人脸识别技术来袭！你准备好“刷脸”了吗？

编者按：近两年，随着人脸识别技术的迅速发展，“刷脸”逐渐成为新时期生物识别技术应用的主要领域。人脸识别是通过人脸检测，对五官进行一些关键点的定位，然后提取计算机能够识别的人脸特征，最后进行一个相似度的比对，从而得到一个人脸识别的结果，也就是判断“刷脸”的是不是你本人。本文节选汪德嘉博士《身份危机》一书中人脸识别章节，带大家了解人脸识别技术原理是什么？又有着哪些广泛的应用领域？

人脸识别基本介绍

人脸识别理论的完善与技术的发展在现实生活中具有重要意义。首先，它促进了人们关于人类视觉感知能力的理解。其次，它可以应用于人工智能的一些应用领域，如访问控制系统。利用计算机实现自动检测和识别人脸，是一个科学和有效，节省精力的事情，所以自动人脸识别系统有着非常广的应用前景，相比其他更为成熟的识别方法（如指纹、虹膜和DNA的检测等）。iphoneX刷脸解锁、农行刷脸取款、支付宝商用刷脸支付、武汉火车站刷脸进站等热点事件正在移动互联网领域掀起新一轮热潮，据媒体报道称，京东、苏宁、百度、建设银行等都在尝试刷脸支付。

人脸识别优势

人脸识别有以下三个优势：

（1）没有侵犯的行为，一般的识别方法需要双方合作后，但是人脸识别方法不需要人工的干预，可以通过摄像头和其他电子设备，在不被发现的情况下，得到识别的图片。

（2）价格便宜，操作容易，只需要一般的摄像头、相机，可以达到人脸识别系统的需求，随着智能手机的高速发展，许多人喜欢用手机的嵌入式摄像头记录图像，使图像获得更简单、方便和普遍。

（3）人脸识别的过程不需要人工干与，计算机系统可以自动执行，根据用户的设置，并且不需要主动参与的测试对象。

人脸识别缺点

随着人脸识别技术日渐成熟，应用场景日益丰富，我们这张脸正在被赋予身份证、登机牌、付款码等多项功能。和其他应用相比，“刷脸支付” 直接关系着我们网络财产安全，对安全性要求更高，要取得用户的信任并不容易。因此，对刷脸热潮的来袭，很多人也提出了质疑：

（1）没有统一的安全标准。人脸识别技术领域的实际应用还在起步阶段，目前还没有统一的行业标准与国家标准，主要都是技术厂家自己制定标准。然而厂家标准制定的不一致，会导致不同的安全状况与安全水平。只有通过制定统一的国家安全标准，才能解决人脸识别在技术推广过程中的障碍。

（2）识别中的“矫枉过正”。当人脸识别技术被作为加密技术投入实际应用时，我们最看重的就是它的安全性。而人脸识别技术的安全性可以用误接受率与误拒绝率两个指标来衡量。为了严格保证安全，技术厂商往往会尽量降低误接受率，但这同时会提高误拒绝率，使一些真正的用户也会被系统拒绝，“矫枉过正”，影响了用户体验。

（3）可信照片的分辨率低。目前互联网金融行业在使用人脸识别技术进行开户等操作时，用于确定客户信息的可信照片往往是居民二代身份证。而二代身份证的照片不仅分辨率低而且信息量少，这会降低人脸注册、识别的准确率。

（4）人脸的变化。随着时间的推移，用户的年龄增长，会发生胖瘦、常规的化妆、自然老化等变化。通常情况下，这些变化是在计算机的识别范围内的，但是如果出现整容、过浓的妆容、或者是佩戴眼镜与一些装饰性的饰物可能就会影响人脸识别的识别率。同时，由于双胞胎、多胞胎的人脸信息过于相像，双胞胎、多胞胎人脸信息的分辨在人脸识别技术中也是一个待攻克的难题。

人脸识别研究现状

人脸识别技术是一种基于人脸的面部特征进行身份识别的技术。在识别时一般通过2个阶段；第1阶段首先通过检测技术检测图像或者视频中是否存在人脸，如果存在人脸则收集人脸大小和各个面部器官位置信息，这部分信息可以提供代表身份的特征；第2阶段将收集到的特征与现存的人脸数据库进行对比识别出人脸身份。人脸识别技术根据人脸数据的获取方式分为在线人脸识别和离线人脸识别。

