人臉識別,特指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術。人臉識別是用攝像機或攝像頭采集含有人臉的圖像或視頻流,并自動在圖像中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部的一系列相關技術,通常也叫做人像識別、面部識別。
“人臉識別系統”集成了人工智能、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術,其核心技術的實現,展現了弱人工智能向強人工智能的轉化。
1主要特點
傳統的人臉識別技術主要是基于可見光圖像的人臉識別,這也是人們熟悉的識別方式,已有30多年的研發歷史。但這種方式有著難以克服的缺陷,尤其在環境光照發生變化時,識別效果會急劇下降,無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別,和熱成像人臉識別。但這兩種技術還遠不成熟,識別效果不盡人意。
迅速發展起來的一種解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響,已經取得了卓越的識別性能,在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速,使人臉識別技術逐漸走向實用化。
人臉與人體的其它生物特征(指紋、虹膜等)一樣與生俱來,它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提,與其它類型的生物識別比較人臉識別具有如下特點:
非強制性:用戶不需要專門配合人臉采集設備,幾乎可以在無意識的狀態下就可獲取人臉圖像,這樣的取樣方式沒有“強制性”;
非接觸性:用戶不需要和設備直接接觸就能獲取人臉圖像;
并發性:在實際應用場景下可以進行多個人臉的分揀、判斷及識別;
除此之外,還符合視覺特性:“以貌識人”的特性,以及操作簡單、結果直觀、隱蔽性好等特點。
2發展歷史
人臉識別系統的研究始于20世紀60年代,80年代后隨著計算機技術和光學成像技術的發展得到提高,而真正進入初級的應用階段則在90年后期,并且以美國、德國和日本的技術實現為主;人臉識別系統成功的關鍵在于是否擁有尖端的核心算法,并使識別結果具有實用化的識別率和識別速度;“人臉識別系統”集成了人工智能、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術,同時需結合中間值處理的理論與實現,是生物特征識別的最新應用,其核心技術的實現,展現了弱人工智能向強人工智能的轉化。
3技術流程
人臉識別系統主要包括四個組成部分,分別為:人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。
采集及檢測
人臉圖像采集:不同的人臉圖像都能通過攝像鏡頭采集下來,比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝范圍內時,采集設備會自動搜索并拍攝用戶的人臉圖像。
人臉檢測:人臉檢測在實際中主要用于人臉識別的預處理,即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富,如直方圖特征、顏色特征、模板特征、結構特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來,并利用這些特征實現人臉檢測。
主流的人臉檢測方法基于以上特征采用Adaboost學習算法,Adaboost算法是一種用來分類的方法,它把一些比較弱的分類方法合在一起,組合出新的很強的分類方法。
人臉檢測過程中使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器),按照加權投票的方式將弱分類器構造為一個強分類器,再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器,有效地提高分類器的檢測速度。
預處理
人臉圖像預處理:對于人臉的圖像預處理是基于人臉檢測結果,對圖像進行處理并最終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾,往往不能直接使用,必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對于人臉圖像而言,其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。
特征提取
人臉圖像特征提取:人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取,也稱人臉表征,它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類:一種是基于知識的表征方法;另外一種是基于代數特征或統計學習的表征方法。
基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據,其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成,對這些局部和它們之間結構關系的幾何描述,可作為識別人臉的重要特征,這些特征被稱為幾何特征。基于知識的人臉表征主要包括基于幾何特征的方法和模板匹配法。
匹配與識別
人臉圖像匹配與識別:提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配,通過設定一個閾值,當相似度超過這一閾值,則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較,根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類:一類是確認,是一對一進行圖像比較的過程,另一類是辨認,是一對多進行圖像匹配對比的過程。
4識別算法
人臉識別一般來說,人臉識別系統包括圖像攝取、人臉定位、圖像預處理、以及人臉識別(身份確認或者身份查找)。系統輸入一般是一張或者一系列含有未確定身份的人臉圖像,以及人臉數據庫中的若干已知身份的人臉圖象或者相應的編碼,而其輸出則是一系列相似度得分,表明待識別的人臉的身份。
人臉識別算法分類
基于人臉特征點的識別算法(Feature-based recognition algorithms)。
基于整幅人臉圖像的識別算法(Appearance-based recognition algorithms)。
基于模板的識別算法(Template-based recognition algorithms)。
利用神經網絡進行識別的算法(Recognition algorithms using neural network)。
基于光照估計模型理論
提出了基于Gamma灰度矯正的光照預處理方法,并且在光照估計模型的基礎上,進行相應的光照補償和光照平衡策略。
優化的形變統計校正理論
基于統計形變的校正理論,優化人臉姿態;強化迭代理論
強化迭代理論是對DLFA人臉檢測算法的有效擴展;
獨創的實時特征識別理論
該理論側重于人臉實時數據的中間值處理,從而可以在識別速率和識別效能之間,達到最佳的匹配效果
當我們還在感嘆科幻電影里一幕幕不可思議的場景時,一覺醒來已經步入刷臉時代,隨著人臉識別技術的不斷更新,隨著各行業爭先恐后的試水,人臉識別技術正在不知不覺中改變我們的生活:如果你還停留在iPhone X的Face ID中沒醒過來,快來看看農村的變化吧!快遞到村里、手機支付等,早已改變了我們的生活,如今農行讓“刷臉取款”覆蓋全中國,走進我們從未想過的農村鄉鎮!
短短半個月,我們的這張臉就已經開始取代:銀行卡、身份證、手機、火車票,乃至開門的鑰匙。
馬云說,未來憑一張臉就能在全世界暢通無阻。他沒有天馬行空,這一天正離我們越來越近!
所以,
永遠不要覺得創新的大潮離自己還有很遠。農行的一個舉動,就讓刷臉取款走進你老家的村頭。
永遠不要低估時代變化的速度。它常常掀起一陣風,你還沒有反應過來,傾盆大雨就突然襲來。
永遠不要相信一成不變。你現在離不開的鑰匙、手機、身份證,也許下一秒就消失得無影無蹤。
未來的世界會越來越高效、越來越公平,會創造出越來越多的福利。但你不擁抱,就沒有機會。
不要等村頭李大爺都靠一張臉取款、購物了,你還在家里翻箱倒柜找你那張已經泛黃的銀行卡。
快醒醒吧!AI時代已來臨,請狠狠洗一把臉,讓我們一起迎接這個全新的時代!還有更多關于人臉識別的應用,不同的行業不同的需求,唯一不變的是在這個刷臉的時代,昊暢達給足你面兒!為您定制專屬解決方案,昊暢達——為安全而戰!