人臉識別發展的歷史

1. 人臉識別的發展歷史

人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發版展得到提高，權而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。

2. 人臉識別的發展歷史是怎樣的

人臉識別是一個被廣泛研究著的熱門問題，大量的研究論文層出不窮，在一定程度上有泛濫成「災」之嫌。為了更好地對人臉識別研究的歷史和現狀進行介紹，本文將AFR的研究歷史按照研究內容、技術方法等方面的特點大體劃分為三個時間階段，如表1所示。該表格概括了人臉識別研究的發展簡史及其每個歷史階段代表性的研究工作及其技術特點。下面對三個階段的研究進展情況作簡單介紹：

第一階段(1964年~1990年)

這一階段人臉識別通常只是作為一個一般性的模式識別問題來研究，所採用的主要技術方案是基於人臉幾何結構特徵(Geometricfeature based)的方法。這集中體現在人們對於剪影(Profile)的研究上，人們對面部剪影曲線的結構特徵提取與分析方面進行了大量研究。人工神經網路也一度曾經被研究人員用於人臉識別問題中。較早從事AFR研究的研究人員除了布萊索(Bledsoe)外還有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄於1973年在京都大學完成了第一篇AFR方面的博士論文，直到現在，作為卡內基-梅隆大學(CMU)機器人研究院的一名教授，仍然是人臉識別領域的活躍人物之一。他所在的研究組也是人臉識別領域的一支重要力量。總體而言，這一階段是人臉識別研究的初級階段，非常重要的成果不是很多，也基本沒有獲得實際應用。

第二階段(1991年~1997年)

這一階段盡管時間相對短暫，但卻是人臉識別研究的高潮期，可謂碩果累累：不但誕生了若干代表性的人臉識別演算法，美國軍方還組織了著名的FERET人臉識別演算法測試，並出現了若干商業化運作的人臉識別系統，比如最為著名的Visionics(現為Identix)的FaceIt系統。

美國麻省理工學院(MIT)媒體實驗室的特克(Turk)和潘特蘭德(Pentland)提出的「特徵臉」方法無疑是這一時期內最負盛名的人臉識別方法。其後的很多人臉識別技術都或多或少與特徵臉有關系，現在特徵臉已經與歸一化的協相關量(NormalizedCorrelation)方法一道成為人臉識別的性能測試基準演算法。

這一時期的另一個重要工作是麻省理工學院人工智慧實驗室的布魯內里(Brunelli)和波基奧(Poggio)於1992年左右做的一個對比實驗，他們對比了基於結構特徵的方法與基於模板匹配的方法的識別性能，並給出了一個比較確定的結論：模板匹配的方法優於基於特徵的方法。這一導向性的結論與特徵臉共同作用，基本中止了純粹的基於結構特徵的人臉識別方法研究，並在很大程度上促進了基於表觀(Appearance-based)的線性子空間建模和基於統計模式識別技術的人臉識別方法的發展，使其逐漸成為主流的人臉識別技術。

貝爾胡米爾(Belhumeur)等提出的Fisherface人臉識別方法是這一時期的另一重要成果。該方法首先採用主成分分析(PrincipalComponent Analysis，PCA，亦即特徵臉)對圖像表觀特徵進行降維。在此基礎上，採用線性判別分析(LinearDiscriminant Analysis, LDA)的方法變換降維後的主成分以期獲得「盡量大的類間散度和盡量小的類內散度」。該方法目前仍然是主流的人臉識別方法之一，產生了很多不同的變種，比如零空間法、子空間判別模型、增強判別模型、直接的LDA判別方法以及近期的一些基於核學習的改進策略。

麻省理工學院的馬哈丹(Moghaddam)則在特徵臉的基礎上，提出了基於雙子空間進行貝葉斯概率估計的人臉識別方法。該方法通過「作差法」，將兩幅人臉圖像對的相似度計算問題轉換為一個兩類(類內差和類間差)分類問題，類內差和類間差數據都要首先通過主成分分析(PCA)技術進行降維，計算兩個類別的類條件概率密度，最後通過貝葉斯決策(最大似然或者最大後驗概率)的方法來進行人臉識別。

