人臉識別領域技術綜述

崔茜 國家知識產權局專利局專利審查協作天津中心

1 人臉識別技術發展歷史及現狀

計算機人臉識別的研究可以追溯到20 世紀70 年代，但是由于當時技術條件的限制，直到90 年代才正式發展起來。在國家的大力支持下，我國的人臉識別技術取得了很大的進展，如清華大學、中科院自動化所等自主研究的人臉識別技術已達到了國際先進水平。

目前，國內外對人臉識別領域技術的研究已經基本飽和，特征空間維數災難帶來的計算量大，存儲需求高和冗余數據過多導致耗時等問題一直難以突破。因此，人臉識別技術遇到了瓶頸。

2 人臉識別算法概述

2.1 基于幾何特征的識別方法

基于幾何特征的人臉識別方法其思想主要是根據人臉已有的特殊幾何構造，即人的面部五官特征，按照一定的順序記錄面部特征點，并建立特征點之間的邊界連線，根據已有的先驗知識，將提取到的人臉特征點與樣本特征向量進行比對，從而得到比對結果。比較典型的算法包括AAM 和ASM。

2.2 基于神經網絡的識別方法

人工神經網絡是模仿動物神經網絡行為的一種算法模型，其通過建立不同的隱層以及層次之間的運算關系構造出模擬動物的認知過程。將提取到的人臉圖像的特征輸入到訓練好的神經網絡中，輸出匹配結果，該算法本身的難點和重點在于圖像特征的提取以及網絡中的層次構建。目前比較常用的有卷積神經網絡（CNN）、深度學習、循環神經網絡（RNN）。

2.3 基于特征臉的識別方法

人臉識別中還存在三大經典算法：LDA、PCA、LBP，其中LBP考慮的是局部特征，而另兩種考慮的是全局特征。上述三種經典的算法目前更多的是用作人臉特征提取算法，將提取到的人臉特征通過其他的識別算法進行識別，從而達到識別的目的。

2.4 基于稀疏表示的識別方法

稀疏表示的概念來自于壓縮感知理論，其在人臉識別被廣泛應用。采用稀疏表示的方法識別人臉圖像，其隨機提取出的特征會包含更多的信息。稀疏臉針對噪聲的魯棒性相當強，即使有80%的人臉被隨機噪聲干擾，仍然能夠得到很高的識別率。另外，針對于面部有遮擋的圖像來說，稀疏表示的識別方法也能夠保持較高的識別率，這兩點也是任何傳統人臉識別方法所達不到的。

3 面臨的挑戰和困難

3.1 圖像采集條件

人臉識別率受到多種因素的影響，其中采集條件至關重要。例如，當采集到的圖像受光照影響時，雨天、霧天采集到的圖像會產生模糊，面部遮擋或者姿勢改變等因素都會影響識別率。

針對上述問題，目前比較常見的改進方法包括限制采集條件，增加圖像去燥等圖像預處理過程，針對未遮擋的人臉區域或特征進行識別等。

3.2 識別算法

目前已有的具有較高識別率的算法基本都是建立在數學模型的基礎上，通過將二維的人臉圖像轉換為計算機能夠計算的數學矩陣的形式進行處理。但是由于算法本身的局限性和圖像轉換過程中帶來的維數災難，導致人臉識別運算過程緩慢，處理效果不佳，因此，如何兼顧計算效率和計算準確性是目前仍待解決的問題。

對于一幅N*N 的人臉圖像來說，其轉換為矩陣的列向量的形式后有N*N*1 維，若訓練圖像有M 個，那么矩陣的向量維數為N*N*M，即圖像的維數與其圖像的大小和訓練圖像數量有關。若再采用例如Gabor 小波等圖像處理方法提取不同尺度的人臉圖像特征，其維數將會成幾何倍數增長，由此產生大量的計算量。而目前通常采用主成分分析（PCA）的方法進行降維，但是為了保證人臉的重要數據不丟失，其保留的維度也不能夠太少，因此對于計算量的改進并無太大的效果。

3.3 人臉采集維度

目前的人臉面部特征多數是二維特征，即對圖像的處理。由于人臉本身是三維特征，其在二維空間內會丟失掉一部分重要信息，帶來了識別效果不佳的問題。但是三維特征本身又會帶來一定的高維問題，因此，三維人臉是否能夠逐漸取代二維人臉也是需要持續關注的問題。

3.4 硬件條件局限

幾年來，雖然人臉識別率越來越高，但是卻面臨無芯片可用的困境。深度學習技術應用到人臉識別之后，逐漸解決了算法層面識別不準確的問題。但是經過幾年的實踐后發現，深度學習算法的處理芯片才是目前最主要的算力問題。由于沒有專門的深度學習芯片，只能夠從已有的CPU 、GPU、DSP、FPGA 等著手，但是不論是上述哪種芯片，都無法完全支撐先進的算法。因此，算法如何與芯片結合，從而推出符合需求的人臉識別芯片產品也是行業重點關注的方面。

4 .結語

人臉識別技術經過多年的發展已經成為生活中的不可或缺的一部分，其被廣泛應用在各個領域，但是現階段的人臉識別技術仍存在一定的挑戰，相信會有越來越多的更新、更快、更準確的識別算法和對應的硬件逐漸被開發，使該技術更加完善。