3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
前瞻基礎建設計畫-軌道建設完整
| ||||||||||||||||||
智慧傳輸\儲存\顯示
| ||
2018年6月25日 星期一
．一文通曉『人臉辨識』的技術、應用與問題
China's new facial recognition gadget
 |
原文標題：深扒人臉辨識60年技術發展史⋯⋯
來源：
 |
| 巡迴演唱會連抓3通緝犯"逃犯克星"張學友这样回应-香港商報 |
「他來聽我的演唱會，門票換了手銬一對」。最近歌神張學友變阿SIR，演唱會上頻頻抓到罪犯，將人臉辨識技術又一次推到了大眾的視線中。要說人臉辨識技術的爆發，當屬去年9月份蘋果iPhone x的發佈，不再需要指紋，只需要掃描臉部，就可以輕鬆解鎖手機。
任何技術一旦進入智慧手機這個消費市場，尤其是被蘋果這個標誌性的品牌採用，就意味著它將成為一種趨勢，一個智慧設備的標配。
在智慧手機快速崛起的這幾年，其密碼鎖經歷了從數字密碼、手勢解鎖，到指紋辨識的升級，發展到如今的虹膜辨識和人臉辨識。可以預料的是，由於全螢幕的普及和更為安全、便捷的 Face ID 技術的出現，在不久的將來，指紋辨識也將被智慧手機廠商們所拋棄，完成它的歷史使命。
那麼人臉辨識到底是一項怎樣的技術，小編就將帶大家走進人臉辨識，聊聊這項新科技。
人臉辨識是啥玩意兒？
人臉辨識技術，是基於人的臉部特徵資訊，進行身份辨識的一種生物辨識技術。用攝影機採集含有人臉的圖像或視訊流，並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。
傳統的人臉辨識技術，主要是基於可見光圖像的人臉辨識，這也是人們熟悉的辨識方式。簡單的來說，就是一個讓電腦認出你的過程。
傳統的人臉辨識技術，主要是基於可見光圖像的人臉辨識，這也是人們熟悉的辨識方式。簡單的來說，就是一個讓電腦認出你的過程。
人臉辨識技術主要是，透過人臉圖像特徵的提取與比對，來進行的。人臉辨識系統將提取的人臉圖像的特徵數據，與數據庫中儲存的特徵模板，進行搜索匹配，透過設定一個臨界值，當相似度超過這一臨界值，則把匹配得到的結果輸出。
將待辨識的人臉特徵，與已得到的人臉特徵模板進行比較，根據相似程度對人臉的身份資訊進行判斷。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。
廣義的人臉辨識實際包括，構建人臉辨識系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉辨識預處理、身份確認，以及身份查找等；而狹義的人臉辨識，特指透過人臉進行身份確認，或者身份查找的技術或系統。
人臉辨識技術發展
早在20世紀50年代，認知科學家就已著手對人臉辨識展開研究。20世紀60年代，人臉辨識工程化應用研究正式開啓。當時的方法主要利用了人臉的幾何結構，透過分析人臉器官特徵點，及其之間的拓撲關係進行辨識。這種方法簡單直觀，但是一旦人臉姿態、表情發生變化，則精度嚴重下降。
1991年，著名的「特徵臉」方法，第一次將主成分的分析，和統計特徵技術引入人臉辨識，在實用效果上，取得了長足的進步。這一思路也在後續研究中，得到進一步發揚光大，例如，Belhumer成功將Fisher判別準則應用於人臉分類，提出了基於線性判別分析的Fisherface方法。
由劍橋人臉數據集的特徵分解獲得的前四個特徵向量
21世紀的前十年，隨著機器學習理論的發展，學者們相繼探索出了基於遺傳算法、支持向量機（Support Vector Machine， SVM）、boosting、流形學習，以及核方法等進行人臉辨識。 2009年至2012年，稀疏表達（Sparse Representation）因為其優美的理論和對遮擋因素的魯棒性（或稱強健性），成為當時的研究熱點。
與此同時，業界也基本達成共識：基於人工精心設計的局部描述子進行特徵，提取和子空間方法，進行特徵選擇能夠取得最好的辨識效果。
Gabor及LBP特徵描述子，是迄今為止在人臉辨識領域，最為成功的兩種人工設計局部描述子。這期間，對各種人臉辨識影響因子的針對性處理，也是那一階段的研究熱點，比如人臉光照歸一化、人臉姿態校正、人臉超分辨，以及遮擋處理等。也是在這一階段，研究者的關注點開始，從受限場景下的人臉辨識，轉移到非受限環境下的人臉辨識。
