人臉識別技術來襲！你準備好「刷臉」了嗎？

這是德嘉說第024期文章

編者按：近兩年，隨著人臉識別技術的迅速發展，「刷臉」逐漸成為新時期生物識別技術應用的主要領域。人臉識別是通過人臉檢測，對五官進行一些關鍵點的定位，然後提取計算機能夠識別的人臉特徵，最後進行一個相似度的比對，從而得到一個人臉識別的結果，也就是判斷「刷臉」的是不是你本人。本文節選汪德嘉博士《身份危機》一書中人臉識別章節，帶大家了解人臉識別技術原理是什麼？又有著哪些廣泛的應用領域？

人臉識別基本介紹

人臉識別理論的完善與技術的發展在現實生活中具有重要意義。首先，它促進了人們關於人類視覺感知能力的理解。其次，它可以應用於人工智慧的一些應用領域，如訪問控制系統。利用計算機實現自動檢測和識別人臉，是一個科學和有效，節省精力的事情，所以自動人臉識別系統有著非常廣的應用前景，相比其他更為成熟的識別方法（如指紋、虹膜和DNA的檢測等）。iphoneX刷臉解鎖、農行刷臉取款、支付寶商用刷臉支付、武漢火車站刷臉進站等熱點事件正在移動互聯網領域掀起新一輪熱潮，據媒體報道稱，京東、蘇寧、百度、建設銀行等都在嘗試刷臉支付。

人臉識別優勢

人臉識別有以下三個優勢：

（1）沒有侵犯的行為，一般的識別方法需要雙方合作後，但是人臉識別方法不需要人工的干預，可以通過攝像頭和其他電子設備，在不被發現的情況下，得到識別的圖片。

（2）價格便宜，操作容易，只需要一般的攝像頭、相機，可以達到人臉識別系統的需求，隨著智能手機的高速發展，許多人喜歡用手機的嵌入式攝像頭記錄圖像，使圖像獲得更簡單、方便和普遍。

（3）人臉識別的過程不需要人工干與，計算機系統可以自動執行，根據用戶的設置，並且不需要主動參與的測試對象。

人臉識別缺點

隨著人臉識別技術日漸成熟，應用場景日益豐富，我們這張臉正在被賦予身份證、登機牌、付款碼等多項功能。和其他應用相比，「刷臉支付」 直接關係著我們網路財產安全，對安全性要求更高，要取得用戶的信任並不容易。因此，對刷臉熱潮的來襲，很多人也提出了質疑：

（1）沒有統一的安全標準。人臉識別技術領域的實際應用還在起步階段，目前還沒有統一的行業標準與國家標準，主要都是技術廠家自己制定標準。然而廠家標準制定的不一致，會導致不同的安全狀況與安全水平。只有通過制定統一的國家安全標準，才能解決人臉識別在技術推廣過程中的障礙。

（2）識別中的「矯枉過正」。當人臉識別技術被作為加密技術投入實際應用時，我們最看重的就是它的安全性。而人臉識別技術的安全性可以用誤接受率與誤拒絕率兩個指標來衡量。為了嚴格保證安全，技術廠商往往會盡量降低誤接受率，但這同時會提高誤拒絕率，使一些真正的用戶也會被系統拒絕，「矯枉過正」，影響了用戶體驗。

（3）可信照片的解析度低。目前互聯網金融行業在使用人臉識別技術進行開戶等操作時，用於確定客戶信息的可信照片往往是居民二代身份證。而二代身份證的照片不僅解析度低而且信息量少，這會降低人臉註冊、識別的準確率。

（4）人臉的變化。隨著時間的推移，用戶的年齡增長，會發生胖瘦、常規的化妝、自然老化等變化。通常情況下，這些變化是在計算機的識別範圍內的，但是如果出現整容、過濃的妝容、或者是佩戴眼鏡與一些裝飾性的飾物可能就會影響人臉識別的識別率。同時，由於雙胞胎、多胞胎的人臉信息過於相像，雙胞胎、多胞胎人臉信息的分辨在人臉識別技術中也是一個待攻克的難題。

人臉識別研究現狀

人臉識別技術是一種基於人臉的面部特徵進行身份識別的技術。在識別時一般通過2個階段：第1階段首先通過檢測技術檢測圖像或者視頻中是否存在人臉，如果存在人臉則收集人臉大小和各個面部器官位置信息，這部分信息可以提供代表身份的特徵；第2階段將收集到的特徵與現存的人臉資料庫進行對比識別出人臉身份。人臉識別技術根據人臉數據的獲取方式分為在線人臉識別和離線人臉識別。

