?人臉識別系統

人臉識別技術

 
 
人臉識別 [1]  技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域,其中包括人臉追蹤偵測,自動調整影像放大,夜間紅外偵測,自動調整曝光強度等技術。
人臉識別技術屬于生物特征識別技術,是對生物體(一般特指人)本身的生物特征來區分生物體個體。
2014年3月,香港中文大學信息工程系主任、中國科學院深圳先進技術研究院副院長湯曉鷗領軍的團隊發布研究成果,基于原創的人臉識別算法,準確率達到98.52%,首次超越人眼識別能力(97.53%)。 [2] 
 
中文名
人臉識別技術
外文名
Face Recognition Technology
實    質
輸入的人臉圖象或者視頻流
研究領域
熱門的計算機技術研究領域
技    術
生物特征識別技術

技術介紹

編輯
人臉識別技術是基于人的臉部特征,對輸入的人臉圖像或者視頻流 . 首先判斷其是否存在人臉 , 如果存在人臉,則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。并依據這些信息,進一步提取每個人臉中所蘊涵的身份特征,并將其與已知的人臉進行對比,從而識別每個人臉的身份。
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術,包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等;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。
生物特征識別技術所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網膜、聲音(語音)、體形、個人習慣(例如敲擊鍵盤的力度和頻率、簽字)等,相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別(用語音識別可以進行身份識別,也可以進行語音內容的識別,只有前者屬于生物特征識別技術)、體形識別、鍵盤敲擊識別、簽字識別等。

技術原理

編輯
人臉識別技術包含三個部分:
(1)人臉檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像,并分離出這種面像。一般有下列幾種方法:
①參考模板法
首先設計一個或數個標準人臉的模板,然后計算測試采集的樣品與標準模板之間的匹配程度,并通過閾值來判斷是否存在人臉;
②人臉規則法
由于人臉具有一定的結構分布特征,所謂人臉規則的方法即提取這些特征生成相應的規則以判斷測試樣品是否包含人臉;
③樣品學習法
這種方法即采用模式識別中人工神經網絡的方法,即通過對面像樣品集和非面像樣品集的學習產生分類器;
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特征子臉法
這種方法是將所有面像集合視為一個面像子空間,并基于檢測樣品與其在子空間的投影之間的距離判斷是否存在面像。
值得提出的是,上述5種方法在實際檢測系統中也可綜合采用。
(2)人臉跟蹤
面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體采用基于模型的方法或基于運動與模型相結合的方法。此外,利用膚色模型跟蹤也不失為一種簡單而有效的手段。
(3)人臉比對
面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說,將采樣到的面像與庫存的面像依次進行比對,并找出最佳的匹配對象。所以,面像的描述決定了面像識別的具體方法與性能。主要采用特征向量與面紋模板兩種描述方法:
①特征向量法
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,然后再計算出它們的幾何特征量,而這些特征量形成一描述該面像的特征向量。
②面紋模板法
該方法是在庫中存貯若干標準面像模板或面像器官模板,在進行比對時,將采樣面像所有象素與庫中所有模板采用歸一化相關量度量進行匹配。此外,還有采用模式識別的自相關網絡或特征與模板相結合的方法。
人臉識別技術的核心實際為“局部人體特征分析”和“圖形/神經識別算法。”這種算法是利用人體面部各器官及特征部位的方法。如對應幾何關系多數據形成識別參數與數據庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低于1秒。

識別過程

一般分三步:
(1)首先建立人臉的面像檔案。即用攝像機采集單位人員的人臉的面像文件或取他們的照片形成面像文件,并將這些面像文件生成面紋(Faceprint)編碼貯存起來。
(2)獲取當前的人體面像。即用攝像機捕捉的當前出入人員的面像,或取照片輸入,并將當前的面像文件生成面紋編碼。
(3)用當前的面紋編碼與檔案庫存的比對。即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的“面紋編碼”方式是根據人臉臉部的本質特征和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化,具有強大的可靠性,從而使它可以從百萬人中精確地辨認出某個人。人臉的識別過程,利用普通的圖像處理設備就能自動、連續、實時地完成。

