人脸识别技术

 过去的2017年，手机的安全功能进入了人脸识别技术时代，其实在我们生活中涉及安全范畴的领域，人脸识别技术已经被广泛使用了。

人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一，被广泛应用于公共安全(罪犯识别等)、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统等各个方面。

人脸识别技术

计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中提取出有效的识别信息, 用来“辨认”身份的一门技术.虽然人类的人脸识别能力很强, 能够记住并辨别上千个不同人脸, 可是计算机则困难多了. 其表现在: 人脸表情丰富; 人脸随年龄增长而变化; 人脸所成图象受光照、成象角度及成象距离等影响;人脸识别还涉及到图象处理、计算机视觉、模式识别以及神经网络等学科, 也和人脑的认识程度紧密相关。

所谓“人脸识别 (Face Recognition)”的研究范围十分宽泛，大致可以被分为以下几个方面的内容：

1、人脸检测(Face Detection)：

即从各种不同的场景中检测出人脸的存在并确定其位置。在大多数的场合中由于场景较复杂，人脸的位置是预先不知道的，因而首先必须确定场景中是否存在人脸，如果存在人脸，再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种各样遮挡等因素都会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，把图像分割成两个部分-人脸区域和非人脸区域，从而为后续的应用作准备。

2、人脸表征(Face Representation)：

即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。

3、人脸识别(Face Identification)：

即将已检测到的待识别的人脸与数据库中的已知人脸进行比较匹配，得出相关信息，这一过程的核心是选择适当的人脸的表征方式与匹配策略，系统的构造与人脸的表征方式密切相关。通常或是选择全局的方法或是选择基于特征的方法进行匹配。显然，基于侧面像所选择的特征和基于正面像的特征是有很大的区别的。

4、表情分析(Expression Analysis)：

即对待识别人脸的表情信息(快乐、悲伤、恐惧、惊奇等)进行分析，并对其加以归类。

5、生理分类(Physical Classification)：

即对待识别人脸的生理特征进行分析，得出其种族、年龄、性别、职业等相关信息。显然，完成这一操作需要大量的知识并且通常是非常困难和复杂的。

人脸识别技术的发展历程

人脸识别的工程应用始于20世纪60年代，经过50多年的研究，大致可以分为以下三个阶段：

第一阶段是主要解决了人脸识别所需要的面部特征。

这一阶段的研究以Bertillon、Allen和Parke为代表。在 Bertillon的系统中，用一个简单的语句与数据库中某一张脸相联系，同时与指纹分析相结合，提供了一个较强的识别系统。而Allen则设计了一种有效的摹写手段，并在其后由Parke用计算机实现。然而无论是哪种方式，该阶段的识别过程仍然全部依赖于操作人员，需要许多人为干预，无法实现自动人脸识别。

第二阶段是人机交互式识别阶段。

研究人员用数学模型描述人脸图像中的五官长度等主要几何特征，并通过欧氏距离进行相似性度量。Harmon和Lesk利用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。其后，Kaya、Kobayashi和T. Kanad也分别采用了各种不同的方式，对几何特征计算进行了研究[5][6]。但是，该方法依赖于操作员的知识，仍无法摆脱人的干预。

第三阶段是真正的机器自动识别阶段。

该阶段人脸识别技术有了重大突破，很多经典算法相继出现，如特征脸、子空间方法、弹性图匹配法、基于统计外观模型和神经网络的人脸识别等。同时，也出现很多用于算法性能测试的公开人脸库，如ORL人脸库、YaleB人脸库、FERET人脸库等。