)有丟棄圖像中的任何信息。然而，這也是它們的缺點(diǎn)。整體方法一般假設(shè)圖像中的所有像素是同等重要的。因此，這些技術(shù)不僅計(jì)算耗時(shí)，而且需要測(cè)試樣本與訓(xùn)練樣本高度相關(guān)。當(dāng)人臉圖像的姿態(tài)、尺度和光照發(fā)生較大變化時(shí)識(shí)別性能一般。

　　圖5PCA和LDA算法的示例

　　人臉識(shí)別系統(tǒng)應(yīng)用

　　人臉識(shí)別的應(yīng)用范圍很廣，從門禁、設(shè)備登錄到機(jī)場(chǎng)、公共區(qū)域的監(jiān)控。表1給出了一些人臉識(shí)別的應(yīng)用領(lǐng)域。

　　表1人臉識(shí)別的應(yīng)用領(lǐng)域

　　類別應(yīng)用領(lǐng)域

　　人臉驗(yàn)證駕照、簽證、身份證、護(hù)照、投票選舉等

　　接入控制設(shè)備存取、車輛訪問(wèn)、智能ATM、電腦接入、程序接入、網(wǎng)絡(luò)接入等

　　安全反恐報(bào)警、登機(jī)、體育場(chǎng)觀眾掃描、計(jì)算機(jī)安全、網(wǎng)絡(luò)安全等

　　監(jiān)控公園監(jiān)控、街道監(jiān)控、電網(wǎng)監(jiān)控、入口監(jiān)控等

　　智能卡用戶驗(yàn)證等

　　執(zhí)法嫌疑犯識(shí)別、欺騙識(shí)別等

　　人臉數(shù)據(jù)庫(kù)人臉檢索、人臉標(biāo)記、人臉?lè)诸惖?pan>

　　多媒體管理人臉?biāo)阉?、人臉視頻分割和拼接等

　　人機(jī)交互交互式游戲、主動(dòng)計(jì)算等

　　其他人臉重建、低比特率圖片和視頻傳輸?shù)?pan>

　　以公安應(yīng)用為例，公安部門在查辦案、處理事務(wù)時(shí)常常會(huì)遇到一些不明身份的人員，比如走丟的老人、小孩，拒不交代身份的嫌疑犯，無(wú)人認(rèn)領(lǐng)的尸體等。這時(shí)傳統(tǒng)的方法往往不能解決問(wèn)題。利用人臉檢索系統(tǒng)，將目標(biāo)人臉輸入到系統(tǒng)中。系統(tǒng)自動(dòng)在海量人口數(shù)據(jù)庫(kù)中進(jìn)行查找比對(duì)，列出前若干名相似的人員信息。然后再通過(guò)人工干預(yù)的方式，對(duì)系統(tǒng)結(jié)果進(jìn)行篩選，得到目標(biāo)的真實(shí)身份。

　　文章開(kāi)頭提到的是另外一種應(yīng)用。即在一些重要的通道出入口，部署高清探頭，專門用于抓拍經(jīng)過(guò)的人臉并傳送給后端系統(tǒng)。后端系統(tǒng)將人臉圖片與所關(guān)注的人臉庫(kù)(比如VIP客戶，或者在逃嫌疑犯等)進(jìn)行逐一比對(duì)。當(dāng)發(fā)現(xiàn)有目標(biāo)與庫(kù)中人員相似度超過(guò)設(shè)定閾值時(shí)，系統(tǒng)自動(dòng)提示相關(guān)人員采取措施。

　　人臉識(shí)別技術(shù)發(fā)展趨勢(shì)

　　前面提到了人臉識(shí)別的一些典型算法和應(yīng)用，但人臉識(shí)別技術(shù)發(fā)展到今天，還存在一定的局限性。圖4是同一個(gè)人在不同光照下的圖片，很直觀地可以看出，即使是同一個(gè)人，在不同光照下用肉眼也很難辨別。除了光照，還有姿態(tài)、表情、年齡等因素限制了人臉識(shí)別的應(yīng)用。目前的人臉識(shí)別系統(tǒng)只能在一些較規(guī)范的環(huán)境下進(jìn)行，人臉需要正對(duì)著攝像機(jī)，并保證人臉在畫(huà)面中有一定的像素寬度。但是在實(shí)際的安防監(jiān)控場(chǎng)合中，這些限制條件很難一一滿足。這就為人臉識(shí)別技術(shù)提出了更大的挑戰(zhàn)。未來(lái)的人臉識(shí)別算法需要進(jìn)一步提高精度，提高環(huán)境適應(yīng)性，以滿足實(shí)際的應(yīng)用需求。

　　現(xiàn)在已經(jīng)有一些機(jī)構(gòu)、高校在進(jìn)行人臉識(shí)別新領(lǐng)域、新技術(shù)的研究。比如遠(yuǎn)距離人臉識(shí)別技術(shù)，3D人臉識(shí)別技術(shù)等。遠(yuǎn)距離人臉識(shí)別系統(tǒng)面臨兩個(gè)主要困難。首先是如何從遠(yuǎn)距離獲取人臉圖像。其次，在得到的數(shù)據(jù)并不理想的情況下，如何識(shí)別身份。從某種意義上來(lái)看，遠(yuǎn)距離人臉識(shí)別并不是一個(gè)特定的關(guān)鍵技術(shù)或者基礎(chǔ)研究問(wèn)題。它可以看成是一個(gè)應(yīng)用和系統(tǒng)設(shè)計(jì)問(wèn)題。通常有兩類解決方法用于獲取人臉圖片。一種是高清的固定式攝像機(jī)，另一種是使用PTZ控制系統(tǒng)多攝像機(jī)系統(tǒng)。后者更適合于一般情況，不過(guò)其結(jié)構(gòu)更為復(fù)雜，造價(jià)也更貴。后者需要考慮如何協(xié)調(diào)多臺(tái)攝像機(jī)的同步操作。一般地，系統(tǒng)由低分辨率廣角攝像機(jī)和高分辨率長(zhǎng)焦攝像機(jī)組成。前者用于檢測(cè)和追蹤目標(biāo)，后者用于人臉圖像采集和識(shí)別。目前遠(yuǎn)距離人臉識(shí)別技術(shù)還處于實(shí)驗(yàn)室階段，未來(lái)如果能夠解決上述問(wèn)題，對(duì)人員布控這樣的應(yīng)用有著重要意義。

　　3D人臉識(shí)別能夠很好地克服2D人臉識(shí)別遇到的姿態(tài)、光照、表情等問(wèn)題。主要原因是2D圖像無(wú)法很好地表示深度信息。通常，3D人臉識(shí)別方法使用3D掃描技術(shù)獲取3D人臉，然后建立3D人臉模型并用于識(shí)別。不過(guò)，3D人臉識(shí)別技術(shù)的缺點(diǎn)也是很明顯的。首先它需要額外的3D采集設(shè)備或雙目立體視覺(jué)技術(shù)，其次，建模過(guò)程需要的計(jì)算量較大。相信隨著未來(lái)芯片技術(shù)的發(fā)展，當(dāng)計(jì)算能力不再受到制約，采集設(shè)備成本大幅下降的時(shí)候，3D人臉識(shí)別將會(huì)成為熱門技術(shù)之一。