人脸识别技术研究最早开始于1960年，当时的系统是以半自动方式进行人脸识别。该系统只是检查人脸不同位置特征的连贯性，如眼睛之间的距离和前额发际线等，但是对不同方向的人脸该系统无法正确识别。70年代全自动人脸识别系统面世，该系统提取了16个人脸参数进行人脸识别。80年代早期，Nixon在以往研究基础上提出了将眼部间距（eye-spacing）作为主要特征的人脸识别方法。后来人们利用人工神经网络提出诸多方法。1986年，Sirovich等人提出了基于本征脸的识别技术，这种识别技术采用PCA在低维空间上重新组织并表征人脸数据。该技术对各种新的人脸识别方法打下了基础，该方法至今对人脸识别技术有显著影响。

人脸识别技术方法主要有主成分分析（PCA）、线性判别分析（LDA）、神经网络（neural networks，NN）、自适应增强算法（ada—boost）、支持向量机（support vector machine，SVM）、本征脸（Eigen face）方法、Fisher Face方法和LBP（local binary pattern）方法等。本征脸方法的主要思想是寻找主成分或者本征向量，数据库中的每一张图片对本征向量都有贡献，这些本征向量用于表示本征脸，每一张人脸能够通过本征脸的线性组合表示，一张人脸可用最大特征值的本征脸辨认。相对于本征脸方法，FisherFace方法的优点是使用类相关映射矩阵来克服光照现象导致的问题，它使用区分性分析寻找区分性特征来区分人脸。Ahonen等人提出基于LBP的人脸识别方法，该方法区分性能力高、简单性、高效，并且对光照效果具有鲁棒性。

人脸识别系统技术原理

1、人脸定位

人脸检测定位是将待检测图像分为非人脸区域和人脸区域，以从中分割出人脸区域。常用人脸检测定位可分为启发式方法和统计方法：

（1）启发式方法：基于先验知识或经验，利用待检测人脸中的灰度、纹理、器官的形状或脸部轮廓、肤色等特征信息，实现人脸检测。常用方法院基于模板匹配、基于器官或轮廓分布特征、基于肤色模型等。

（2）统计方法：将人脸区域看作一类样本，通过对大量人脸图像进行学习训练，根据人脸的灰度特征构造人脸模式与非人脸模式分类器，使用分类器判别图像中所有可能区域属于人脸还是非人脸区域，从而实现人脸检测。常用方法基于人工神经网络尧基于概率模型、基于支持向量机、基于特征空间等

2、活体检测

生物特征活体检测技术通过活体特性对生物特征数据进行判判，以确保采集到的生物特征数据（如人脸图像）来源于生物活体，而非依照活体生物特征所制作的不具备生物活性的虚假样本（如人脸照片、面部视频、三维模型），常用方法：三维深度信息分析、眨眼生理行为检测、面部表情交互、傅立叶频谱分析、热红外线等。

3、特征提取

面部特征提取是检测人脸上的某些或所有特征的位置、大小、轮廓线等信息的过程。面部特征提取和量化是人脸识别的重要依据。面部特征提取的实现过程最常见的是先求出双眼的中心位置，然后进行人脸的归一化，进而提取其他一些特征的信息。常用方法：灰度积分投影曲线分析、Hough变换方法、可变形模板等。

4、人脸识别

人脸识别将待检测人脸特征与人脸特征库中人脸特征进行比较和相似性度量。以确认和识别待检测人脸的身份，常用方法：基于几何特征的方法、基于代数特征的方法、基于模板的方法和基于神经网络的方法等。

（1）以几何特征为基础的识别技术：该方法比较简单，只需用到人脸器官的形状特征和几何特征，即借助特征矢量表现整个面部。计算原理也易于理解，主要是利用人脸结构的先验知识提取某些特征，并归结为矢量之间的匹配，分量则指的是固定两点之间形成的角度、距离等。然而此方法特征提取的标准未统一，而且受环境因素影响较大，人脸图像信息保留不足，实际效果并不是很理想。