人臉識別中的另一種重要方法——彈性圖匹配技術(Elastic GraphMatching，EGM) 也是在這一階段提出的。其基本思想是用一個屬性圖來描述人臉：屬性圖的頂點代表面部關鍵特徵點，其屬性為相應特徵點處的多解析度、多方向局部特徵——Gabor變換[12]特徵，稱為Jet;邊的屬性則為不同特徵點之間的幾何關系。對任意輸入人臉圖像，彈性圖匹配通過一種優化搜索策略來定位預先定義的若乾麵部關鍵特徵點，同時提取它們的Jet特徵，得到輸入圖像的屬性圖。最後通過計算其與已知人臉屬性圖的相似度來完成識別過程。該方法的優點是既保留了面部的全局結構特徵，也對人臉的關鍵局部特徵進行了建模。近來還出現了一些對該方法的擴展。

局部特徵分析技術是由洛克菲勒大學(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本質上是一種基於統計的低維對象描述方法，與只能提取全局特徵而且不能保留局部拓撲結構的PCA相比，LFA在全局PCA描述的基礎上提取的特徵是局部的，並能夠同時保留全局拓撲信息，從而具有更佳的描述和判別能力。LFA技術已商業化為著名的FaceIt系統，因此後期沒有發表新的學術進展。

由美國國防部反毒品技術發展計劃辦公室資助的FERET項目無疑是該階段內的一個至關重要的事件。FERET項目的目標是要開發能夠為安全、情報和執法部門使用的AFR技術。該項目包括三部分內容：資助若干項人臉識別研究、創建FERET人臉圖像資料庫、組織FERET人臉識別性能評測。該項目分別於1994年，1995年和1996年組織了3次人臉識別評測，幾種最知名的人臉識別演算法都參加了測試，極大地促進了這些演算法的改進和實用化。該測試的另一個重要貢獻是給出了人臉識別的進一步發展方向：光照、姿態等非理想採集條件下的人臉識別問題逐漸成為熱點的研究方向。

柔性模型(Flexible Models)——包括主動形狀模型(ASM)和主動表觀模型(AAM)是這一時期內在人臉建模方面的一個重要貢獻。ASM/AAM將人臉描述為2D形狀和紋理兩個分離的部分，分別用統計的方法進行建模(PCA)，然後再進一步通過PCA將二者融合起來對人臉進行統計建模。柔性模型具有良好的人臉合成能力，可以採用基於合成的圖像分析技術來對人臉圖像進行特徵提取與建模。柔性模型目前已被廣泛用於人臉特徵對准(FaceAlignment)和識別中，並出現了很多的改進模型。

總體而言，這一階段的人臉識別技術發展非常迅速，所提出的演算法在較理想圖像採集條件、對象配合、中小規模正面人臉資料庫上達到了非常好的性能，也因此出現了若干知名的人臉識別商業公司。從技術方案上看， 2D人臉圖像線性子空間判別分析、統計表觀模型、統計模式識別方法是這一階段內的主流技術。

第三階段(1998年~現在)

FERET』96人臉識別演算法評估表明：主流的人臉識別技術對光照、姿態等由於非理想採集條件或者對象不配合造成的變化魯棒性比較差。因此，光照、姿態問題逐漸成為研究熱點。與此同時，人臉識別的商業系統進一步發展。為此，美國軍方在FERET測試的基礎上分別於2000年和2002年組織了兩次商業系統評測。

基奧蓋蒂斯(Georghiades)等人提出的基於光照錐 (Illumination Cones) 模型的多姿態、多光照條件人臉識別方法是這一時期的重要成果之一，他們證明了一個重要結論：同一人臉在同一視角、不同光照條件下的所有圖像在圖像空間中形成一個凸錐——即光照錐。為了能夠從少量未知光照條件的人臉圖像中計算光照錐，他們還對傳統的光度立體視覺方法進行了擴展，能夠在朗博模型、凸表面和遠點光源假設條件下，根據未知光照條件的7幅同一視點圖像恢復物體的3D形狀和表面點的表面反射系數(傳統光度立體視覺能夠根據給定的3幅已知光照條件的圖像恢復物體表面的法向量方向)，從而可以容易地合成該視角下任意光照條件的圖像，完成光照錐的計算。識別則通過計算輸入圖像到每個光照錐的距離來完成。

以支持向量機為代表的統計學習理論也在這一時期內被應用到了人臉識別與確認中來。支持向量機是一個兩類分類器，而人臉識別則是一個多類問題。通常有三種策略解決這個問題，即：類內差/類間差法、一對多法(one-to-rest)和一對一法(one-to-one)。