LFW人臉辨識公開競賽，在此背景下開始流行，當時最好的辨識系統，儘管在受限的FRGC測試集上，能取得99％以上的辨識精度，但是在LFW上的最高精度僅僅在80％左右，距離實用看起來距離頗遠。
2013年MSRA的研究者，首度嘗試了10萬規模的大訓練數據，並基於高維LBP特徵，和Joint Bayesian方法，在LFW上獲得了95.17％的精度。這一結果顯示：大訓練數據集，對於有效提升非受限環境下的人臉辨識很重要。然而，以上所有這些經典方法，都難以處理大規模數據集的訓練場景。
2014年前後，隨著大數據和深度學習的發展，神經網路重受矚目，並在圖像分類、手寫體辨識、語音辨識等應用中，獲得了遠超經典方法的結果。
香港中文大學的Sun Yi等人，提出將卷積神經網路，應用到人臉辨識上，採用20萬訓練數據，在LFW上第一次得到超過人類水平的辨識精度，這是人臉辨識發展歷史上的一座里程碑。
表1 人臉辨識經典方法及其在LFW上精度對比
自此之後，研究者們不斷改進網路結構，同時擴大訓練樣本規模，將LFW上的辨識精度推到99.5％以上。
如表1所示，我們給出了人臉辨識發展過程中，一些經典的方法及其在LFW上的精度，一個基本的趨勢是：訓練數據規模越來越大，辨識精度越來越高。
人臉辨識十大關鍵技術
1、人臉檢測（Face Detection）
「人臉檢測（Face Detection）」的作用，就是要檢測出圖像中人臉所在位置。
人臉檢測算法的輸入是一張圖像，輸出是人臉框坐標序列，具體結果是0個人臉框或1個人臉框或多個人臉框。輸出的人臉坐標框，可以為正方形、矩形等。
人臉檢測算法的原理，簡單來說是一個「掃描」加「判定」的過程。即首先在整個圖像範圍內掃描，再逐個判定候選區域，是否是人臉的過程。因此人臉檢測算法的計算速度，會跟圖像尺寸大小，以及圖像內容相關。在實際算法時，我們可以透過設置「輸入圖像尺寸」、或「最小臉尺寸限制」、「人臉數量上限」的方式來加速算法。
舉例說明：綠色矩形框標注的，即為人臉檢測算法檢測到的人臉位置
2、人臉配準（Face Alignment）
「人臉配準（Face Alignment）」所實現的目的，是定位出人臉上五官關鍵點座標。
人臉配準算法的輸入，是「一張人臉圖像」和「人臉坐標框」，輸出是五官關鍵點的座標序列。五官關鍵點的數量，是預先設定好的一個固定數值，常見的有5點、68點、90點等等。
當前效果的較好的一些人臉配準技術，基本透過深度學習框架實現。這些方法都是基於人臉檢測的座標框，按某種事先設定規則，將人臉區域摳取出來，縮放到固定尺寸，然後進行關鍵點位置的計算。另外，相對於人臉檢測，或者是後面將提到的人臉特徵提取的過程，人臉配準算法的計算耗時都要少很多。
舉例說明：輸入圖像以及輸出結果如下，綠色圓點標注出了五官位置。
3、人臉屬性辨識（Face Attribute）
「人臉屬性辨識（Face Attribute）」是辨識出人臉的性別、年齡、姿態、表情等屬性值的一項技術。這在有些相機APP中有所應用，可以自動辨識攝影機視野中人物的性別、年齡等特徵並標注出來。
一般的人臉屬性辨識算法的輸入，是「一張人臉圖」和「人臉五官關鍵點座標」，輸出是人臉相應的屬性值。人臉屬性辨識算法，一般會根據人臉五官關鍵點座標，將人臉對齊，具體過程為旋轉、縮放、摳取等操作後，將人臉調整到預定的大小和形態，以便之後進行屬性分析。
人臉的屬性辨識包括性別辨識、年齡估計、表情辨識、姿態辨識、髮型辨識等等方面。一般來說每種屬性的辨識算法過程是獨立的，但是有一些新型的基於深度學習實現的算法，可以實現同時輸出年齡、性別、姿態、表情等屬性辨識結果。
舉例說明：人臉屬性辨識輸出結果如下
4、人臉提特徵（Face Feature Extraction）
「人臉提特徵（Face Feature Extraction）」是將一張人臉圖像，轉化為可以表徵人臉特點的特徵，具體表現形式為一串固定長度的數值。
人臉提特徵過程的輸入，是 「一張人臉圖」和「人臉五官關鍵點座標」，輸出是人臉相應的一個數值串（特徵）。人臉提特徵算法實現的過程為：首先將五官關鍵點座標進行旋轉、縮放等等操作，來實現人臉對齊，然後在提取特徵並計算出數值串。
舉例說明：人臉特徵提取過程
5、人臉比對（Face Compare）