（2）以模块为基础的识别技术：与上述方法一样，此技术也是以先验知识为基础的，但其效果更好。特征脸方法，以统计特征为基础的识别技术，即借助某种映射方法将原图像空间中的像素点映射到另一个投影空间；弹性图匹配方法。以动态链接结构为基础，将人脸比作属性拓扑图，用特征向量表示节点，主要用于记录脸部的局部特点；节点间的拓扑关系则由拓扑图的边来表示。该方法有利于识别，受表情、视角和光照变化影响较小。不足之处在于需计算并存储大量信息，识别过程较长。

近些年，关于神经网络的研究越来越多，人脸识别也引入了该技术，它具有良好的学习和分析能力，可隐性表达出许多脸部特征。其原理为，用灰度值表示人脸，将收集到的数据输入相关训练模型以提高识别效果。其方便之处在于可利用一些硬件模型完成脸部信息的处理，且速度快，包括BP神经网络等多种识别形式。

（3）以局部模式为基础的识别技术：受表情和光照等因素影响，整体人脸的识别准确率得不到良好的保证，所以，可从局部细节入手，如轮廓、灰度、纹等在表情和光照的影响下能保证较好的鲁棒性。

人脸识别技术难点

人脸识别技术在实际应用中有一定的难度，人脸具有相似性，即多数人的面部结构都没有太大的差异，甚至器官外形都有很高的相似度，在定位时是极其有利的条件，但在区分个体方面会因相似度太高而加大识别难度。人脸虽具有唯一性，但细节比较复杂，变化较大，如不同的表情会引起脸部外形不同程度的变化。此外，年龄、光照、观察角度等因素都会对人脸的外形造成一定的影响。人脸富有弹性，属于非刚性目标，三维建模难度较大。胡须、眼镜等会破坏人脸的共同模式，不利于特征的提取。

人脸识别关键算法

人脸检测算法

卷积神经网络应用于人脸识别领域是基于人脸特征的方法，而人脸检测是人脸识别的基础，检测算法能否提取较完整的人脸会直接影响人脸识别的准确率，所以在介绍人脸识别算法之前，需要介绍人脸检测算法。

传统人脸检测方法使用人脸简单特征（如HOG特征、LBP特征、HAAR特征），并用SVM或者adaboost方法训练。由于传统方法采用低级特征，无法找到不同角度人脸的共性，因此在检测多角度人脸时，传统方法的人脸检测率极低。为了提高人脸检测算法的准确性，采用了基于全卷积神经网络，全卷积神经网络是由包含全连接层的传统卷积网络改造而来，将传统的全连阶层直接转化为卷基层，包含全连阶层网络的分类问题转化为只有卷积层网络的定位问题。在设计网络时，将网络输入层大小设置为32*32，所以需要将所有的正负样本归一化成该大小，而输出层是2个向量，分别代表非人脸和人脸概率序列。

人脸识别算法

采用的6层卷积神经网络模型由2个卷积层、2个池化层、1个全连接层以及1个回归层组成。卷积层和池化层由多个特征图谱组成，每个特征图谱表示卷积运算所提取的不同特征，每一层的特征图作为下一层的输入。卷积层的特征图谱可能与前一层的若干特征图建立关系。从图1和图2的对比可知，人脸检测卷积网络的最后一层卷积层改成全连接层。

采用了webFace数据库和FLW数据库，人脸图片大小为48*48，列出了本文卷积神经网络、传统的多层感知器和径向基神经网络在WebFace和FLW人脸库中的识别效果，经对比可知，本文设计的基于深度卷积神经网络人脸识别的准确率有较大提升。

入侵检测算法

对于视频图像序列，入侵检测算法包括实时的目标跟踪检测和移动物体检测两个功能。目标跟踪对象为上文登录系统的用户，除用户外，其他可疑移动物体为人侵对象。入侵算法检测流程如下图所示，具体实现步骤流程图（见图9-2）。

图9-2 入侵检测流程图

（1）初始化：检测视频前5帧图片均值像素点为背景，结合相邻像素点拥有相近像素值的空间分别特性，随机地选择它的领域点的像素值作为它的模型样本值，进行运动检测。

（2）前背景检测：新图像和原背景模型像素比较，计算样本像素值和背景模型样本集的每个样本值的距离，连续3次距离小于10，此像素点为前景。对前景为像素1、背景像素为0的图片进行开运算。集合所有前景连通区域，利用上文的人脸检测方法检测到的人脸区域，判断人脸所在区域的连通区域，也即以电脑前用户本人为跟踪目标作为正样本，去除跟踪目标外的图片为负样本，提取LBP（局部二值模式）边缘特征，进行级联训练，从而生成xml文件。