布蘭茲(Blanz)和維特(Vetter)等提出的基於3D變形(3D Morphable Model)模型的多姿態、多光照條件人臉圖像分析與識別方法是這一階段內一項開創性的工作。該方法在本質上屬於基於合成的分析技術，其主要貢獻在於它在3D形狀和紋理統計變形模型(類似於2D時候的AAM)的基礎上，同時還採用圖形學模擬的方法對圖像採集過程的透視投影和光照模型參數進行建模，從而可以使得人臉形狀和紋理等人臉內部屬性與攝像機配置、光照情況等外部參數完全分開，更加有利於人臉圖像的分析與識別。Blanz的實驗表明，該方法在CMU-PIE(多姿態、光照和表情)人臉庫和FERET多姿態人臉庫上都達到了相當高的識別率，證明了該方法的有效性。

2001年的國際計算機視覺大會(ICCV)上，康柏研究院的研究員維奧拉(Viola)和瓊斯(Jones)展示了他們的一個基於簡單矩形特徵和AdaBoost的實時人臉檢測系統，在CIF格式上檢測准正面人臉的速度達到了每秒15幀以上。該方法的主要貢獻包括：1)用可以快速計算的簡單矩形特徵作為人臉圖像特徵;2)基於AdaBoost將大量弱分類器進行組合形成強分類器的學習方法;3)採用了級聯(Cascade)技術提高檢測速度。目前，基於這種人臉/非人臉學習的策略已經能夠實現准實時的多姿態人臉檢測與跟蹤。這為後端的人臉識別提供了良好的基礎。

沙蘇哈(Shashua)等於2001年提出了一種基於商圖像[13]的人臉圖像識別與繪制技術。該技術是一種基於特定對象類圖像集合學習的繪制技術，能夠根據訓練集合中的少量不同光照的圖像，合成任意輸入人臉圖像在各種光照條件下的合成圖像。基於此，沙蘇哈等還給出了對各種光照條件不變的人臉簽名(Signature)圖像的定義，可以用於光照不變的人臉識別，實驗表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)則利用球面諧波(Spherical Harmonics)表示光照、用卷積過程描述朗博反射的方法解析地證明了一個重要的結論：由任意遠點光源獲得的所有朗博反射函數的集合形成一個線性子空間。這意味著一個凸的朗博表面物體在各種光照條件下的圖像集合可以用一個低維的線性子空間來近似。這不僅與先前的光照統計建模方法的經驗實驗結果相吻合，更進一步從理論上促進了線性子空間對象識別方法的發展。而且，這使得用凸優化方法來強制光照函數非負成為可能，為光照問題的解決提供了重要思路。

FERET項目之後，涌現了若幹人臉識別商業系統。美國國防部有關部門進一步組織了針對人臉識別商業系統的評測FRVT，至今已經舉辦了兩次：FRVT2000和FRVT2002。這兩次測試一方面對知名的人臉識別系統進行了性能比較，例如FRVT2002測試就表明Cognitec, Identix和Eyematic三個商業產品遙遙領先於其他系統，而它們之間的差別不大。另一方面則全面總結了人臉識別技術發展的現狀：較理想條件下(正面簽證照)，針對37437人121,589 幅圖像的人臉識別(Identification)最高首選識別率為73%，人臉驗證(Verification)的等錯誤率(EER[14])大約為6%。FRVT測試的另一個重要貢獻是還進一步指出了目前的人臉識別演算法亟待解決的若干問題。例如，FRVT2002測試就表明：目前的人臉識別商業系統的性能仍然對於室內外光照變化、姿態、時間跨度等變化條件非常敏感，大規模人臉庫上的有效識別問題也很嚴重，這些問題都仍然需要進一步的努力。

總體而言，目前非理想成像條件下(尤其是光照和姿態)、對象不配合、大規模人臉資料庫上的人臉識別問題逐漸成為研究的熱點問題。而非線性建模方法、統計學習理論、基於Boosting[15]的學習技術、基於3D模型的人臉建模與識別方法等逐漸成為備受重視的技術發展趨勢。

