“他來聽我的演唱會,門票換了手銬一對”。最近歌神張學(xué)友變阿SIR,演唱會上頻頻抓到罪犯,將人臉識別技術(shù)又一次推到了大眾的視線中。要說人臉識別技術(shù)的爆發(fā),當(dāng)屬去年9月份蘋果iPhone x的發(fā)布,不再需要指紋,只需要掃描面部就可以輕松解鎖手機(jī)。任何技術(shù)一旦進(jìn)入智能手機(jī)這個(gè)消費(fèi)市場,尤其是被蘋果這個(gè)標(biāo)志性的品牌采用,就意味著它將成為一種趨勢,一個(gè)智能設(shè)備的標(biāo)配。

在智能手機(jī)快速崛起的這幾年,其密碼鎖經(jīng)歷了從數(shù)字密碼、手勢解鎖到指紋識別的升級,發(fā)展到如今的虹膜識別和人臉識別?？梢灶A(yù)料的是,由于全面屏幕的普及和更為安全、便捷的 FaceID 技術(shù)的出現(xiàn),在不久的將來,指紋識別也將被智能手機(jī)廠商們所拋棄,完成它的歷史使命。

那么人臉識別到底是一項(xiàng)怎樣的技術(shù),這期《趣科技》,與非網(wǎng)小編就將帶大家走進(jìn)人臉識別,聊聊這項(xiàng)黑科技。

人臉識別是啥玩意兒?

人臉識別技術(shù),是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流,并自動在圖像中檢測和跟蹤人臉,進(jìn)而對檢測到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù),通常也叫做人像識別、面部識別。傳統(tǒng)的人臉識別技術(shù)主要是基于可見光圖像的人臉識別,這也是人們熟悉的識別方式。簡單的來說就是一個(gè)讓計(jì)算機(jī)認(rèn)出你的過程。

人臉識別技術(shù)主要是通過人臉圖像特征的提取與對比來進(jìn)行的。人臉識別系統(tǒng)將提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲的特征模板進(jìn)行搜索匹配,通過設(shè)定一個(gè)閾值,當(dāng)相似度超過這一閾值,則把匹配得到的結(jié)果輸出。將待識別的人臉特征與已得到的人臉特征模板進(jìn)行比較,根據(jù)相似程度對人臉的身份信息進(jìn)行判斷。這一過程又分為兩類:一類是確認(rèn),是一對一進(jìn)行圖像比較的過程,另一類是辨認(rèn),是一對多進(jìn)行圖像匹配對比的過程。

廣義的人臉識別實(shí)際包括構(gòu)建人臉識別系統(tǒng)的一系列相關(guān)技術(shù),包括人臉圖像采集、人臉定位、人臉識別預(yù)處理、身份確認(rèn)以及身份查找等;而狹義的人臉識別特指通過人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

人臉識別技術(shù)發(fā)展

早在20世紀(jì)50年代,認(rèn)知科學(xué)家就已著手對人臉識別展開研究。20世紀(jì)60年代,人臉識別工程化應(yīng)用研究正式開啟。當(dāng)時(shí)的方法主要利用了人臉的幾何結(jié)構(gòu),通過分析人臉器官特征點(diǎn)及其之間的拓?fù)潢P(guān)系進(jìn)行辨識。這種方法簡單直觀,但是一旦人臉姿態(tài)、表情發(fā)生變化,則精度嚴(yán)重下降。

1991年,著名的“特征臉”方法第一次將主成分分析和統(tǒng)計(jì)特征技術(shù)引入人臉識別,在實(shí)用效果上取得了長足的進(jìn)步。這一思路也在后續(xù)研究中得到進(jìn)一步發(fā)揚(yáng)光大,例如,Belhumer成功將Fisher判別準(zhǔn)則應(yīng)用于人臉分類,提出了基于線性判別分析的Fisherface方法。

