基于視覺認知機理的下一代人臉識別技術

　　生物識別技術是依靠人體的身體特征來進行身份驗證的一種高科技識別技術，人的指紋、掌紋、眼虹膜、DNA以及相貌等人體特征具有人體所固有的不可復制的唯一性、穩(wěn)定性、不易失竊或被遺忘，由于每個人的這些特征都不相同，因此利用人體的這些獨特的生理特征可以準確地識別每個人的身份。隨著計算機技術、圖像處理技術、模式識別技術等技術的快速發(fā)展，人們開發(fā)了指紋識別、聲音識別、掌形識別、簽名識別、虹膜識別等多種生物識別技術，目前許多技術都己經成熟并得以應用。

　　人臉識別技術是近年來出現(xiàn)的一種基于人的臉部特征信息進行身份識別的嶄新的生物特征識別技術。與其他生物識別技術相比較，人臉識別具有友好、簡便、準確、經濟及可擴展性良好等眾多優(yōu)勢，可廣泛應用于安全驗證、監(jiān)控、出入口控制等多個方面,目前人臉識別技術已經應用到門禁考勤，訪客管理，巡更等場所。

人臉識別原理

　　廣義的人臉識別實際包括構建人臉識別系統(tǒng)的一系列相關技術，包括圖像采集、人臉檢測、特征建模、比對辨識、身份確認等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統(tǒng)。

　　人臉識別技術中被廣泛采用的區(qū)域特征分析算法，它融合了計算機圖像處理技術與生物統(tǒng)計學原理，利用計算機圖像處理技術從視頻中提取人像特征點，利用生物統(tǒng)計學的原理進行分析建立數學模型，即人臉特征模板。利用已建成的人臉特征模板與被測者的人的面像進行特征分析，根據分析的結果來給出一個相似度值，最終搜索到最佳匹配人臉特征模板，并因此確定一個人的身份信息。具體的原理圖如圖1所示。

圖1 人臉識別考勤原理示意圖

　　下面簡述廣義人臉識別過程的主要步驟：

　　圖像采集：人臉圖像來源一般是數字化人臉照片或者通過攝像機實時采集的視頻流。環(huán)境光照問題的不穩(wěn)定是影響人臉識別性能的一個重要因素，是人臉圖像采集環(huán)節(jié)最重要的問題?；诓煌膽铆h(huán)境，可采用可見光源或者紅外光源，相應的人臉識別技術稱為可見光人臉識別和紅外光人臉識別。

　　人臉檢測：人臉檢測是指在一幅圖像或視頻流的一幀中識別出人臉的存在并將人臉從背景中分離出來。人臉檢測是一個復雜的具有挑戰(zhàn)性的模式檢測問題，其主要的難點有兩方面，一方面是由于人臉內在的變化所引起：（1）人臉具有相當復雜的細節(jié)變化，不同的外貌如臉形、膚色等，不同的表情如眼、嘴的開與閉等；（2）人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等。另外一方面由于外在條件變化所引起：（1）由于成像角度的不同造成人臉的多姿態(tài)，如平面內旋轉、深度旋轉以及上下旋轉，其中深度旋轉影響較大；（2）光照的影響，如圖像中的亮度、對比度的變化和陰影等；（3）圖像的成像條件，如攝像設備的焦距、成像距離，圖像獲得的途徑等等。

　　特征提?。喝四樚卣魈崛∈侨四樧R別最為關鍵的技術，好的人臉特征提取技術將使提取的人臉特征值更小、辨別性能更好，可以提高識別率和降低誤識率。目前已存在的人臉特征提取方法主要有：基于面部器官的特征提取、基于模板的特征提取、基于代數方法的特征提取、基于彈性匹配法的特征提取。

　　創(chuàng)建模板庫： 人臉模板庫就是預先登記的人員人臉特征庫。每個登記人員錄制多張有代表性的人臉照片，對每張人臉照片提取人臉特征生成人臉特征模板（人臉特征文件）保存到數據庫中。人臉特征模板是預先登記的，其與所屬人員的身份信息是關聯(lián)的。

　　特征比對：在進行人臉識別時，將當前人臉圖像提取人臉特征，并與數據庫中預先登記的人臉特征模板進行比對，依據比對分數高低搜索到與其最匹配的人臉特征模板，因為預先登記的人臉特征模板所屬人員身份是明確的，因此可以獲取當前識別人的身份。