人臉識別技術研究最早開始於1960年，當時的系統是以半自動方式進行人臉識別。該系統只是檢查人臉不同位置特徵的連貫性，如眼睛之間的距離和前額髮際線等，但是對不同方向的人臉該系統無法正確識別。70年代全自動人臉識別系統面世，該系統提取了16個人臉參數進行人臉識別。80年代早期，Nixon在以往研究基礎上提出了將眼部間距（eye-spacing）作為主要特徵的人臉識別方法。後來人們利用人工神經網路提出諸多方法。1986年，Sirovich等人提出了基於本徵臉的識別技術，這種識別技術採用PCA在低維空間上重新組織並表徵人臉數據。該技術對各種新的人臉識別方法打下了基礎，該方法至今對人臉識別技術有顯著影響。

人臉識別技術方法主要有主成分分析（PCA）、線性判別分析（LDA）、神經網路（neural networks，NN）、自適應增強演算法（ada—boost）、支持向量機（support vector machine，SVM）、本徵臉（Eigen face）方法、Fisher Face方法和LBP（local binary pattern）方法等。本徵臉方法的主要思想是尋找主成分或者本徵向量，資料庫中的每一張圖片對本徵向量都有貢獻，這些本徵向量用於表示本徵臉，每一張人臉能夠通過本徵臉的線性組合表示，一張人臉可用最大特徵值的本徵臉辨認。相對於本徵臉方法，FisherFace方法的優點是使用類相關映射矩陣來克服光照現象導致的問題，它使用區分性分析尋找區分性特徵來區分人臉。Ahonen等人提出基於LBP的人臉識別方法，該方法區分性能力高、簡單性、高效，並且對光照效果具有魯棒性。

人臉識別系統技術原理

1、人臉定位

人臉檢測定位是將待檢測圖像分為非人臉區域和人臉區域，以從中分割出人臉區域。常用人臉檢測定位可分為啟發式方法和統計方法：

（1）啟發式方法：基於先驗知識或經驗，利用待檢測人臉中的灰度、紋理、器官的形狀或臉部輪廓、膚色等特徵信息，實現人臉檢測。常用方法院基於模板匹配、基於器官或輪廓分布特徵、基於膚色模型等。

（2）統計方法：將人臉區域看作一類樣本，通過對大量人臉圖像進行學習訓練，根據人臉的灰度特徵構造人臉模式與非人臉模式分類器，使用分類器判別圖像中所有可能區域屬於人臉還是非人臉區域，從而實現人臉檢測。常用方法基於人工神經網路堯基於概率模型、基於支持向量機、基於特徵空間等。

2、活體檢測

生物特徵活體檢測技術通過活體特性對生物特徵數據進行判判，以確保採集到的生物特徵數據（如人臉圖像）來源於生物活體，而非依照活體生物特徵所製作的不具備生物活性的虛假樣本（如人臉照片、面部視頻、三維模型），常用方法：三維深度信息分析、眨眼生理行為檢測、面部表情交互、傅立葉頻譜分析、熱紅外線等。

3、特徵提取

面部特徵提取是檢測人臉上的某些或所有特徵的位置、大小、輪廓線等信息的過程。面部特徵提取和量化是人臉識別的重要依據。面部特徵提取的實現過程最常見的是先求出雙眼的中心位置，然後進行人臉的歸一化，進而提取其他一些特徵的信息。常用方法：灰度積分投影曲線分析、Hough變換方法、可變形模板等。

4、人臉識別

人臉識別將待檢測人臉特徵與人臉特徵庫中人臉特徵進行比較和相似性度量。以確認和識別待檢測人臉的身份，常用方法：基於幾何特徵的方法、基於代數特徵的方法、基於模板的方法和基於神經網路的方法等。

（1）以幾何特徵為基礎的識別技術：該方法比較簡單，只需用到人臉器官的形狀特徵和幾何特徵，即藉助特徵矢量表現整個面部。計算原理也易於理解，主要是利用人臉結構的先驗知識提取某些特徵，並歸結為矢量之間的匹配，分量則指的是固定兩點之間形成的角度、距離等。然而此方法特徵提取的標準未統一，而且受環境因素影響較大，人臉圖像信息保留不足，實際效果並不是很理想。

（2）以模塊為基礎的識別技術：與上述方法一樣，此技術也是以先驗知識為基礎的，但其效果更好。特徵臉方法，以統計特徵為基礎的識別技術，即藉助某種映射方法將原圖像空間中的像素點映射到另一個投影空間；彈性圖匹配方法。以動態鏈接結構為基礎，將人臉比作屬性拓撲圖，用特徵向量表示節點，主要用於記錄臉部的局部特點；節點間的拓撲關係則由拓撲圖的邊來表示。該方法有利於識別，受表情、視角和光照變化影響較小。不足之處在於需計算並存儲大量信息，識別過程較長。