由劍橋人臉數(shù)據(jù)集的特征分解獲得的前四個(gè)特征向量

21世紀(jì)的前十年,隨著機(jī)器學(xué)習(xí)理論的發(fā)展,學(xué)者們相繼探索出了基于遺傳算法、支持向量機(jī)(Support Vector Machine, SVM)、boosTIng、流形學(xué)習(xí)以及核方法等進(jìn)行人臉識別。 2009年至2012年,稀疏表達(dá)(Sparse RepresentaTIon)因?yàn)槠鋬?yōu)美的理論和對遮擋因素的魯棒性成為當(dāng)時(shí)的研究熱點(diǎn)。

與此同時(shí),業(yè)界也基本達(dá)成共識:基于人工精心設(shè)計(jì)的局部描述子進(jìn)行特征提取和子空間方法進(jìn)行特征選擇能夠取得最好的識別效果。Gabor及LBP特征描述子是迄今為止在人臉識別領(lǐng)域最為成功的兩種人工設(shè)計(jì)局部描述子。這期間,對各種人臉識別影響因子的針對性處理也是那一階段的研究熱點(diǎn),比如人臉光照歸一化、人臉姿態(tài)校正、人臉超分辨以及遮擋處理等。也是在這一階段,研究者的關(guān)注點(diǎn)開始從受限場景下的人臉識別轉(zhuǎn)移到非受限環(huán)境下的人臉識別。LFW人臉識別公開競賽在此背景下開始流行,當(dāng)時(shí)最好的識別系統(tǒng)盡管在受限的FRGC測試集上能取得99%以上的識別精度,但是在LFW上的最高精度僅僅在80%左右,距離實(shí)用看起來距離頗遠(yuǎn)。

2013年,MSRA的研究者首度嘗試了10萬規(guī)模的大訓(xùn)練數(shù)據(jù),并基于高維LBP特征和Joint Bayesian方法在LFW上獲得了95.17%的精度。這一結(jié)果表明:大訓(xùn)練數(shù)據(jù)集對于有效提升非受限環(huán)境下的人臉識別很重要。然而,以上所有這些經(jīng)典方法,都難以處理大規(guī)模數(shù)據(jù)集的訓(xùn)練場景。

2014年前后,隨著大數(shù)據(jù)和深度學(xué)習(xí)的發(fā)展,神經(jīng)網(wǎng)絡(luò)重受矚目,并在圖像分類、手寫體識別、語音識別等應(yīng)用中獲得了遠(yuǎn)超經(jīng)典方法的結(jié)果。香港中文大學(xué)的Sun Yi等人提出將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到人臉識別上,采用20萬訓(xùn)練數(shù)據(jù),在LFW上第一次得到超過人類水平的識別精度,這是人臉識別發(fā)展歷史上的一座里程碑。

表1 人臉識別經(jīng)典方法及其在LFW上精度對比

自此之后,研究者們不斷改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu),同時(shí)擴(kuò)大訓(xùn)練樣本規(guī)模,將LFW上的識別精度推到99.5%以上。如表1所示,我們給出了人臉識別發(fā)展過程中一些經(jīng)典的方法及其在LFW上的精度,一個(gè)基本的趨勢是:訓(xùn)練數(shù)據(jù)規(guī)模越來越大,識別精度越來越高。

人臉識別十大關(guān)鍵技術(shù)

1、人臉檢測(Face DetecTIon)

“人臉檢測(Face DetecTIon)”的作用就是要檢測出圖像中人臉?biāo)谖恢谩?

人臉檢測算法的輸入是一張圖像,輸出是人臉框坐標(biāo)序列,具體結(jié)果是0個(gè)人臉框或1個(gè)人臉框或多個(gè)人臉框。輸出的人臉坐標(biāo)框可以為正方形、矩形等。

人臉檢測算法的原理簡單來說是一個(gè)“掃描”加“判定”的過程。即首先在整個(gè)圖像范圍內(nèi)掃描,再逐個(gè)判定候選區(qū)域是否是人臉的過程。因此人臉檢測算法的計(jì)算速度會跟圖像尺寸大小以及圖像內(nèi)容相關(guān)。在實(shí)際算法時(shí),我們可以通過設(shè)置“輸入圖像尺寸”、或“最小臉尺寸限制”、“人臉數(shù)量上限”的方式來加速算法。

