人臉識別關鍵技術綜述

紀國惠

摘 ? 要：隨著社會的發展，如何通過人像快速、準確、高效地識別人員身份是當前的熱門研究課題。本文以人臉識別技術為主題，從人臉檢測、特征提取、底庫構建、特征對比等方面著手，淺析人臉識別技術及其應用。

關鍵詞：人臉識別;人臉檢測;特征提取;底庫構建;特征比對

1 引言

隨著社會的發展和科技的進步，人們對信息安全性和隱蔽性日益重視，身份識別和認證技術快速發展。在各種身份識別方法中，人臉識別因其獨特性、唯一性，具有直接友好的特點脫穎而出。目前人臉識別技術已經成為人工智能領域的一個重要發展方向。近年來隨著人臉識別技術在手機等日常場景中的廣泛應用，對其安全性提出了更高要求，它必須在保證用戶信息不被泄露的基礎上才能更好的發揮作用。本文正是在這樣的背景下，針對人臉識別技術進行詳細介紹。

人臉識別技術是基于人的面部特征信息進行身份識別的生物識別技術，如圖1所示，其流程包括人臉圖像采集、人臉檢測、人臉特征提取、人臉特征比對和識別等[1][2]。人臉識別的過程可以簡要概括為：對采集的圖像進行掃描檢測，確定是否存在人臉，若存在則獲取人臉的位置、大小以及面部器官等信息，基于此類信息提取相關功能特征，與人臉數據庫中的信息進行比對，最終達到分類識別的目的。雖然人臉識別技術會因為圖像采集過程中受光照、姿勢、表情、遮擋的影響以及人臉隨時間的變化而變化等增加識別的技術難點，但是隨著對其不斷研究，人臉識別技術已經日臻成熟，其本身具有的自然性、非強制性、非接觸性和并發性優點越來越突出，在使用方式和辨別方便性上具有明顯的優勢[3]。隨著手機的使用越來越普遍，將人臉識別技術應用在移動端中，具有信息獲取方便、隱蔽以及識別正確率、識別效率高的優點。

2 人臉檢測

人臉檢測是人臉識別中非常重要的一環，它直接影響后續的特征提取和識別工作的成功與否[6]，首先是對圖像信息進行掃描檢測，確定圖像中人臉的位置和質量等相關信息，從而實現在大范圍的圖像中，準確找到人臉區域，降低背景信息對識別性能的影響。當前人臉檢測的方法主要有兩大類，分別是基于“特征”的人臉檢測方法和基于圖像的人臉檢測方法。

目前有很多種人臉識別算法，應用較多的有AdaBoost算法、特征抽取算法和支持向量機方法等。其中AdaBoost算法是目前最為有效的一種人臉檢測算法，該算法是具有自適應性的Boosting迭代算法，通過將若干弱分類器級聯形成強分類器，并對弱分類器進行不斷訓練學習，能夠達到很低的誤檢率和誤接受率。

3 特征提取

經過人臉檢測之后，需要對檢測到的人像進行特征提取。特征提取是指將圖像中的人臉面部特征，如眼睛、鼻子、眉毛、嘴巴和面部輪廓等具體位置、大小、形狀及其相關位置的不同等特征信息進行提取，從而獲得能夠表征人臉圖像的數據量。

目前人臉特征提取的方法包括特征臉方法、神經網絡方法、歐式距離判別法、陰馬爾科夫方法等。其中特征臉方法是利用PCA算法計算特征向量（即特征臉），將需要提取的人臉圖像信息映射到各個向量中，并使用對應的向量系數表征人臉特征，達到人臉特征提取的目的。PCA算法是在最小均方差下尋找一組基向量，用其組成的矩陣構造一個投影子空間，使高維空間的樣子投影到該子空間中，這樣既保留數據的主要特征成分，又達到降維的效果。因此我們可以實現用低維子空間來描述人臉圖像，求得圖像壓縮中的最優化正交變換，把所需要的識別信息保存下來。PCA算法的基礎是K-L變換：

Y=A（X-mX）

其中：X=（X1，X2，…，XN）為N維隨機矢量，mX=E（X）為其平均值向量，A為變換矩陣，其行為CX的特征值，CX=E{（X-mX）（X-mX）T}為X的協方差矩陣。

4 底庫構建

因為人臉識別需要將特征提取的信息與特征信息底庫進行比對匹配，因此需要構建特征信息底庫。

在這個過程中，首先需要將分散存儲的原始數據匯集到云平臺，并分類存儲，使數據在邏輯上存儲在同一位置，包括結構化數據抽取、非結構化數據抽取、數據格式轉換;其次進行數據清洗，去除原始數據中的重復數據和無效數據，保證數據的準確性和可用性;然后對數據整合，對現有的非結構化數據進行特征提取、關聯匹配、數據融合，從而得到所需要的信息資源。如圖2是數據處理的結構框圖。

在整合完數據資源之后，基于PCA算法搭建特征信息底庫，將人臉圖像視為高維向量，經過K-L變換之后降為低維向量，該低維向量可以組成特征臉子空間，將訓練樣本集中的人像投影到該低維空間，得到代表該人像在低維空間的坐標系數，以此坐標系數作為該人像的“特征標簽”。在每次進行人臉識別的過程中，特征庫將會保存所識別的人像信息，從而達到更新特征庫的目的。圖3是特征信息底庫構建流程示意圖。

5 特征比對

人臉特征比對是將所提取的人臉特征信息與特征信息底庫中的信息進行比較，從而判斷相似度的鑒別過程。

在進行人臉識別時，基于PCA的特征臉算法，只需要將測試樣本的人像投影到低維空間后得到的坐標系數、訓練系數與訓練樣本中所有人臉的坐標系數進行匹配比較，從而實現分類識別。

6 結束語

綜上所述，雖然人臉識別技術在處理尺度變化范圍大，光照、姿態變化劇烈以及遮擋的人臉圖像時存在不足，但是其已經成為一個成熟完整的識別技術。在手機解鎖、刑偵破案、證件驗證、視頻監控、入口控制等方面人臉識別技術的優勢突出，隨著軟硬件的更新發展，其必將給人類社會帶來更大的便利。

參考文獻

[1]肖軍.人臉識別技術在公安領域內的應用研究[J].計算機科學，2016，43（11A）：127-132.

[2]陳惠紅，劉世明，胡耀民.人臉識別技術分析與系統架構[J].新型工業化，2017，7（2）：26-32，36.

[3]何歡，肖強，王春莉，趙錕，禚鈔.人臉識別技術發展現狀及趨勢分析[J].情報探索，2016（229）：41-47.

[4]王楠，韓鵬霄.公安大數據應用研究[J]，警察技術，2016（5）：4-7.

[5]宛根訓，田強，李建勇，仝星，高育新，王云，侯建軍.公安大數據背景下的人臉識別技術進展[J].警察技術，2014（5）：16-18.

[6]張道華.人臉識別技術研究.甘肅民族出版社，2008.6.

責編/李曼