（3）目标检测跟踪：以检测到的用户所在连通区域外接矩形中心为初始中心，进行窗口扫描，窗口的尺度缩放系数为1.2，最小扫描窗口大小为30像素，水平和垂直步长为窗口对应方向尺寸的10%。如果扫描窗口的区域，基本分类器的后验概率大于50％，且最近邻分类器检测阈值大于0.5，则认定当前区域含有跟踪目标。

（4）模型更新：由于视频监控区域背景环境会出现一些变化，跟踪的用户目标也会进行动态改变，因此模型更新包括背景模型更新和跟踪物体更新两部分。背景模型根据时间取样更新策略，由于本文系统使用环境变化相对不大，因此使用1/16的更新率更新背景模型。当一个像素点连续被判定为背景时，它有1/16的概率随机地选择该像素点邻域的背景模型，以新的像素点更新被选中的背景模型。对于实时检测到的目标，压缩到15*15后减去均值的列向量与原来跟踪训练模型的正样本比较相似性，如果相似阈值小于0.9，则把当前样本添加到模型，负样本阈值选择为0.95，重新更新跟踪模型。

（5）跟踪移动目标：发现跟踪目标离开指定视频区域后，自动退出远程终端系统；发现多个移动物体，则进行预警，向服务器发送当前可疑图片，并退出远程登录系统。用户排除预警后，方可重新登录远程系统。

人脸识别技术应用领域

人脸识别技术还可应用于很多场景中，在金融、安防、社保、教育、公安、商业等行业中都已经有了人脸识别技术的身影。

在金融、电信等领域：人脸验证通常被用作业务办理的前置身份验证，以确保业务办理者是身份证持有者本人，在此基础上可有效实现柜面辅助认证、远程身份核实、远程业务办理、机具业务办理等相关应用场景。尤其在解决电信实名制认证问题上，远程身份认证既能有效覆盖到远端发卡渠道，满足政策驱动要求，又不会产生过多的冗余流程及实施成本。

在安防领域：人脸识别技术可用于边检及通关口岸的人、证身份核实，公安刑侦领域的大库搜索比对，以及动态人脸识别等。简而言之，就是基于相关数据库，帮助有关部门在毫秒之间，动态、精准地识别出可疑人员，提升安防能力。为户籍管理、治安管理、刑侦破案、维护稳定等提供高科技手段，使不法分子无处藏身。

在商业领域：除了应用于智能门禁、VIP识别外，人脸验证还可以应用在智能商业分析中，帮助商家分析消费者偏好，实现精准化和个性化的推送，以提升用户体验，辅助用户决策。

在社保行业：人脸识别技术可有效防止跑冒滴漏现象发生，对于内部工作人员，日常工作通过人脸识别进行身份验证，加强了内部管控，做到事后可追溯;对于参保人员，通过人脸识别杜绝冒领、骗保现象发生，针对远距离、年龄大等人群，足不出户，他们就可以通过人脸识别及检活技术远程完成身份验证。

在教育行业：人脸识别技术在考生身份确认、校园安保方面大放异彩，在中小学、幼儿园，偏重于校园安全，通过人脸识别，杜绝小孩被冒领现象发生;在高考、大学，偏重于考生身份确认，杜绝中途替考现象发生，既保证了考试的公平公正性，又大大降低了学校的人工成本。

在物业方面：人脸识别常常用于智能门禁和监控，刷脸代替刷卡，使住户出入更加轻松、便捷，也杜绝了陌生人复制门禁卡进出小区，极大的增强了小区安保力度;在小区重要角落安装摄像头，可实时排查可疑人物，对于惯偷等黑名单人员有很好的预警功能。

结束：诚然，人脸识别技术在实际使用中仍存在着“矫枉过正”等问题，但随着应用越来越广泛人脸识别技术将会备受瞩目。相信未来，将会有越来越多先进的应用人脸识别技术的设备应用到生活当中，为我们的生活带来便利与安全。

生物特征是指唯一的可以测量或可自动识别和验证的生理特征或行为方式。人体的生物特征除了以上介绍的指纹识别和人脸识别等特征外，还有一种行为特征，行为特征包括：签名、语音、行走步态等。在接下来的章节中，将带大家了解声纹识别有哪些特点及应用，敬请期待！