人臉識別技術開發問題研究

陳成怡

摘 要：人臉識別，就是利用計算機分析人臉視頻或者圖像，并從中提取出有效的個人識別信息，最終判別出來人臉對象的身份，通常也叫做面部識別、人像識別。不同于指紋識別、虹膜識別等生物識別，互聯網上人臉圖像資源較多，人臉識別具有先天優勢，便于模型和方法的訓練，提高識別準確率。本文分析了人臉識別終端的相關技術開發問題。

關鍵詞：人臉識別；技術開發；識別準確率

1 人臉識別的方法

人臉識別方法最早可以追溯到20 世紀60 年代，根據不同時期研究內容、技術方法等方面的特點可大體劃分為4 個階段。初級階段：基于幾何結構特征的方法是通過眼、口、鼻等重要器官的直觀幾何形狀作為分類特征，計算量小。該方法內存要求小、提取速度快，但易受光照、遮擋、表情變化等因素影響。經典算法涌現階段：2D 人臉圖像線性子空間判別分析、統計模式識別方法是這一階段的主流技術，該階段算法采用人臉圖像中所有像素的顏色或灰度值作為初始特征，通過在訓練數據集合上學習得到更具區分力的人臉表示。人工提取特征階段：該階段提取的面部特征是人為設計或基于無監督學習的局部描述子。為了克服直接使用像素灰度值對光照敏感等問題的限制，這一時期涌現出了很多對局部鄰域像素亮度或顏色值進行局部特征提取的方法。深度學習階段：該階段從人工設計特征與分類識別轉變為基于DCNN（Deep Convolutional Neural Networks，深度學習神經網絡）的端到端的自主學習特征。DCNN 四個關鍵技術：局部連接、權值共享、池化以及多網絡層，從而實現端到端自主學習到具有高層次、抽象的特征表達向量。

2 人臉識別技術存在問題

光照問題。光照問題一直以來都是影響人臉識別的重要難題之一。光照會影響采集圖像的清晰度，而采集圖像的清晰度與識別的準確率密不可分。不同時間點（白天、黑夜等）、不同地理位置（室內、室外等）的光線都完全不同；即便是同一光源，照射角度不同也會影響最后的識別結果。雖然，目前很多研究人員提出了改進的算法，例如對圖片進行光線補償、歸一化等預處理，消除干擾因素，但由于實際應用場景光照帶來的影響因素太多，還是對實際應用中的識別結果造成了一定的挑戰。

人臉姿態問題。人臉姿態問題主要指面部表情變化、采集圖像時人臉的傾斜角度等問題，也是人臉識別研究中急需解決的一個技術難點。采集圖像時，若人臉頭部圍繞三維垂直坐標軸深度旋轉，則會造成面部信息的部分缺失，以致人臉特征點無法正確提取，影響最終的識別結果。同樣，面部變化幅度較大如大哭、夸張搞笑表情等也會影響面部識別的結果。目前多數的人臉識別算法主要針列正面、準正面人臉圖像，當發生俯仰或者左右側傾斜程度較大的情況下，人臉識別算法的識別率也會急劇下降。

遮擋問題。大多數情況下，圖像采集無需接觸被采集者，也不會有人為的干涉，因此非配合情況下的人臉圖像采集很容易出現遮擋。特別是在追蹤嫌疑犯等視頻監控中，嫌犯往往有意識地戴帽子、眼鏡、口罩等飾物遮擋面部，使得被采集出來的人臉圖像不完整，影響特征提取與匹配，嚴重的甚至會導致算法的失效。

年齡變化問題。人的面部不是一成不變的，隨著年齡的增長，面部外觀也會發生變化。當一個小孩正處于成長時期時，面部變化更為明顯。因此，人臉識別算法對同一個人不同年齡段的識別率也不同。特別處于成長時期、衰老嚴重時，會導致識別率的下降。

活體檢測問題?；铙w檢測是人臉識別技術邁向更高層次的一項挑戰。相較指紋、虹膜等生物特征，人臉識別特征的易獲得性帶來了偽造合法用戶人臉的攻擊的風險。目前人臉識別的攻擊手段主要有三類：①人臉圖片；②人臉視頻；③ 3D 模型或面具頭套。針對這些攻擊手段，目前也提出了一些解決方法，如使用三維面部信息、多模生物認證（人臉、指紋、虹膜等組合）、臉部運動、眨眼、人機交互、語音驗證等，但各種方法也會相應影響識別效率或只針對單一攻擊或成本較高難以普及。

3 人臉識別技術的發展趨勢

應用領域更廣，算法門檻降低.目前，人臉識別在考勤/ 門禁、安防、金融領域應用較為成熟。2016 年我國人臉識別市場規模中金融領域、安防領域、考勤門禁市場份額高于90%。雖然，人臉識別技術偏重場景性，學術和實驗室的領先并不能帶來很大的落地優勢，實際應用中的人臉識別準確率難以保證，但隨著人臉識別技術的發展、人臉識別準確率的提升、各領域應用樣本數據的豐富以及防攻擊能力的增強，未來人臉識別的應用也將不局限于安全性可靠性要求較低的行業如社區監控、身份認證等，轉而上升到金融社保、證券、銀行、互聯網金融等安全可靠性要求較高的行業應用中。同時，隨著谷歌、騰訊、百度等技術平臺的開放，開源的人臉算法和開源軟件會使得人臉識別算法的門檻降低，更利于其向其他領域遷移，而這些領域的應用，將使得人臉識別技術上升到一個新高度。

3D 人臉識別待成熟.相較2D 人臉信息，3D 人臉信息不易受到人臉姿態變化、光照的影響，可以減少誤差，提升人臉識別的準確率。同時，3D 人臉識別的防攻擊能力更強、誤識率更低，安全性更好。目前，關于3D 人臉識別的還未獲得普遍商用，限制它發展的因素有：采集設備成本高，3D 人臉識別是軟件算法和硬件共同實現，需要特定的采集設備；芯片性能要求高，3D 建模的計算量較大，若芯片性能得不到滿足，則識別速度慢，影響用戶體驗；樣本數據庫較少。當芯片技術提升，計算能力得到保障，3D 采集硬件設備成本降低，3D 人臉識別將迎來發展高峰。

行業標準日趨完善。人臉識別的熱潮，雖然給行業帶來了便利性，但金融領域的安全問題也不容小覷。國家和相關行業標準委員會為更好規范行業應用，已出臺了《安全防范視頻監控人臉識別系統技術要求》、《信息安全技術網絡人臉識別認證系統安全技術要求》等標準法規，這些標準為人臉識別產業發展提供了指導，有利于解決人臉識別普及的安全問題。同時，移動終端方面，2018 年4 月由泰爾終端實驗室牽頭的《移動終端基于TEE 的人臉識別安全評估方法》已在電信終端產業協會（簡稱TAF）WG4 標準工作組會議上獲得通過。隨著更多算法、傳感器、應用廠商等向新興領域聚集，相信未來相應領域的規范標準將更加完善，人臉識別的市場環境將更加規范，企業和用戶在享受新技術帶來的便利同時也會有更好的安全保障，行業的發展會更加健康。

參考文獻

[1]王嘯林，鮑正德，唐婭雯，楊胥安.淺談人工智能中人臉識別及其應用[J].飲食科學.2019（06）

[2]黃峻遠.基于安全加密的人臉活體檢測技術[J].電子制作.2019（10）

（作者單位：廣東天波信息技術股份有限公司）