　　身份確認：在經過特征比對后得到最佳匹配的人臉特征模板，可以將該人臉特征模板相關聯(lián)的人員身份信息從數據庫調出，因此也就明確了當前識別人的身份。

國內外人臉識別技術人

　　臉識別中最核心最困難的環(huán)節(jié)是人臉辨別，即人臉相似度計算，包括“特征提取”和“特征比對”。人臉特征描述（建模）的有效性決定了人臉識別的精度，好的人臉特征提取技術將使提取的人臉特征值更小、辨別性能更好，可以提高識別率和降低誤識率，因此，人臉識別技術的好壞關鍵在于對人臉特征的描述（建模）。本節(jié)重點闡述當前國內外人臉識別技術中所采用的人臉特征建模方法。

　　目前已存在的人臉特征提取方法主要有：基于面部器官的特征提取、基于模板的特征提取、基于代數方法的特征提取、基于彈性匹配法的特征提取。

　　基于面部器官的特征提取

　　基于面部器官的特征提取是最早研究特征提取的方法，主要考慮眉毛、眼睛、鼻子、嘴巴之間的位置關系。各器官之間歐氏距離、角度及其大小和外形被量化成一系列參數，來衡量人臉特征，所以對眉毛、眼鏡、鼻子、嘴巴等的定位就是一個很重要的工作。面部幾何特征的提取依靠于先驗知識，需要在自適應和檢測準確度之間進行權衡，受人臉表情，姿態(tài)等影響很大。對于人臉主要器官如眉毛、眼睛、鼻子、嘴巴等進行描述和特征提取，可以比較準確地提取人臉的基本特征。

　　基于模板的特征提取

　　人臉的基本輪廓和臉部器官位置基本是固定的，在提取特征之前先定義一個標準的模板，利用Hough變換、方差投影和模板匹配相結合，有效地確定出眼睛、嘴巴和鼻子等器官的位置。定義模板需要用到人臉器官的幾何特征矢量，它可以通過虹膜中心、內眼角點、外眼角點、鼻尖點、鼻孔點、耳屏點、耳下點、口角點、頭頂點、眉內點和眉外點等關鍵點得到。特征的提取通常以面部器官的外形和幾何關系之間的匹配分量作為依據，匹配分量通常包括人臉兩點間的歐氏距離、曲率和角度等，其中歐氏距離的判決是最常用的方法。標準模板可以是固定模板，也可以是參數可變的可變性模板。固定模板比較簡單，但是隨著環(huán)境的改變模板也要更換，有很大的局限性，一般只針對簡單的圖像；可變性模板是以器官的幾何特征作為模板的參數，定義一個能量函數，通過改變參數使能量函數最小化，能量函數越小越接近提取目標?？勺冃阅０逶诃h(huán)境發(fā)生變化時只需要改變相應的參數即可，因此靈活性和適應性都比較好，可處理質量較差的人臉圖像，但是模板描述不夠精確，適用于可變性不大的器官，常用于提取眼睛、嘴和鼻子輪廓。

　　基于代數方法的特征提取

　　此類方法使用代數變換來提取人臉特征，其中比較經典的方法是特征臉方法。人臉由一些基本特征就可以描述，如眉毛、鼻子、眼睛和嘴巴等特征，因此描述人臉的圖像可以縮小到很小空間。特征臉方法基于K－L變換，將協(xié)方差矩陣E分解為通過這變換將原始圖像變換到一個新的維數較低的特征空間，通過計算矩陣的特征值和特征向量，利用圖像的代數特征信息進行提取臉部器官的特征。這種方法具有無需提取眉毛、眼鏡、鼻子和嘴巴等幾何特征的優(yōu)點，但在單樣本時識別率不高，且在人臉模式數較大時計算量大。

　　基于彈性匹配法的特征提取

　　彈性匹配法是一種較好的特征提取方法，主要思想是采用畸變不變性物體識別特性，定義了一種對于人臉變形具有不變性的距離，采用屬性拓撲圖代表人臉，圖中任一頂點均包含一個特征向量，用來記錄人臉在該頂點位置四周的信息，邊則表示各特征點之間的關系。假設S1是人臉庫中定義的某人臉屬性拓撲圖，S為待識人臉屬性拓撲圖。在彈性匹配中也就是尋找Sl中各節(jié)點在S中最佳匹配節(jié)點。