舉例說明:綠色矩形框標(biāo)注的即為人臉檢測算法檢測到的人臉位置

2、人臉配準(zhǔn)(Face Alignment)

“人臉配準(zhǔn)(Face Alignment)”所實(shí)現(xiàn)的目的是定位出人臉上五官關(guān)鍵點(diǎn)坐標(biāo)。

人臉配準(zhǔn)算法的輸入是“一張人臉圖像”和“人臉坐標(biāo)框”,輸出是五官關(guān)鍵點(diǎn)的坐標(biāo)序列。五官關(guān)鍵點(diǎn)的數(shù)量是預(yù)先設(shè)定好的一個(gè)固定數(shù)值,常見的有5點(diǎn)、68點(diǎn)、90點(diǎn)等等。

當(dāng)前效果的較好的一些人臉配準(zhǔn)技術(shù)基本通過深度學(xué)習(xí)框架實(shí)現(xiàn)。這些方法都是基于人臉檢測的坐標(biāo)框,按某種事先設(shè)定規(guī)則將人臉區(qū)域摳取出來,縮放到固定尺寸,然后進(jìn)行關(guān)鍵點(diǎn)位置的計(jì)算。另外,相對于人臉檢測,或者是后面將提到的人臉特征提取的過程,人臉配準(zhǔn)算法的計(jì)算耗時(shí)都要少很多。

舉例說明:輸入圖像以及輸出結(jié)果如下,綠色圓點(diǎn)標(biāo)注出了五官位置。

3、人臉屬性識別(Face Attribute)

“人臉屬性識別(Face Attribute)”是識別出人臉的性別、年齡、姿態(tài)、表情等屬性值的一項(xiàng)技術(shù)。這在有些相機(jī)APP中有所應(yīng)用,可以自動識別攝像頭視野中人物的性別、年齡等特征并標(biāo)注出來。

一般的人臉屬性識別算法的輸入是“一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”,輸出是人臉相應(yīng)的屬性值。人臉屬性識別算法一般會根據(jù)人臉五官關(guān)鍵點(diǎn)坐標(biāo)將人臉對齊,具體過程為旋轉(zhuǎn)、縮放、摳取等操作后,將人臉調(diào)整到預(yù)定的大小和形態(tài),以便之后進(jìn)行屬性分析。

人臉的屬性識別包括性別識別、年齡估計(jì)、表情識別、姿態(tài)識別、發(fā)型識別等等方面。一般來說每種屬性的識別算法過程是獨(dú)立的,但是有一些新型的基于深度學(xué)習(xí)實(shí)現(xiàn)的算法可以實(shí)現(xiàn)同時(shí)輸出年齡、性別、姿態(tài)、表情等屬性識別結(jié)果。

舉例說明:人臉屬性識別輸出結(jié)果如下

4、人臉提特征(Face Feature Extraction)

“人臉提特征(Face Feature Extraction)”是將一張人臉圖像轉(zhuǎn)化為可以表征人臉特點(diǎn)的特征,具體表現(xiàn)形式為一串固定長度的數(shù)值。

人臉提特征過程的輸入是 “一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”,輸出是人臉相應(yīng)的一個(gè)數(shù)值串(特征)。人臉提特征算法實(shí)現(xiàn)的過程為:首先將五官關(guān)鍵點(diǎn)坐標(biāo)進(jìn)行旋轉(zhuǎn)、縮放等等操作來實(shí)現(xiàn)人臉對齊,然后在提取特征并計(jì)算出數(shù)值串。

舉例說明:人臉特征提取過程

5、人臉比對(Face Compare)

“人臉比對(Face Compare)”算法實(shí)現(xiàn)的目的是衡量兩個(gè)人臉之間相似度。

人臉比對算法的輸入是兩個(gè)人臉特征人臉特征由前面的人臉提特征算法獲得,輸出是兩個(gè)特征之間的相似度。

舉例說明:人臉對比過程,輸出結(jié)果為相似度96%

6、人臉驗(yàn)證(Face Verification)