總而言之， 人臉識別是一項既有科學研究價值，又有廣泛應用前景的研究課題。國際上大量研究人員幾十年的研究取得了豐碩的研究成果，自動人臉識別技術已經在某些限定條件下得到了成功應用。這些成果更加深了我們對於自動人臉識別這個問題的理解，尤其是對其挑戰性的認識。盡管在海量人臉數據比對速度甚至精度方面，現有的自動人臉識別系統可能已經超過了人類，但對於復雜變化條件下的一般人臉識別問題，自動人臉識別系統的魯棒性和准確度還遠不及人類。這種差距產生的本質原因現在還不得而知，畢竟我們對於人類自身的視覺系統的認識還十分膚淺。但從模式識別和計算機視覺等學科的角度判斷，這既可能意味著我們尚未找到對面部信息進行合理采樣的有效感測器(考慮單目攝像機與人類雙眼系統的差別)，更可能意味著我們採用了不合適的人臉建模方法(人臉的內部表示問題)，還有可能意味著我們並沒有認識到自動人臉識別技術所能夠達到的極限精度。但無論如何，賦予計算設備與人類似的人臉識別能力是眾多該領域研究人員的夢想。相信隨著研究的繼續深入，我們的認識應該能夠更加准確地逼近這些問題的正確答案。

3. 人臉識別的前景

人臉識別特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。
簡介
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，包括人臉圖像採集、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。 生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形 人臉識別
、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，只有前者屬於生物特徵識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。
編輯本段人臉識別的基本方法
幾何特徵的人臉識別方法
幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系（如相互之間的距離）。這些演算法識別速度 幾何特徵的人臉識別
快，需要的內存小，但識別率較低。
基於特徵臉（PCA）的人臉識別方法
特徵臉方法是基於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變換後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徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。
神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉圖像、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。
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於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，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，同時對於單個人也不再需要多個樣本進行訓練。
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）的速度和准確度上絲毫不比識別灰度圖差。LHD是基於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並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。
支持向量機(SVM) 的人臉識別方法
近年來，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。
編輯本段人臉識別演算法
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，以及人臉資料庫中的若干已知身份的 人臉識別
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。 人臉識別演算法分類 基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。 基於整幅人臉圖像的識別演算法（Appearance-based recognition algorithms）。 基於模板的識別演算法（Template-based recognition algorithms）。 神經網路識別
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。 基於光照估計模型理論 提出了基於Gammar灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。 優化的形變統計校正理論 基於統計形變的校正理論，優化人臉姿態； 強化迭代理論 強化迭代理論是對DLFA人臉檢測演算法的有效擴展； 獨創的實時特徵識別理論 該理論側重於人臉實時數據的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果
編輯本段採用人臉識別的優勢
人臉識別的優勢在於其自然性和不被被測個體察覺的特點。 所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特徵相同。例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有 虹膜識別
語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不通過此類生物特徵區別個體。 不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同於指紋識別或者虹膜識別，需要利用電子壓力感測器採集指紋，或者利用紅外線採集虹膜圖像，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。
編輯本段人臉識別困難性
人臉識別被認為是生物特徵識別領域甚至人工智慧領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。
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 人臉類似性
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。
易變性
人臉的外形很不穩定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭發、胡須等）、年齡等多方面因素的影響。 在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-class difference），而稱第二類變化為類內變化（intra-class difference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。
編輯本段人臉識別主要用途
人臉識別主要用於身份識別。由於視頻監控正在快速普及，眾多的視頻監控應用迫切需要一種遠距離、用戶非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智能預警。人臉識別技術無疑 人臉識別主要用於身份識別
是最佳的選擇，採用快速人臉檢測技術可以從監控視頻圖象中實時查找人臉，並與人臉資料庫進行實時比對，從而實現快速身份識別。
編輯本段人臉識別新技術
傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但目前這兩種技術還遠不成熟，識別效果不盡人意。 最近迅速發展起來的一種解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。
編輯本段人臉識別的應用
人臉識別的應用主要有如下方面。
公安刑偵破案
通過查詢目標人像數據尋找資料庫中是否存在重點人口基本信息。例如在機場或車站安裝系統以抓捕在逃案犯。
門禁系統
受安全保護的地區可以通過人臉識別辨識試圖進入者的身份。人臉識別系統可用於企業、住宅安全和管 門禁人臉識別
理。如人臉識別門禁考勤系統，人臉識別防盜門等。
攝像監視系統
可在機場、體育場、超級市場等公共場所對人群進行監視，例如在機場安裝監視系統以防止恐怖分子登機。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。
網路應用
信用卡網路支付
利用人臉識別輔助信用卡網路支付，以防止非信用卡的擁有者使用信用卡等。
身份辨識
如電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織已確定，從 2010年 4月 1日起，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准。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徵的電子護照系統，到 2006年底已經有 50多個國家實現了這樣的系統。今年年初，美國運輸安全署（ Transportation Security Administration）計劃在全美推廣一項基於生物特徵的國內通用旅行證件。歐洲很多國家也在計劃或者正在實施類似的計劃，用包含生物特徵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。
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 人臉識別過程
果使用生物特徵，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。