飛瑞斯科技對人臉識別技術的研究

　　飛瑞斯科技經過多年的研發(fā)實踐，人臉識別產品已經達到實用階段，目前正在大范圍推廣。其技術的先進性體現(xiàn)于：

　　人臉庫

　　飛瑞斯用于人臉建模的人臉庫是采用實際人臉識別產品在多種實際應用環(huán) 境 下 采 集 的 ，而 非 實 驗 室 中 普 通 的 攝像頭采集的，因此，飛瑞斯的人臉識別算法與人臉識別產品具有高度的兼容性，對應 用 環(huán) 境 具 有 高 度 的 適 應 性；

　　特征描述

　　飛瑞斯人臉識別技術采用更加先進的動態(tài)局部特征分析技術（Dynamic Local Feature Analysis,DLFA）識別人臉特征，并結合自主知識產權的“基于多光源條件的人臉識別”技術和優(yōu)異的識別算法，為人臉識別系統(tǒng)更廣泛的應用提供了一套環(huán)境適應性強、技術新穎高效的技術體系作支撐。

　　動態(tài)局部特征分析技術，首先進行人 臉 照 片 的 預 處 理 ，目 的 是 為了去 除 照片過高的噪聲，將輸入的人臉照片用邊緣適應檢測的方法轉換成二進制的照片，再 提 取 出 人 臉 皮 膚 肌 理，然 后 使 用局部特征分析方法來處理臉部的邊緣陰影和膚紋，從而識別人臉。

　　局部特征分析（LFA）是一種用局部特征表示的類似于搭建積木統(tǒng)計的技術，基于所有的人臉都可由很多簡化的結構單元塊綜合而成。LFA使用32到5 0 個 單 元 塊 區(qū) 域 來 辨 別 一 個人 臉，選 用的 最 通 常 的 點 包 括 鼻 子、眼 睛 、嘴 巴 和特定的骨骼曲率差，如臉頰。這些單元塊是使用復雜的統(tǒng)計技術而形成的，它們 代 表了整 個人 臉，通常 跨 越 多 個 像 素并代表了普遍的臉部形狀，但并不是通常意義上的臉部特征。要確定一個人臉不僅僅取決于特性單元塊，還決定于它們的幾何結構(如形狀和相關位置)。 通過這種方式，LFA將人臉的特性對應為一種復雜的數字表達式，就可以進行人臉識別了。

　　LFA人臉識別系包括區(qū)域:嘴巴、鼻子、眉毛、下顎輪廓和顴骨。用動態(tài)邊緣分析方法獲得的臉形信息能減少不同光線環(huán)境的影響，而膚紋信息提供了標準化的人臉特征的細節(jié)。將臉形和膚紋兩種信息組合再用局部特征分析（LFA）算法 來比 較、統(tǒng)計臉 部的1 7 3個 特 征 點，不論登記和識別人臉時是在何種光線環(huán) 境 下，我 們 的 人 臉 識 別 算 法 都 能 得 到一 個 很 高 識 別 率 ，可 以 在 百 萬 人 中 精 確地辨認出一個人。

　　LFA具有多尺度旋轉不變性，其具有更強的環(huán)境適應性，在圖像模糊（失焦、運動等）、低分辯率、各種光照條件（紅外、可見光）下具有較好的識別率和誤識率。

　　人臉建模

　　人臉建模過程中采用了先進的人臉樣本篩選技術和模式篩選技術，能夠有效的提升人臉模型的泛化能力、鑒別能力和魯棒性。

　　人臉模型采用多特征融合技術，以支持多種應用環(huán)境，具有更廣泛的應用能力。

　　Face Image V4.0

　　已經開發(fā)完成并在G1G3人臉識別考勤機上得到全面應用的Face Image V4.0技術，較之Face Image V3.0具有更加突出的優(yōu)勢，主要表現(xiàn)如下：

　　1.保持了FaceImage V3.0的虹膜識別融合特性以及佩戴眼鏡對識別影響小的優(yōu)良表現(xiàn)；

　　2.增加了雙模式人臉特征識別特性，使一次識別命中率大大提高，同時極大的降低了誤識率，使得總體識別速度有較大的提升；

　　3.降低了女性的頭發(fā)，化妝等變化對識別率的影響；

　　4.引入了光照算法處理，對光線變化具有更強的適應性；

結束語

　　下一代人臉識別技術已經明確方向，將著重在基于視覺認知機理的多信息融合人臉表示方法、基于概率圖模型的魯棒匹配算法以及基于Hashing的快速比對、查詢算法等方向尋求新的突破，屆時，在環(huán)境、儀容、年齡的適應性以及識別速度方面將會有大幅度的改善，而人臉識別的用戶體驗將更加良好，應用將更加廣泛。