“人臉驗(yàn)證(Face Verification)”是判定兩個(gè)人臉圖是否為同一人的算法。

它的輸入是兩個(gè)人臉特征,通過人臉比對獲得兩個(gè)人臉特征的相似度,通過與預(yù)設(shè)的閾值比較來驗(yàn)證這兩個(gè)人臉特征是否屬于同一人。

舉例說明:人臉驗(yàn)證過程如下,相似度96%大于閾值75%,判定屬于同一個(gè)人

7、人臉識別(Face Recognition)

“人臉識別(Face Recognition)”是識別出輸入人臉圖對應(yīng)身份的算法。

它的輸入為一個(gè)人臉特征,通過和注冊在庫中N個(gè)身份對應(yīng)的特征進(jìn)行逐個(gè)比對,找出“一個(gè)”與輸入特征相似度最高的特征。將這個(gè)最高相似度值和預(yù)設(shè)的閾值相比較,如果大于閾值,則返回該特征對應(yīng)的身份,否則返回“不在庫中”。

舉例說明:人臉識別過程如下,判斷結(jié)果為輸入圖像為注冊庫中的jason

8、人臉檢索(Face Retrieval)

“人臉檢索”是查找和輸入人臉相似的人臉序列的算法。

人臉檢索通過將輸入的人臉和一個(gè)集合中的說有人臉進(jìn)行比對,根據(jù)比對后的相似度對集合中的人臉進(jìn)行排序。根據(jù)相似度從高到低排序的人臉序列即使人臉檢索的結(jié)果。

舉例說明:人臉檢索過程如下,右側(cè)綠框內(nèi)排序序列為檢索結(jié)果

9、人臉聚類(Face Cluster)

“人臉聚類(Face Cluster)”是將一個(gè)集合內(nèi)的人臉根據(jù)身份進(jìn)行分組的算法。

人臉聚類也通過將集合內(nèi)所有的人臉兩兩之間做人臉比對,再根據(jù)這些相似度值進(jìn)行分析,將屬于同一個(gè)身份的人劃分到一個(gè)組里。

在沒有進(jìn)行人工身份標(biāo)注前,只知道分到一個(gè)組的人臉是屬于同一個(gè)身份,但不知道確切身份。

舉例說明:人臉聚類過程如下,右側(cè)綠框內(nèi)按身份的分組結(jié)果為聚類結(jié)果

10、人臉活體(FaceLiveness)

“人臉活體(FaceLiveness)”是判斷人臉圖像是來自真人還是來自攻擊假體(照片、視頻等)的方法。

在我們生活環(huán)境中,人臉認(rèn)證系統(tǒng)中主要容易受到這種手段欺騙:

(1)用偷拍的照片假冒真實(shí)人;

(2)在公開場合錄的視頻或網(wǎng)上公開的視頻片段;

(3)用計(jì)算機(jī)輔助軟件設(shè)計(jì)的三維模型欺騙;

(4)用蠟或塑料等材質(zhì)構(gòu)造的三維雕像欺騙。

現(xiàn)在所以人臉活體檢測技術(shù)的研究顯得異常重要。對于照片欺騙,主要是根據(jù)分辨率、三位三維信息、眼動等來進(jìn)行區(qū)分;對于視頻欺騙,根據(jù)三維信息、光線等來區(qū)分。

人臉識別技術(shù)的主要用途

1、人臉識別技術(shù)應(yīng)用于鐵路安防系統(tǒng)

隨著技術(shù)的進(jìn)步,人員組織的不斷復(fù)雜化,鐵路安全形勢不斷面臨新的挑戰(zhàn)。火車票實(shí)名制有效阻止了不法分子進(jìn)入車站,但是,目前鐵路客運(yùn)安全檢查,基本還是靠安檢員來檢查票、證、人是否一致,而證件照片往往是多年前的照片,安檢員很難辨認(rèn),辨別度很低。而人臉識別技術(shù),準(zhǔn)確度高、便捷性好,運(yùn)用于鐵路安防系統(tǒng),將極大的提高安防系統(tǒng),強(qiáng)化通關(guān),讓不法分子無空子可鉆。另外,人臉識別技術(shù)還能助力強(qiáng)化追溯,支持在超大的人像庫中定位查找對象,這將有力協(xié)助公安部門偵破案件,或抓捕在逃案犯。