4. 人臉識別，求解

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，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識別的一系列相關技術，通常也叫做人像識別、面部識別。

技術特點

傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。

迅速發展起來的一種解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。

人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：

非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」；

非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；
並發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；
除此之外，還符合視覺特性：「以貌識人」的特性，以及操作簡單、結果直觀、隱蔽性好等特點。

主要用途

人臉識別主要用於身份識別。由於視頻監控正在快速普及，眾多的視頻監控應用迫切需要一種遠距離、用戶非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智能預警。人臉識別技術無疑是最佳的選擇，採用快速人臉檢測技術可以從監控視頻圖象中實時查找人臉，並與人臉資料庫進行實時比對，從而實現快速身份識別。

5. 哪些因素促進我國人臉識別技術迅猛發展

人臉識別市場，特別是在中國的市場，正經歷著迅速的發展，而且發展的腳步也將越來越快。主要有三大原因：
1. 是科技界和社會各個方面都認識到人臉識別技術的重要性，國家政策對人臉識別技術研究給予了很大支持，使得我國人臉識別技術取得了很大進展。國際上，美國國家標准技術局（ NIST）舉辦的 Face Recognition Vendor Test 2006 （FRVT2006，）通過大規模的人臉數據測試表明，當今世界上人臉識別方法的識別精度比 2002年的 FRVT2002至少提高了一個數量級（ 10倍）。其中一些方法的識別精度已經超過人類的平均水平。而對於高清晰，高質量人臉圖像識別，機器的識別精度幾乎達到 100%。2. 各種應用需求不斷涌現。人臉識別市場的快速發展一方面歸功於生物識別需求的多元化，另一方面則是由於人臉識別技術的進步。從需求上來說，除了傳統的考勤、門禁等應用外，視頻監控環境下的身份識別正成為一種迫切的需求，即在一個較復雜的場景中，在較遠的距離上識別出特定人的身份，這顯然是指紋識別的方法所不能滿足的。而人臉識別卻是一個極佳的選擇。3. 第三個是人口基數因素。人臉識別系統的市場大小，很大程度上是和人口的數量大小相關的。而我國有 13億人口，這從本質上決定了我國是世界上規模最大的生物識別市場。 企業紛紛進入「人臉識別」市場人臉識別技術現已擁有千億級別市場。看投資人熱捧、大佬們追擊的程度，2016年，人臉識別將成為資本風口。2015年馬雲，在德國漢諾威電子展上，現場用支付寶「刷臉」支付，如今，支付寶已推出「刷臉」解鎖；騰訊的微信錢包中，推出了微證券產品，推薦用戶「刷臉」開戶；京東錢包也不甘示弱，也已實現「刷臉」解鎖。國內至少已有6家銀行開始試水「人臉識別」。招商銀行、上海銀行最早嘗試，如不用帶卡，就可以從ATM機上刷臉取款等。中國銀聯也聯手Linkface打造人臉識別互聯網 金融支付新產品，並試點於徽商銀行。互聯網金融領域開始大規模應用人臉識別，平安普惠去年7月推出刷臉貸款產品「平安i貸」；去年8月中旬，微眾銀行帶有「人臉識別」功能的APP上線；互聯網金融P2P平台，也開始大規模應用人臉識別，進行身份認證開戶。融360宣布和SenseTime（商湯科技）宣布合作，將人臉識別技術應用到線上貸款的認證流程中。人臉識別 對新零售行業影響過去一年，人機大戰不斷上演，柯潔大戰AlphaGo以落敗告終，令AI再度升溫。對於AI產業來說，2017年也是一個重要的歷史節點。在技術突破和資本催化下，這個信息時代的尖端技術正在逐步落地，助力各行各業升級。接下來的十年，在「90後」和「00後」並不缺乏物質的背景下，零售業可能會藉助科技之手經歷另一場變革——零售不再止於買和賣，也與購物體驗等情感相關。傳統線下零售店鋪也渴望著改變，希望能夠在這一次洗牌之中重新站穩腳跟。2016年，瑞為信息將成本削減了一半，這也是他們今年業務量疾速增長的原因之一。至目前，其產品已經覆蓋了1500家門店，涉及40多個品牌，包括服裝、珠寶、3C門店、汽車4S店、售樓處等。根據目前的發展勢頭，他們預計今年覆蓋的門店數量能增長近10倍，達到1萬家以上。AI為「新零售」的迅速盛行添磚加瓦。2017年是新零售時代元年，新零售全面爆發。目前，以沃爾瑪、永輝、百聯為代表的傳統線下零售商開始向線上布局互聯網+，以阿里巴巴、京東、亞馬遜為代表的電商巨頭則大力推動線下的業務發展。最新的舉動是阿里入股聯華。

