．解密人臉辨識算法原理

Smart Face Recognition System | Deep Learning | Opencv Python

來源： OFweek人工智能网

近日，由美國國家標準與技術研究院NIST（National Institute of Standards and Technology）組織的人臉辨識算法測試FRVT2018結果公佈，三家對岸中國公司挺進前五。

其中冠軍被中國公司依圖科技再度摘得，中國科學院深圳先進技術研究院獲得第二名，排名前五的另一家企業是曠視科技。

NIST測試以其評測標準的嚴謹性、一致性和全面性，成為了全球規模最大、標準最嚴、競爭最激烈、最權威的人臉辨識算法比賽。

依圖科技其實是第二次獲得NIST比賽人臉辨識冠軍，去年6月NIST官方公佈的測試結果中，依圖在千萬分之一誤報下，達到辨識準確率95.5％，是當時全球工業界在此項指標下的最好水準。

今年依圖將這一指標，提升到了接近極限的水準，即在千萬分之一誤報下的辨識準確率已經接近99％。根據NIST官方4月發佈的競賽結果，曠視科技也曾登頂榜首，在百萬分之一誤報下的準確率為97.5％。

為此，小編特別想探究一下人臉辨識背後的算法原理。

1．基於幾何特徵的方法

基本思想：採用幾何特徵，進行正面人臉辨識，一般是透過提取人眼、口、鼻等重要特徵點的位置，和眼睛等重要器官的幾何形狀，作為分類特徵。

因為人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異，才使得世界上每個人臉千差萬別，所以對這些部件的形狀，和結構關係的幾何描述，可以做為人臉辨識的重要特徵。

局限性：基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他算法結合，才能有比較好的效果。基於參數的人臉表示，可以實現對人臉顯著特徵的一個高效描述，但它需要大量的前處理和精細的參數選擇。

同時，採用一般幾何特徵，只描述了部件的基本形狀，與結構關係，忽略了局部細微特徵，造成部分資訊的丟失，更適合於做粗分類，而且目前已有的特徵點檢測技術，在精確率上還遠不能滿足要求，計算量也較大。

2.特徵臉方法（PCA）

特徵臉方法是90年代初期，由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點，也稱為基於主成分分析（principal component analysis，簡稱PCA）的人臉辨識方法。

基本思想：該方法是先確定眼虹膜、鼻翼、嘴角等，面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心，實際為「局部人體特徵分析」，和「圖形/神經辨識算法。」

這種算法是利用人體面部各器官，及特徵部位的方法。如對應幾何關係多數據形成辨識參數，與數據庫中所有的原始參數進行比較、判斷與確認。

局限性：特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的算法，但由於它在本質上，依賴於訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。

3.神經網路方法

基本思想：人工神經網路是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網路方法，在人臉辨識中的研究方興未艾，但在人臉辨識上的應用，比起前兩類方法來有一定的優勢，因為對人臉辨識的許多規律或規則，進行顯性的描述是相當困難的，而神經網路方法則，可以透過學習的過程，獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。

因此人工神經網路辨識速度快，但辨識率低。