2、人臉識別技術(shù)應(yīng)用于教育領(lǐng)域

近年來,從中考、高考等升學(xué)考試,到執(zhí)業(yè)資格、晉級升職等等考試,均不同程度地出現(xiàn)了替考現(xiàn)象,而利用人臉識別技術(shù)實(shí)現(xiàn)證件內(nèi)照片特征和實(shí)時(shí)人臉照片特征比對識別,辨別考生身份,可防止考場替考現(xiàn)象的發(fā)生。人臉識別技術(shù)還可應(yīng)用于校園,能有效地對進(jìn)入校園的可疑人員做到預(yù)警。

3、人臉識別技術(shù)推進(jìn)于智能城市建設(shè)

隨著人類社會的不斷發(fā)展,未來城市將承載越來越多的人口,為實(shí)現(xiàn)城市可持續(xù)發(fā)展,建設(shè)智慧城市已成為當(dāng)今世界城市發(fā)展不可逆轉(zhuǎn)的歷史潮流。而在智慧城市的建設(shè)過程中,需注重對信息的結(jié)構(gòu)化存儲、分析挖掘,人臉的結(jié)構(gòu)化云識別儲存是構(gòu)建整個(gè)智慧城市基礎(chǔ)數(shù)據(jù)之一,是智慧城市云儲存體系中的不可或缺的一部分。通過智慧城市的高速數(shù)據(jù)傳輸鏈及結(jié)構(gòu)化的數(shù)據(jù)篩選,可將人臉大數(shù)據(jù)與智慧城市中其它的大數(shù)據(jù)之間碰撞出火花,更加凸顯出人臉識別“用”的價(jià)值。

如今,人臉識別技術(shù)不再僅僅局限在考勤、門禁行業(yè)的簡單應(yīng)用,而是憑借其人臉的唯一匹配性以及安全優(yōu)勢,受到高安全性環(huán)境應(yīng)用領(lǐng)域的青睞。而廈門云脈技術(shù)近年來致力于人臉識別核心技術(shù)的研發(fā)與產(chǎn)品化,并推動其與各行業(yè)相結(jié)合,依托自研的人臉識別算法以及成熟的OCR識別技術(shù),為切實(shí)解決不同行業(yè)難題,推出了不同的人臉識別解決方案。云脈人臉識別技術(shù)識別速度快,精度高,不受一些化妝、眼鏡等因素影響。

人臉識別的技術(shù)難點(diǎn)

人臉識別雖說發(fā)展到現(xiàn)在3、40年的時(shí)間了,但它一直存在的幾個(gè)難點(diǎn),到現(xiàn)在也沒能徹底解決。

1、光照問題

光照問題是機(jī)器視覺重的老問題,在人臉識別中的表現(xiàn)尤為明顯。由于人臉的3D結(jié)構(gòu),光照投射出的陰影,會加強(qiáng)或減弱原有的人臉特征。

2、表情姿態(tài)問題

與光照問題類似,姿態(tài)問題也是目前人臉識別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。姿態(tài)問題涉及頭部在三維垂直坐標(biāo)系中繞三個(gè)軸的旋轉(zhuǎn)造成的面部變化,其中垂直于圖像平面的兩個(gè)方向的深度旋轉(zhuǎn)會造成面部信息的部分缺失。針對姿態(tài)的研究相對比較的少,目前多數(shù)的人臉識別算法主要針列正面、準(zhǔn)正而人臉圖像,當(dāng)發(fā)生俯仰或者左右側(cè)而比較厲害的情況下,人臉識別算法的識別率也將會急劇下降。面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識別的準(zhǔn)確率。