「人臉比對（Face Compare）」算法實現的目的，是衡量兩個人臉之間相似度。
人臉比對算法的輸入，是兩個人臉特徵人臉特徵，由前面的人臉提特徵算法獲得，輸出是兩個特徵之間的相似度。
舉例說明：人臉對比過程，輸出結果為相似度96％
6、人臉驗證（Face Verification）
「人臉驗證（Face Verification）」是判定兩個人臉圖，是否為同一人的算法。
它的輸入是兩個人臉特徵，透過人臉比對，獲得兩個人臉特徵的相似度，透過與預設的臨界值比較，來驗證這兩個人臉特徵是否屬於同一人。
舉例說明：人臉驗證過程如下，相似度96％大於閾值75％，判定屬於同一個人
7、人臉辨識（Face Recognition）
「人臉辨識（Face Recognition）」是辨識出輸入人臉圖，對應身份的算法。
它的輸入為一個人臉特徵，透過和註冊在庫中N個身份，對應的特徵進行逐個比對，找出「一個」與輸入特徵相似度最高的特徵。將這個最高相似度值和預設的臨界值相比較，如果大於臨界值，則返回該特徵對應的身份，否則返回「不在庫中」。
舉例說明：人臉辨識過程如下，判斷結果為輸入圖像為註冊庫中的jason
8、人臉檢索（Face Retrieval）
「人臉檢索」是查找和輸入人臉相似的人臉序列的算法。
人臉檢索透過將輸入的人臉，和一個集合中的說有人臉，進行比對，根據比對後的相似度，對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列，即使人臉檢索的結果。
舉例說明：人臉檢索過程如下，右側綠框內排序序列為檢索結果
9、人臉聚類（Face Cluster）
「人臉聚類（Face Cluster）」是將一個集合內的人臉，根據身份進行分組的算法。
人臉聚類也透過將集合內所有的人臉，兩兩之間做人臉比對，再根據這些相似度值進行分析，將屬於同一個身份的人劃分到一個組裡。
在沒有進行人工身份標注前，只知道分到一個組的人臉，是屬於同一個身份，但不知道確切身份。
舉例說明：人臉聚類過程如下，右側綠框內按身份的分組結果為聚類結果
10、人臉活體（Face Liveness）
「人臉活體（FaceLiveness）」是判斷人臉圖像是來自真人，還是來自攻擊假體（照片、影片等）的方法。
在我們生活環境中，人臉認證系統中主要容易受到這種手段欺騙：
（1）用偷拍的照片假冒真實人；
（2）在公開場合錄的影片或網上公開的影片片段；
（3）用電腦輔助軟體設計的三維模型欺騙；
（4）用蠟或塑膠等材質構造的三維雕像欺騙。
現在所以人臉活體檢測技術的研究，顯得異常重要。對於照片欺騙，主要是根據解析度、三位三維資訊、眼動等來進行區分；對於影片欺騙，根據三維資訊、光線等來區分。
人臉辨識技術的主要用途
1、人臉辨識技術應用於鐵路安防系統（中國案例）
隨著技術的進步，人員組織的不斷複雜化，鐵路安全形勢不斷面臨新的挑戰。火車票實名制，有效阻止了不法分子進入車站，但是，目前鐵路客運安全檢查，基本還是靠安檢員來檢查票、證、人是否一致，而證件照片往往是多年前的照片，安檢員很難辨認，辨別度很低。
 |
| NEC face recognition system reinforces safety at Taipei Summer ... |
2、人臉辨識技術應用於教育領域
近年來，從中考、高考等升學考試，到執業資格、晉級升職等等考試，均不同程度地出現了替考現象，而利用人臉辨識技術，實現證件內照片特徵，和即時人臉照片特徵比對辨識，辨別考生身份，可防止考場替考現象的發生。人臉辨識技術還可應用於校園，能有效地對進入校園的可疑人員做到預警。
3、人臉辨識技術推進於智能城市建設
隨著人類社會的不斷發展，未來城市將承載越來越多的人口，為實現城市可持續發展，建設智慧城市已成為當今世界城市發展不可逆轉的歷史潮流。
而在智慧城市的建設過程中，需注重對資訊的結構化儲存、分析挖掘，人臉的結構化雲辨識儲存，是構建整個智慧城市基礎數據之一，是智慧城市雲儲存體系中的不可或缺的一部分。透過智慧城市的高速數據傳輸鏈，及結構化的數據篩選，可將人臉大數據，與智慧城市中其它的大數據之間碰撞出火花，更加凸顯出人臉辨識「用」的價值。
而在智慧城市的建設過程中，需注重對資訊的結構化儲存、分析挖掘，人臉的結構化雲辨識儲存，是構建整個智慧城市基礎數據之一，是智慧城市雲儲存體系中的不可或缺的一部分。透過智慧城市的高速數據傳輸鏈，及結構化的數據篩選，可將人臉大數據，與智慧城市中其它的大數據之間碰撞出火花，更加凸顯出人臉辨識「用」的價值。