近些年，關於神經網路的研究越來越多，人臉識別也引入了該技術，它具有良好的學習和分析能力，可隱性表達出許多臉部特徵。其原理為，用灰度值表示人臉，將收集到的數據輸入相關訓練模型以提高識別效果。其方便之處在於可利用一些硬體模型完成臉部信息的處理，且速度快，包括BP神經網路等多種識別形式。

（3）以局部模式為基礎的識別技術：受表情和光照等因素影響，整體人臉的識別準確率得不到良好的保證，所以，可從局部細節入手，如輪廓、灰度、紋等在表情和光照的影響下能保證較好的魯棒性。

人臉識別技術難點

人臉識別技術在實際應用中有一定的難度，人臉具有相似性，即多數人的面部結構都沒有太大的差異，甚至器官外形都有很高的相似度，在定位時是極其有利的條件，但在區分個體方面會因相似度太高而加大識別難度。

人臉雖具有唯一性，但細節比較複雜，變化較大，如不同的表情會引起臉部外形不同程度的變化。此外，年齡、光照、觀察角度等因素都會對人臉的外形造成一定的影響。人臉富有彈性，屬於非剛性目標，三維建模難度較大。鬍鬚、眼鏡等會破壞人臉的共同模式，不利於特徵的提取。

人臉識別關鍵演算法

人臉檢測演算法

卷積神經網路應用於人臉識別領域是基於人臉特徵的方法，而人臉檢測是人臉識別的基礎，檢測演算法能否提取較完整的人臉會直接影響人臉識別的準確率，所以在介紹人臉識別演算法之前，需要介紹人臉檢測演算法。

傳統人臉檢測方法使用人臉簡單特徵（如HOG特徵、LBP特徵、HAAR特徵），並用SVM或者adaboost方法訓練。由於傳統方法採用低級特徵，無法找到不同角度人臉的共性，因此在檢測多角度人臉時，傳統方法的人臉檢測率極低。為了提高人臉檢測演算法的準確性，採用了基於全卷積神經網路，全卷積神經網路是由包含全連接層的傳統卷積網路改造而來，將傳統的全連階層直接轉化為卷基層，包含全連階層網路的分類問題轉化為只有卷積層網路的定位問題。在設計網路時，將網路輸入層大小設置為32*32，所以需要將所有的正負樣本歸一化成該大小，而輸出層是2個向量，分別代表非人臉和人臉概率序列。

人臉識別演算法

採用的6層卷積神經網路模型由2個卷積層、2個池化層、1個全連接層以及1個回歸層組成。卷積層和池化層由多個特徵圖譜組成，每個特徵圖譜表示卷積運算所提取的不同特徵，每一層的特徵圖作為下一層的輸入。卷積層的特徵圖譜可能與前一層的若干特徵圖建立關係。從圖1和圖2的對比可知，人臉檢測卷積網路的最後一層卷積層改成全連接層。

採用了webFace資料庫和FLW資料庫，人臉圖片大小為48*48，列出了本文卷積神經網路、傳統的多層感知器和徑向基神經網路在WebFace和FLW人臉庫中的識別效果，經對比可知，本文設計的基於深度卷積神經網路人臉識別的準確率有較大提升。

入侵檢測演算法

對於視頻圖像序列，入侵檢測演算法包括實時的目標跟蹤檢測和移動物體檢測兩個功能。目標跟蹤對象為上文登錄系統的用戶，除用戶外，其他可疑移動物體為人侵對象。入侵演算法檢測流程如下圖所示，具體實現步驟流程圖（見圖9-2）。

圖9-2 入侵檢測流程圖

（1）初始化：檢測視頻前5幀圖片均值像素點為背景，結合相鄰像素點擁有相近像素值的空間分別特性，隨機地選擇它的領域點的像素值作為它的模型樣本值，進行運動檢測。

（2）前背景檢測：新圖像和原背景模型像素比較，計算樣本像素值和背景模型樣本集的每個樣本值的距離，連續3次距離小於10，此像素點為前景。對前景為像素1、背景像素為0的圖片進行開運算。集合所有前景連通區域，利用上文的人臉檢測方法檢測到的人臉區域，判斷人臉所在區域的連通區域，也即以電腦前用戶本人為跟蹤目標作為正樣本，去除跟蹤目標外的圖片為負樣本，提取LBP（局部二值模式）邊緣特徵，進行級聯訓練，從而生成xml文件。