6. 人臉識別

人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，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識別的一系列相關技術，通常也叫做人像識別、面部識別。人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。

迅速發展起來的一種解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。

人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：

非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」；

非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；
並發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；
除此之外，還符合視覺特性：「以貌識人」的特性，以及操作簡單、結果直觀、隱蔽性好等特點。

人臉識別系統主要包括四個組成部分，分別為：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。

7. 人臉識別是什麼

人臉識別特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體(一般特指人)本身的生物特徵來區分生物體個體。 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，包括人臉圖像採集、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。 生物特徵識別技術所研究的生物特徵包括人臉、指紋、手掌紋、掌型、虹膜、視網膜、靜脈、聲音(語音)、體形、紅外溫譜、耳型、氣味、個人習慣(例如敲擊鍵盤的力度和頻率、簽字、步態)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、靜脈識別、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，只有前者屬於生物特徵識別技術)、體形識別、鍵盤敲擊識別、簽字識別等。幾何特徵的人臉識別方法 幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些演算法識別速度快，需要的內存小，但識別率較低。基於特徵臉(PCA)的人臉識別方法 特徵臉方法是基於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變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以轉成低維線性空間。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徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。神經網路的人臉識別方法 神經網路的輸入可以是降低解析度的人臉圖像、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。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於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，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，同時對於單個人也不再需要多個樣本進行訓練。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)的速度和准確度上絲毫不比識別灰度圖差。LHD是基於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並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。支持向量機(SVM) 的人臉識別方法 近年來，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，核函數的取法沒有統一的理論。人臉識別新技術 傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但目前這兩種技術還遠不成熟，識別效果不盡人意。 最近迅速發展起來的一種解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。數碼相機人臉自動對焦和笑臉快門技術 首先是面部捕捉。它根據人的頭部的部位進行判定，首先確定頭部，然後判斷眼睛和嘴巴等頭部特徵，通過特徵庫的比對，確認是人面部，完成面部捕捉。然後以人臉為焦點進行自動對焦，可以大大的提升拍出照片的清晰度。 笑臉快門技術就是在人臉識別的基礎上，完成了面部捕捉，然後開始判斷嘴的上彎程度和眼的下彎程度，來判斷是不是笑了。以上所有的捕捉和比較都是在對比特徵庫的情況下完成的，所以特徵庫是基礎，裡面有各種典型的面部和笑臉特徵數據。

8. 人臉識別技術是什麼時候發明的、

人臉識別的研究歷史比較悠久。
高爾頓
(Galton)
早在
1888
年和
1910
年就分別
在
《
Nature
》
雜志發表了兩專篇關於利用屬人臉進行身份識別的文章，
對人類自身的
人臉識別能力進行了分析。但當時還不可能涉及到人臉的自動識別問

題。最早
的
AFR1
的研究論文見於
1965
年陳（
Chan
）和布萊索（
Bledsoe
）在
Panoramic
Research Inc.
發表的技術報告，至今已有四十年的歷史。近年來，人臉識別研
究得到了諸多研究人員的青睞，涌現出了諸多技術方法。尤其是
1990
年以來，
人臉識別更得到了長足的發展。幾乎所有知名的理工科大學和主要
IT

9. 生物識別技術有何歷史風險怎樣未來發展如何

截至到2020年，可以說這個技術取得很好的成果，在未來可能會廣泛應用到社會上，風險評估底下。

生物識別技術是目前最方便，最安全的識別技術。根據美國咨詢公司透明市場研究的預測，全球生物識別技術市場將從 2015年的 112．4億美元增長到 2020年的 233億美元，復合年增長率為 15．7％。生物識別市場發展迅速。在全球生物識別市場結構中，指紋識別的份額是達到 58％，人臉識別的是份額為 18％，其次是新興的虹膜識別。

今年以來，在大部分的高鐵站，客運中心，風景區等關鍵部位安裝了人臉識別系統。通過該系統，公安機關可以即時定位和捕獲逃犯的實時圖像，大大減少了早期視頻故障排除的時間，並為捕獲創造了有利條件，可以說這個技術是比較成功的。

10. 人臉識別的發展歷程是什麼

人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展回得到提高，而真正進入初答級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。