如今，人臉辨識技術不再僅僅局限在考勤、門禁行業的簡單應用，而是憑借其人臉的唯一匹配性，以及安全優勢，受到高安全性環境應用領域的青睞。
人臉辨識的技術難點
人臉辨識雖說發展到現在3、40年的時間了，但它一直存在的幾個難點，到現在也沒能徹底解決。
1、光照問題
光照問題是機器視覺重的老問題，在人臉辨識中的表現尤為明顯。由於人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特徵。
2、表情姿態問題
與光照問題類似，姿態問題也是目前人臉辨識研究中，需要解決的一個技術難點。姿態問題涉及頭部在三維垂直座標系中，繞三個軸的旋轉造成的臉部變化，其中垂直於圖像平面的兩個方向的深度旋轉，會造成臉部資訊的部分缺失。
針對姿態的研究相對比較的少，目前多數的人臉辨識算法，主要針列正面、準正而人臉圖像，當發生俯仰或者左右側，而比較厲害的情況下，人臉辨識算法的辨識率也將會急劇下降。臉部幅度較大的哭、笑、憤怒等表情變化，同樣影響著臉部辨識的準確率。
針對姿態的研究相對比較的少，目前多數的人臉辨識算法，主要針列正面、準正而人臉圖像，當發生俯仰或者左右側，而比較厲害的情況下，人臉辨識算法的辨識率也將會急劇下降。臉部幅度較大的哭、笑、憤怒等表情變化，同樣影響著臉部辨識的準確率。
3、遮擋問題
對於非配合情況下的人臉圖像採集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往彼監控對象，都會帶著眼鏡，帽子等飾物，使得被採集出來的人臉圖像有可能不完整，從而影響了後面的特徵提取與辨識，甚至會導致人臉檢測算法的失效。
4、年齡變化
隨著年齡的變化，臉部外觀也在變化，特別是對於青少年，這種變化更加的明顯。對於不同的年齡段，人臉辨識算法的辨識率也不同。一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致辨識率的下降。對於不同的年齡段，人臉辨識算法的辨識率也不同。
5、人臉相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉，進行定位是有利的，但是對於利用人臉，區分人類個體是不利的。
6、圖像品質
人臉圖像的來源可能多種多樣，由於採集設備的不同，得到的人臉圖像品質也不一樣，特別是對於那些低解析度、噪聲大、品質差的人臉圖像（如手機攝影機拍攝的人臉圖片、遠端監控拍攝的圖片等）如何進行有效地人臉辨識，是個需要關注的問題。同樣的，對於高解析度圖像，對人臉辨識算法的影響，也需要進一步的研究。
7、樣本缺乏
基於統計學習的人臉辨識算法，是目前人臉辨識領域中的主流算法，但是統計學習方法需要大量的訓練。由於人臉圖像在高維空間中的分布，是一個不規則的流形分布，能得到的樣本，只是對人臉圖像空間中的一個極小部分的採樣，如何解決小樣本下的統計學習問題，有待進一步的研究。
8、海量數據
傳統人臉辨識方法如PCA、LDA等在小規模數據中，可以很容易進行訓練學習。但是對於海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。
9、大規模人臉辨識
隨著人臉資料庫規模的成長，人臉算法的性能將呈現下降。
大陸研究人臉辨識的公司有哪些
2015年以來，已有騰訊、阿里、民生銀行等多個行業巨頭，紛紛加碼人臉辨識產業。全世界巨頭紛紛加碼人臉辨識技術，將直接助推產業的爆發性成長。想知道具體企業以及方向，可以閱讀下方表格：
人臉辨識的未來
隨著大數據、共享時代的來臨，數據安全問題也越發被重視起來，以人臉識別為代表的新一代技術革命已經展開。這些對技術的要求越來越高，既要求數據的準確性，又要保證數據的安全性，人臉辨識在這方面大有可為，作為行業的主力軍，企業的技術實力與創新能力，決定著整個產業的走向，任何一點點技術的創新，都可能帶來行業的變革。
依託於物聯網與人工智慧的快速推進，人臉辨識應用場景會越來越廣泛。隨著對岸中國的國家科研機構的研發投入、企業對技術的鑽研、市場的推廣等，這些都將是人臉辨識美好前景的徵兆。據業內分析人士認為，未來人臉辨識或成為有效身份辨識主流，屆時，人臉辨識就不是什麼新鮮詞了。
