面部识别技术的起源，应用领域及未来的发展介绍

在苹果于2017年9月发布iPhone X手机时，使面部识别技术得到了更多关注。虽然iPhone X的OLED屏幕和无线充电功能（更不用说其999美元的价格）都非常具有新闻价值，但它引入了面部ID来解锁设备（并可进行支付）最引人注目。面部识别技术并不是新技术，但苹果公司将该技术的具体实施显然意义重大。
 

与最近另一个比较热门的技术人工智能（AI）有些类似，面部识别技术最初开发活动始于半个多世纪前。计算机科学家Woody Bledsoe、Helen Chan Wolf和Charles Bisson在美国情报机构资助下于20世纪60年代启动了面部识别的自动化研究。在当时，操作人员必须从摄影图像中提取一组面部特征（例如眼睛的内外角、瞳孔的中心或者寡妇尖的点）的位置。然后使用这些位置坐标计算20个量值的列表（例如目标对象嘴和眼睛的宽度以及瞳孔到瞳孔的距离），然后将其存储在数据库中。

Bledsoe和他的团队意识到，由于头部旋转和倾斜度、与相机的距离、照明强度和角度、面部表情甚至衰老等因素的巨大变化，这种类型的模式匹配具有非常大的挑战性。为了克服这个问题，可以将每组距离归一化以表示正面方位的面部特征。该程序将首先尝试确定目标对象的倾斜度和旋转，然后使用这些角度来计算和消除变换对计算距离的影响。另一个需要了解的因素是头部的三维几何形状，主要是为了克服目标对象部分缺失的情况，研究团队根据对七个目标对象的测量结果，使用了一个“标准头部”模型。之前的方法如果目标对象变化时会导致识别成功率较低，该团队的方法帮助实现了自动化面部识别技术在准确性方面的突破。

面部识别技术从早期的创建以来，已经过了长期的发展，特别是随着计算速度加快和功能的增大，以及成像技术的提高，使识别的准确度水平稳步提高。鉴于面部识别系统的成功率已接近甚至超过人工操作者的正面识别率，一些备受瞩目的项目正在使该技术实现向主流应用的飞跃。当然，安全和执法部门一直对这项技术有着明显的兴趣，并不断在多个不同地区和应用中进行试验（例如，在英国诺丁山嘉年华和在纪念碑举办的星期日纪念仪式） 。但是，除了Apple的Face ID之外，这项技术在另外两个方面的部署已经使其进入了大众消费领域。

国际旅客现在已经非常熟悉许多机场引入的自动口岸控制（或电子护照）闸道，这种方式有助于应对不断上升的旅客数量。对于持有具备生物特征识别“芯片”护照的抵达乘客，自动门使用摄像头捕获旅客的图像，之后面部识别技术将其与护照中存储在RFID芯片上的照片进行比较。标准化的参考图像（其中照片必须符合关于尺寸、角度、面部表情以及不能配戴眼镜或头饰的规定）和受控图像捕捉（关于在何处以及如何站立、面部朝向以及一致的照明等规则）将有助于保持较低的失效率和较高的吞吐量。目前，一些航空公司也在试验在登机口用面部识别技术验证乘客身份。

与此同时，Facebook也在提供面部识别技术，尽管这项技术在欧洲受到监管机构和消费者的抵制，但它至少在美国被很广泛地采用。该社交媒体网站有一个包含数十亿个人和团队的照片数据库，由用户上传，都具有能够帮助捕获识别的面部特征。Facebook采用人工智能和机器学习技术（包括深度学习神经网络），其DeepFace技术根据某人的面部特征使用算法计算出唯一的数字（或“模板”）。然后，它可以分析上传的照片，将其中的面部与存储的模板进行匹配，从而提示用户用已识别的匹配特征对照片进行标记，并通知已上传照片的匹配度。然而，最能够使面部识别技术归一化，并使其应用能够为主流消费者接受的项目可能是面部 ID。一些观察人士认为，苹果有一种习惯，即会比其他制造商更晚地为其iPhone添加面向未来的功能，但其他人则认为，它经常设法在某项技术能够“正常工作”后再进行实施，以便大力推广这些技术使其变成必须拥有的功能。尽管支持Apple 面部ID的并不是新技术，但它的实施非常灵活、功能强大且引人注目，在早期采用者中已经广受欢迎（根据Strategy AnalyTIcs最近的一份报告）。

以前，一些制造商的面部识别项目很容易被照片欺骗，但Face ID使用了一系列传感器、成像技术和AI在3D模式下来映射和匹配面部。该系统为“始终开启”、几乎是瞬间完成，其红外泛光照明器意味着即使在暗景下、或通过太阳镜也能工作。它的红外摄像头能够捕捉面部图像，而点投影仪则可以在面部投射30,000个红外点阵列，以创建高精度的深度图像模型。手机可以用该图像来对比存储在设备CPU“安全区域”（甚至Apple也无法访问）的本地图像以便验证用户。

Apple公司声称Face ID的安全性非常高，只有百万分之一的机会用户能够欺骗过关（相比之下，Touch ID指纹生物识别技术有5万分之一）。它不仅需要衡量用户对解锁手机的关注程度（用户的眼睛必须睁开，而且必须注视显示器才能扫描成功注册），苹果公司还表示，Face ID通过逼真的3D外观可以训练该识别功能，所以不容易为其他用户欺骗。在构建Face ID时，Apple分析了超过十亿张图像以获取有关面部的数据，并利用该数据来训练其神经网络。它使用机器学习算法和“神经网络引擎”来分析和识别用户面部，每次使用时都会捕获更多信息，这意味着用户的面部“地图”可以得到不断改善，并随着用户的特征而变化，这样可以应对用户改变的胡须、发型或化妆、甚至戴的帽子等等。

受面部识别的兴起和消费者接受程度不断提高的驱动，企业将面部识别技术集成到具体产品和应用的趋势在快速加强。根据Allied Market Research的数据，面部识别市场预计在未来四年内将平均增长21.3％，到2022年达到96亿美元。即插即用的硬件模块和软件能够使设计工程师更轻松地将面部识别技术集成到其应用和产品开发中。

欧姆龙电子的B5T HVC面部检测传感器模块就是这种即插即用的一个例子。该产品采用紧凑型60mm x 40mm外形尺寸，是一款完全集成的插入式人体视觉组件（HVC）模块，配备相机（具有长距离和广角摄像头选项）和协同处理器，以及UART和USB接口（用于控制模块并将数据输出发送到外部系统）。B5T基于欧姆龙的OKAO技术，并集成了独特的图像传感算法，可以快速而准确地识别面部。

图1：欧姆龙的B5T HVC面部检测传感器模块。

B5T可以在1.1秒内从1.3米的距离捕捉、检测和识别面部，具有相当高的可信度和准确率。眨眼和注视估算需要不到1秒钟，模块甚至可以根据5个预编程表情中的某一个来评估目标对象的情绪。它可以检测到距离远达2.8米的人体和1.5米的手，模块的检测角度指定为水平49°和垂直37°，输入图像分辨率为640x480像素。

该模块也集成有十种不同的传感功能用于识别非语言意图、当时状况和行为，包括面部、手部和身体检测以及年龄、性别和表情估算。这些同类最佳的图像分析过程都是在模块本身内进行，使设计人员可以轻松地将智能和功能添加到各种感测和物联网（IoT）应用。