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。
人臉圖像采集及檢測
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。
人臉圖像預處理
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。
人臉圖像特征提取
人臉圖像特征提?。喝四樧R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?;谥R的人臉表征主要包括基于幾何特征的方法和模板匹配法。
人臉圖像匹配與識別
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。

功能模塊

編輯
人臉捕獲與跟蹤功能
人臉捕獲是指在一幅圖像或視頻流的一幀中檢測出人像并將人像從背景中分離出來,并自動地將其保存。人像跟蹤是指利用人像捕獲技術,當指定的人像在攝像頭拍攝的范圍內移動時自動地對其進行跟蹤。
人臉識別比對
人臉識別分核實式和搜索式二種比對模式。核實式是對指將捕獲得到的人像或是指定的人像與數據庫中已登記的某一對像作比對核實確定其是否為同一人。搜索式的比對是指,從數據庫中已登記的所有人像中搜索查找是否有指定的人像存在。
人臉的建模與檢索
可以將登記入庫的人像數據進行建模提取人臉的特征,并將其生成人臉模板(人臉特征文件)保存到數據庫中。在進行人臉搜索時(搜索式),將指定的人像進行建模,再將其與數據庫中的所有人的模板相比對識別,最終將根據所比對的相似值列出最相似的人員列表。
真人鑒別功能
系統可以識別得出攝像頭前的人是一個真正的人還是一幅照片。以此杜絕使用者用照片作假。此項技術需要使用者作臉部表情的配合動作。
圖像質量檢測
圖像質量的好壞直接影響到識別的效果,圖像質量的檢測功能能對即將進行比對的照片進行圖像質量評估,并給出相應的建議值來輔助識別 [3]  。

分析算法

編輯
人臉識別技術中被廣泛采用的區域特征分析算法,它融合了計算機圖
人臉識別人臉識別
像處理技術與生物統計學原理于一體,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值。通過這個值即可確定是否為同一人。
人臉識別的方法很多,主要的人臉識別方法有:
(1)幾何特征的人臉識別方法:幾何特征可以是眼、
慧眼人臉識別考勤機慧眼人臉識別考勤機
鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些算法識別速度快,需要的內存小,但識別率較低。
(2)基于特征臉(PCA)的人臉識別方法:特征臉方法是基于KL變換的人臉識別方法,KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換后得到一組新的正交基,保留其中重要的正交基,由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性,就可以將這些投影用作識別的特征矢量,這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本,而且完全是基于圖像灰度的統計特性的。目前有一些改進型的特征臉方法。
(3)神經網絡的人臉識別方法:神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練,而在許多應用中,樣本數量是很有限的。
(4)彈性圖匹配的人臉識別方法:彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離,并采用屬性拓撲圖來代表人臉,拓撲圖的任一頂點均包含一特征向量,用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素,在比對時可以允許圖像存在彈性形變,在克服表情變化對識別的影響方面收到了較好的效果,同時對于單個人也不再需要多個樣本進行訓練。
(5)線段Hausdorff 距離(LHD) 的人臉識別方法:心理學的研究表明,人類在識別輪廓圖(比如漫畫)的速度和準確度上絲毫不
慧眼人臉識別考勤機慧眼人臉識別考勤機
比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的,它定義的是兩個線段集之間的距離,與眾不同的是,LHD并不建立不同線段集之間線段的一一對應關系,因此它更能適應線段圖之間的微小變化。實驗結果表明,LHD在不同光照條件下和不同姿態情況下都有非常出色的表現,但是它在大表情的情況下識別效果不好。
(6)支持向量機(SVM) 的人臉識別方法:支持向量機是統計模式識別領域的一個新的熱點,它試圖使得學習機在經驗風險和泛化能力上達到一種妥協,從而提高學習機的性能。支持向量機主要解決的是一個2分類問題,它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率,但是它需要大量的訓練樣本(每類300個),這在實際應用中往往是不現實的。而且支持向量機訓練時間長,方法實現復雜,該函數的取法沒有統一的理論。

技術細節

編輯
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。
人臉識別的算法可以分類為:
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) [4]  。

優缺點

編輯
人臉識別優點
相比較其他生物識別技術而言:
非接觸的,用戶不需要和設備直接接觸;
非強制性,被識別的人臉圖像信息可以主動獲??;
并發性,即實際應用場景下可以進行多個人臉的分揀、判斷及識別。
人臉識別的弱點
對周圍的光線環境敏感,可能影響識別的準確性;
人體面部的頭發、飾物等遮擋物,人臉變老等因素,需要進行人工智能補償;(如可通過識別人臉的部分關鍵特性做修正)。

