過去的2017年，手機的安全功能進入了人臉識別技術時代，其實在我們生活中涉及安全范疇的領域，人臉識別技術已經被廣泛使用了。

人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡以及認知科學等領域研究的熱點課題之一，被廣泛應用于公共安全（罪犯識別等）、安全驗證系統、信用卡驗證、醫學、檔案管理、視頻會議、人機交互系統等各個方面。

人臉識別技術

計算機人臉識別技術也就是利用計算機分析人臉圖象,進而從中提取出有效的識別信息,用來“辨認”身份的一門技術.雖然人類的人臉識別能力很強,能夠記住并辨別上千個不同人臉,可是計算機則困難多了.其表現在:人臉表情豐富;人臉隨年齡增長而變化;人臉所成圖象受光照、成象角度及成象距離等影響;人臉識別還涉及到圖象處理、計算機視覺、模式識別以及神經網絡等學科,也和人腦的認識程度緊密相關。

所謂“人臉識別 (Face Recognition)”的研究范圍十分寬泛，大致可以被分為以下幾個方面的內容：

1、人臉檢測(Face Detection)：

即從各種不同的場景中檢測出人臉的存在并確定其位置。在大多數的場合中由于場景較復雜，人臉的位置是預先不知道的，因而首先必須確定場景中是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。臉部毛發、化妝品、光照、噪聲、面部傾斜和人臉大小變化以及各種各樣遮擋等因素都會使人臉檢測問題變得更為復雜。人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區域，把圖像分割成兩個部分-人臉區域和非人臉區域，從而為后續的應用作準備。

2、人臉表征(Face Representation)：

即采取某種表示方式表示檢測出的人臉和數據庫中的已知人臉。通常的表示法包括幾何特征(如歐氏距離、曲率、角度)、代數特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。

3、人臉識別(Face Identification)：

即將已檢測到的待識別的人臉與數據庫中的已知人臉進行比較匹配，得出相關信息，這一過程的核心是選擇適當的人臉的表征方式與匹配策略，系統的構造與人臉的表征方式密切相關。通常或是選擇全局的方法或是選擇基于特征的方法進行匹配。顯然，基于側面像所選擇的特征和基于正面像的特征是有很大的區別的。

4、表情分析(Expression Analysis)：

即對待識別人臉的表情信息(快樂、悲傷、恐懼、驚奇等)進行分析，并對其加以歸類。

5、生理分類(Physical Classification)：

即對待識別人臉的生理特征進行分析，得出其種族、年齡、性別、職業等相關信息。顯然，完成這一操作需要大量的知識并且通常是非常困難和復雜的。

人臉識別技術的發展歷程

人臉識別的工程應用始于20世紀60年代，經過50多年的研究，大致可以分為以下三個階段：

第一階段是主要解決了人臉識別所需要的面部特征。

這一階段的研究以Bertillon、Allen和Parke為代表。在 Bertillon的系統中，用一個簡單的語句與數據庫中某一張臉相聯系，同時與指紋分析相結合，提供了一個較強的識別系統。而Allen則設計了一種有效的摹寫手段，并在其后由Parke用計算機實現。然而無論是哪種方式，該階段的識別過程仍然全部依賴于操作人員，需要許多人為干預，無法實現自動人臉識別。

第二階段是人機交互式識別階段。

研究人員用數學模型描述人臉圖像中的五官長度等主要幾何特征，并通過歐氏距離進行相似性度量。Harmon和Lesk利用多維特征矢量表示人臉面部特征，并設計了基于這一特征表示法的識別系統。其后，Kaya、Kobayashi和T. Kanad也分別采用了各種不同的方式，對幾何特征計算進行了研究[5][6]。但是，該方法依賴于操作員的知識，仍無法擺脫人的干預。

第三階段是真正的機器自動識別階段。

該階段人臉識別技術有了重大突破，很多經典算法相繼出現，如特征臉、子空間方法、彈性圖匹配法、基于統計外觀模型和神經網絡的人臉識別等。同時，也出現很多用于算法性能測試的公開人臉庫，如ORL人臉庫、YaleB人臉庫、FERET人臉庫等。

常用的人臉識別方法

一個全自動人臉識別系統一般包括三個關鍵技術：人臉檢測、特征提取和人臉識別。

根據方式的不同，人臉識別方法分為基于幾何特征的方法、基于模型的方法、基于統計的方法、基于神經網絡的方法和多分類器集成方法。其中，基于幾何特征、模型和統計的方法最為常見。

(1) 基于幾何特征的方法

記載最早的人臉識別方法就是Bledsoe提出的基于幾何特征的方法，該方法以面部特征點之間的距離和比率作為特征，通過最近鄰方法來識別人臉。基于幾何特征的方法非常直觀，識別速度快，內存要求較少，提取的特征在一定程度上對光照變化不太敏感。但是，當人臉具有一定的表情或者姿態變化時，特征提取不精確，而且由于忽略了整個圖像的很多細節信息，識別率較低，所以近年來已經很少有新的發展。