（3）目標檢測跟蹤：以檢測到的用戶所在連通區域外接矩形中心為初始中心，進行窗口掃描，窗口的尺度縮放係數為1.2，最小掃描窗口大小為30像素，水平和垂直步長為窗口對應方向尺寸的10%。如果掃描窗口的區域，基本分類器的後驗概率大於50％，且最近鄰分類器檢測閾值大於0.5，則認定當前區域含有跟蹤目標。

（4）模型更新：由於視頻監控區域背景環境會出現一些變化，跟蹤的用戶目標也會進行動態改變，因此模型更新包括背景模型更新和跟蹤物體更新兩部分。背景模型根據時間取樣更新策略，由於本文系統使用環境變化相對不大，因此使用1/16的更新率更新背景模型。當一個像素點連續被判定為背景時，它有1/16的概率隨機地選擇該像素點鄰域的背景模型，以新的像素點更新被選中的背景模型。對於實時檢測到的目標，壓縮到15*15後減去均值的列向量與原來跟蹤訓練模型的正樣本比較相似性，如果相似閾值小於0.9，則把當前樣本添加到模型，負樣本閾值選擇為0.95，重新更新跟蹤模型。

（5）跟蹤移動目標：發現跟蹤目標離開指定視頻區域後，自動退出遠程終端系統；發現多個移動物體，則進行預警，向伺服器發送當前可疑圖片，並退出遠程登錄系統。用戶排除預警後，方可重新登錄遠程系統。

人臉識別技術應用領域

人臉識別技術還可應用於很多場景中，在金融、安防、社保、教育、公安、商業等行業中都已經有了人臉識別技術的身影。

在金融、電信等領域：人臉驗證通常被用作業務辦理的前置身份驗證，以確保業務辦理者是身份證持有者本人，在此基礎上可有效實現櫃面輔助認證、遠程身份核實、遠程業務辦理、機具業務辦理等相關應用場景。尤其在解決電信實名制認證問題上，遠程身份認證既能有效覆蓋到遠端發卡渠道，滿足政策驅動要求，又不會產生過多的冗餘流程及實施成本。

在安防領域：人臉識別技術可用於邊檢及通關口岸的人、證身份核實，公安刑偵領域的大庫搜索比對，以及動態人臉識別等。簡而言之，就是基於相關資料庫，幫助有關部門在毫秒之間，動態、精準地識別出可疑人員，提升安防能力。為戶籍管理、治安管理、刑偵破案、維護穩定等提供高科技手段，使不法分子無處藏身。

在商業領域：除了應用於智能門禁、VIP識別外，人臉驗證還可以應用在智能商業分析中，幫助商家分析消費者偏好，實現精準化和個性化的推送，以提升用戶體驗，輔助用戶決策。

在社保行業：人臉識別技術可有效防止跑冒滴漏現象發生，對於內部工作人員，日常工作通過人臉識別進行身份驗證，加強了內部管控，做到事後可追溯;對於參保人員，通過人臉識別杜絕冒領、騙保現象發生，針對遠距離、年齡大等人群，足不出戶，他們就可以通過人臉識別及檢活技術遠程完成身份驗證。

在教育行業：人臉識別技術在考生身份確認、校園安保方面大放異彩，在中小學、幼兒園，偏重於校園安全，通過人臉識別，杜絕小孩被冒領現象發生;在高考、大學，偏重於考生身份確認，杜絕中途替考現象發生，既保證了考試的公平公正性，又大大降低了學校的人工成本。

在物業方面：人臉識別常常用於智能門禁和監控，刷臉代替刷卡，使住戶出入更加輕鬆、便捷，也杜絕了陌生人複製門禁卡進出小區，極大的增強了小區安保力度;在小區重要角落安裝攝像頭，可實時排查可疑人物，對於慣偷等黑名單人員有很好的預警功能。

結束：誠然，人臉識別技術在實際使用中仍存在著「矯枉過正」等問題，但隨著應用越來越廣泛人臉識別技術將會備受矚目。相信未來，將會有越來越多先進的應用人臉識別技術的設備應用到生活當中，為我們的生活帶來便利與安全。

生物特徵是指唯一的可以測量或可自動識別和驗證的生理特徵或行為方式。人體的生物特徵除了以上介紹的指紋識別和人臉識別等特徵外，還有一種行為特徵，行為特徵包括：簽名、語音、行走步態等。在接下來的章節中，將帶大家了解聲紋識別有哪些特點及應用，敬請期待！

the end

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！