技術應用

編輯
1.企業、住宅安全和管理。如人臉識別門禁考勤系統,人臉識別防盜門等。
2.電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織( ICAO)已確定,從 2010年 4月 1日起,其 118個成員國家和地區,人臉識別技術是首推識別模式,該規定已經成為國際標準。美國已經要求和它有出入免簽證協議的國家在2006年10月 26日之前必須使用結合了人臉指紋等生物特征的電子護照系統,到 2006年底已經有 50多個國家實現了這樣的系統。美國運輸安全署( Transportation Security Administration)計劃在全美推廣一項基于生物特征的國內通旅行證件。歐洲很多國家也在計劃或者正在實施類似的計劃,用包含生物特征的證件對旅客進行識別和管理[7]。中國的電子護照計劃公安部一所正在加緊規劃和實施。
3.公安、司法和刑偵。如利用人臉識別系統和網絡,在全國范圍內搜捕逃犯。
4.自助服務。如銀行的自動提款機,如果同時應用人臉識別就會避免被他人盜取現金現象的發生。
5.信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成,電子政務中的很多審批流程也都搬到了網上。而當前,交易或者審批的授權都是靠密碼來實現。如果密碼被盜,就無法保證安全。如果使用生物特征,就可以做到當事人在網上的數字身份和真實身份統一。從而大大增加電子商務和電子政務系統的可靠性 [5]  。

應用前景

編輯
生物識別技術被廣泛用于政府、軍隊、銀行、社會福利保障、電子商務、安全防務等領域。例如,一位儲戶走進了銀行,他既沒帶銀行卡,也沒有回憶密碼就徑直提款,當他在提款機上提款時,一臺攝像機對該用戶的眼睛掃描,然后迅速而準確地完成了用戶身份鑒定,辦理完業務。這是美國德克薩斯州聯合銀行的一個營業部中發生的一個真實的鏡頭。而該營業部所使用的正是現代生物識別技術中的“虹膜識別系統”。此外,美國“9.11”事件后,反恐怖活動已成為各國政府的共識,加強機場的安全防務十分重要。美國維薩格公司的臉像識別技術在美國的兩家機場大顯神通,它能在擁擠的人群中挑出某一張面孔,判斷他是不是通緝犯。
隨著技術的進一步成熟和社會認同度的提高,人臉識別技術將應用在更多的領域。
1、企業、住宅安全和管理。如人臉識別門禁考勤系統,人臉識別防盜門等。
2、電子護照及身份證。這或許是未來規模最大的應用,國際民航組織(ICAO)已確定,從2010年起,其118個成員國家和地區,必須使用機讀護照,人臉識別技術是首推識別模式,該規定已經成為國際標準。中國的電子護照計劃公安部一所正在加緊規劃和實施。
3、公安、司法和刑偵。如利用人臉識別系統和網絡,在全國范圍內搜捕逃犯。
4、自助服務。如銀行的自動提款機,如果用戶卡片和密碼被盜,就會被他人冒取現金。如果同時應用人臉識別就會避免這種情況的發生。
5、信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成,電子政務中的很多審批流程也都搬到了網上。而當前,交易或者審批的授權都是靠密碼來實現,如果密碼被盜,就無法保證安全。但是使用生物特征,就可以做到當事人在網上的數字身份和真實身份統一,從而大大增加電子商務和電子政務系統的可靠性。 [6] 
2012年無錫采用物聯網人臉識別技術規范建筑市場。無錫的建筑工地將從6月1日起每天通過物聯網技術進行人臉識別,通過考勤管理,確保項目負責人到位,掛靠、層層轉包等現象將有望受到限制。
京滬高鐵三站已建成人臉識別系統,整容也能被識別。鐵路部門發布計劃表示,已建成的京滬高鐵段的上海虹橋站、天津西站、濟南西站這三個站點的識別系統工程,以協助公安部門抓捕在逃罪犯。利用這個系統,作案后的犯罪分子,即使整容,也將能夠被識別。 [7]