(2) 基于模型的方法

基于模型的方法也是人臉識別的重要形式，其中最廣為使用的是隱馬爾可夫模型。它是一種基于整體的或然率統計方法。對于一幅正面的人臉來說，馬爾可夫的“狀態”包括前額、眼睛、鼻子、嘴巴和下巴，這些狀態以相同的順序從上到下出現。這樣，可以把人臉圖像和隱馬爾可夫模型結合起來，這些臉上的特征區域被指定為狀態。其他模型還包括主動形狀模型和主動表象模型等。

(3) 基于統計的方法

基于統計的三種人臉識別方法包括特征臉、Fisher臉和奇異值分解。使用特征臉進行人臉識別的方法首先由Sirovichand Kirby提出，并由Matthew Turk和Alex Pentland用于人臉分類。這些特征向量是從高維矢量空間的人臉圖像的協方差矩陣計算而來，而該方法被認為是第一種有效的人臉識別方法。Fisher臉法由Ronald Fisher發明，其所基于的LDA理論和特征臉里用到的PCA有相似之處，都是對原有數據進行整體降維映射到低維空間的方法。而奇異值分解法，就是通過取奇異值分解中前面較大的奇異值對應的特征向量，提取出圖像中由光照、表情、姿勢等噪聲對應的高頻信息，來重構圖像。

人臉識別技術優勢

人臉識別作為一種新興的生物特征識別技術(Biometrics)，與虹膜識別、指紋掃描、掌形掃描等技術相比，人臉識別技術在應用方面具有獨到的優勢：

1、使用方便，用戶接受度高。

人臉識別技術使用通用的攝像機作為識別信息獲取裝置，以非接觸的方式在識別對象未察覺的情況下完成識別過程。

2、直觀性突出。

人臉識別技術所使用的依據是人的面部圖像，而人臉無疑是肉眼能夠判別的最直觀的信息源，方便人工確認、審計，“以貌取人”符合人的認知規律。

3、識別精確度高，速度快。

與其它生物識別技術相比，人臉識別技術的識別精度處于較高的水平，誤識率、拒認率較低。

4、不易仿冒。

在安全性要求高的應用場合，人臉識別技術要求識別對象必須親臨識別現場，他人難以仿冒。人臉識別技術所獨具的活性判別能力保證了他人無法以非活性的照片、木偶、蠟像來欺騙識別系統。這是指紋等生物特征識別技術所很難做到的。舉例來說，用合法用戶的斷指即可仿冒合法用戶的身份而使識別系統無從覺察。

5、使用通用性設備。

人臉識別技術所使用的設備為一般的PC、攝像機等常規設備，由于目前計算機、閉路電視監控系統等已經得到了廣泛的應用，因此對于多數用戶而言使用人臉識別技術無需添置大量專用設備，從而既保護了用戶的原有投資又擴展了用戶已有設備的功能，滿足了用戶安全防范的需求。

6、基礎資料易于獲得。

人臉識別技術所采用的依據是人臉照片或實時攝取的人臉圖像，因而無疑是最容易獲得的。

7、成本較低，易于推廣使用。

由于人臉識別技術所使用的是常規通用設備，價格均在一般用戶可接受的范圍之內，與其它生物識別技術相比，人臉識別產品具有很高的性能價格比。

概括地說，人臉識別技術是一種高精度、易于使用、穩定性高、難仿冒、性價比高的生物特征識別技術，具有極其廣闊的市場應用前景。

人臉識別技術的應用

隨著社會的不斷進步以及各方面對于快速有效的自動身份驗證的迫切要求，生物特征識別技術在近幾十年中得到了飛速的發展。當前的生物特征識別技術主要包括有：指紋識別，視網膜識別，虹膜識別，步態識別，靜脈識別，人臉識別等。

與其他識別方法相比，人臉識別由于具有直接，友好，方便的特點，使用者無任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應用。當前的人臉識別技術主要被應用到了以下幾個方面：

（1）刑偵破案公安部門在檔案系統里存儲有嫌疑犯的照片，當作案現場或通過其他途徑獲得某一嫌疑犯的照片或其面部特征的描述之后，可以從數據庫中迅速查找確認，大大提高了刑偵破案的準確性和效率。

（2）證件驗證在許多場合（如海關，機場，機密部門等）證件驗證是檢驗某人身份的一種常用手段，而身份證，駕駛證等很多其他證件上都有照片，使用人臉識別技術，就可以由機器完成驗證識別工作，從而實現自動化智能管理。

（3）視頻監控在許多銀行，公司，公共場所等處都設有24小時的視頻監控。當有異常情況或有陌生人闖入時，需要實時跟蹤，監控，識別和報警等。這需要對采集到的圖像進行具體分析，且要用到人臉的檢測，跟蹤和識別技術。

（4）入口控制入口控制的范圍很廣，既包括了在樓宇，住宅等入口處的安全檢查，也包括了在進入計算機系統或情報系統前的身份驗證。

（5）表情分析根據人臉圖像中的面部變化特征，識別和分析人的情感狀態，如高興，生氣等。此外，人臉識別技術還在醫學，檔案管理，人臉動畫，人臉建模，視頻會議等方面也有著巨大的應用前景。

雖然人臉識別技術已經取得了長足的進步，但不容否認的是，現在的人臉識別技術還有著巨大的發展空間。探索如何解決在不同光線、不同角度條件下的人臉識別，如何提高識別的速度和準確率，將成為未來人臉識別技術的發展方向。