3、遮擋問題

對于非配合情況下的人臉圖像采集,遮擋問題是一個(gè)非常嚴(yán)重的問題。特別是在監(jiān)控環(huán)境下,往往彼監(jiān)控對象都會帶著眼鏡,帽子等飾物,使得被采集出來的人臉圖像有可能不完整,從而影響了后面的特征提取與識別,甚至?xí)?dǎo)致人臉檢測算法的失效。

4、年齡變化

隨著年齡的變化,面部外觀也在變化,特別是對于青少年,這種變化更加的明顯。對于不同的年齡段,人臉識別算法的識別率也不同。一個(gè)人從少年變成青年,變成老年,他的容貌可能會發(fā)生比較大的變化,從而導(dǎo)致識別率的下降。對于不同的年齡段,人臉識別算法的識別率也不同。

5、人臉相似性

不同個(gè)體之間的區(qū)別不大,所有的人臉的結(jié)構(gòu)都相似,甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對于利用人臉進(jìn)行定位是有利的,但是對于利用人臉區(qū)分人類個(gè)體是不利的。

6、圖像質(zhì)量

人臉圖像的來源可能多種多樣,由于采集設(shè)備的不同,得到的人臉圖像質(zhì)量也不一樣,特別是對于那些低分辨率、噪聲大、質(zhì)量差的人臉圖像(如手機(jī)攝像頭拍攝的人臉圖片、遠(yuǎn)程監(jiān)控拍攝的圖片等)如何進(jìn)行有效地人臉識別是個(gè)需要關(guān)注的問題。同樣的,對于高分辨圖像對人臉識別算法的影響也需要進(jìn)一步的研究。

7、樣本缺乏

基于統(tǒng)計(jì)學(xué)習(xí)的人臉識別算法是目前人臉識別領(lǐng)域中的主流算法,但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的訓(xùn)練。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流形分布,能得到的樣本只是對人臉圖像空間中的一個(gè)極小部分的采樣,如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問題有待進(jìn)一步的研究。

8、海量數(shù)據(jù)

傳統(tǒng)人臉識別方法如PCA、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對于海量數(shù)據(jù),這些方法其訓(xùn)練過程難以進(jìn)行,甚至有可能崩潰。

9、大規(guī)模人臉識別

隨著人臉數(shù)據(jù)庫規(guī)模的增長,人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降。

國內(nèi)研究人臉識別的公司有哪些

2015年以來,已有騰訊、阿里、民生銀行等多個(gè)行業(yè)巨頭紛紛加碼人臉識別產(chǎn)業(yè)。國內(nèi)外巨頭紛紛加碼人臉識別技術(shù),將直接助推產(chǎn)業(yè)的爆發(fā)性增長。想知道具體企業(yè)以及方向,可以閱讀下方表格:

人臉識別的未來

隨著大數(shù)據(jù)、共享時(shí)代的來臨,數(shù)據(jù)安全問題也越發(fā)被重視起來,以人臉識別為代表的新一代技術(shù)革命已經(jīng)展開。這些對技術(shù)的要求越來越高,既要求數(shù)據(jù)的準(zhǔn)確性,又要保證數(shù)據(jù)的安全性,人臉識別在這方面大有可為,作為行業(yè)的主力軍,企業(yè)的技術(shù)實(shí)力與創(chuàng)新能力決定著整個(gè)產(chǎn)業(yè)的走向,任何一點(diǎn)點(diǎn)技術(shù)的創(chuàng)新都可能帶來行業(yè)的變革。

依托于物聯(lián)網(wǎng)與人工智能的快速推進(jìn),人臉識別應(yīng)用場景會越來越廣泛。隨著國家科研機(jī)構(gòu)的研發(fā)投入、企業(yè)對技術(shù)的鉆研、市場的推廣等,這些都將是人臉識別美好前景的征兆。據(jù)業(yè)內(nèi)分析人士認(rèn)為,未來人臉識別或成為有效身份識別主流,屆時(shí),人臉識別就不是什么新鮮詞了。