人臉識別算法發展概述*

任興珅

北方民族大學計算機科學與工程學院 寧夏 銀川 750021

1 人臉識別概述

人臉識別是計算機視覺領域重要的研究方向，隨著現階段人臉識別應用的普及，人臉識別算法被應用到各個領域。人臉識別是將當前人臉圖像進行特征提取，然后與人臉庫中的人臉信息對比，匹配個人信息，并給予反饋。因此，為避免人臉識別錯誤率帶來的不穩定性，人們對人臉識別算法的準確率以及速度要求在逐漸提高。

2 傳統人臉識別算法

人臉識別技術最早在1965年被提出，早期的人臉識別研究主要基于人臉幾何特征的方法和基于模版匹配的方法。基于人臉幾何特征的方法是通過提取人臉器官，如眼睛、鼻子、嘴巴等重要特征點的位置以及人臉器官的幾何形狀作為分類特征。基于幾何特征的方法通過設定好的算法提取人臉特征，計算量小，但容易受光照、角度、表情等多種因素影響，效果極其不穩定。基于模版匹配的方法是將要識別人臉與已經建立好的人臉圖像庫以一定的方式進行模板匹配，當匹配效果較好時理論上滿足人臉識別需求。但由于場景的多樣性，模板匹配的成功率存在偶然性，很難用于實際應用[1]。

20世紀90年代，研究人員使用機器學習方法將人臉特征向量化，得到高維人臉特征向量，然后映射到低維空間進行判定。如Turk等人提出特征臉Eigenface；Peter等人利用主成分分析方法PCA對人臉進行降維，然后采用線性判定分析期望獲得類間距離較大，類內距離較小的子空間實現人臉識別[2]。

3 基于深度神經網絡的人臉識別算法

2006年，深度學習的概念被提出，第一次指出具有大量隱含層，通過反向傳播從大量數據集中學習特征的方法。經過眾多研究者的努力，深度學習技術逐漸在計算機視覺領域取得突破進展。2014年，臉譜團隊開發的人臉識別算法在LFW數據集取得了97.35%的平均準確率。自此，人臉識別算法有人工設計特征分類識別轉向基于CNN的端到端自主學習。2015年，Google的開發了FaceNet[3]人臉識別系統，該系統在一定程度上解決了大規模高效人臉識別、人臉驗證問題。FaceNet利用ResNet模型對圖像進行特征提取，將人臉特征映射到歐幾里得空間，通過計算圖像的空間距離來確定圖像的相似度。同時提出了Triplet loss損失函數，公式：

隨著輕量級神經網絡的發展，Sheng Chen[4]等人在2018年提出了MobileFaceNet，該算法借鑒了FaceNet的思想，網絡模型結構與MobileNetV2網絡結構相似，在移動設備推理速度僅43ms，解決了在移動設備部署人臉識別算法的問題。

4 總結與展望

人臉識別是計算機視覺領域的熱門領域，其應用也非常廣泛，尤其在智慧安防、移動支付等領域。伴隨著人臉識別技術的廣泛應用，對人臉識別算法準確率的要求也在不斷增加，隨著深度學習的發展，基于深度學習的人臉識別算法由于其高準確率，逐漸取代傳統人臉識別算法。但深度神經網絡計算量較大，在特定場景使用時存在不便捷性，因此，輕量化人臉識別算法是一個必然趨勢。現階段，輕量化人臉識別領域還存在很多問題：①模型推理速度依舊達不到實時識別的速度；②輕量級人臉識別網絡精度上與大型神經網絡存在些許差距，不適用于大規模人臉數據識別。以上時目前人臉識別領域的研究熱點，未來人臉識別領域，會實現更高的準確率與更快的推理速度。