基于视觉认知机理的下一代人脸识别技术

　　飞瑞斯科技对人脸识别技术的研究

　　飞瑞斯科技经过多年的研发实践，人脸识别产品已经达到实用阶段，目前正在大范围推广。其技术的先进性体现于：

　　人脸库

　　飞瑞斯用于人脸建模的人脸库是采用实际人脸识别产品在多种实际应用环 境 下 采 集 的 ，而 非 实 验 室 中 普 通 的 摄像头采集的，因此，飞瑞斯的人脸识别算法与人脸识别产品具有高度的兼容性，对应 用 环 境 具 有 高 度 的 适 应 性；

　　特征描述

　　飞瑞斯人脸识别技术采用更加先进的动态局部特征分析技术（Dynamic Local Feature Analysis,DLFA）识别人脸特征，并结合自主知识产权的“基于多光源条件的人脸识别”技术和优异的识别算法，为人脸识别系统更广泛的应用提供了一套环境适应性强、技术新颖高效的技术体系作支撑。

　　动态局部特征分析技术，首先进行人 脸 照 片 的 预 处 理 ，目 的 是 为了去 除 照片过高的噪声，将输入的人脸照片用边缘适应检测的方法转换成二进制的照片，再 提 取 出 人 脸 皮 肤 肌 理，然 后 使 用局部特征分析方法来处理脸部的边缘阴影和肤纹，从而识别人脸。

　　局部特征分析（LFA）是一种用局部特征表示的类似于搭建积木统计的技术，基于所有的人脸都可由很多简化的结构单元块综合而成。LFA使用32到5 0 个 单 元 块 区 域 来 辨 别 一 个人 脸，选 用的 最 通 常 的 点 包 括 鼻 子、眼 睛 、嘴 巴 和特定的骨骼曲率差，如脸颊。这些单元块是使用复杂的统计技术而形成的，它们 代 表了整 个人 脸，通常 跨 越 多 个 像 素并代表了普遍的脸部形状，但并不是通常意义上的脸部特征。要确定一个人脸不仅仅取决于特性单元块，还决定于它们的几何结构(如形状和相关位置)。 通过这种方式，LFA将人脸的特性对应为一种复杂的数字表达式，就可以进行人脸识别了。

　　LFA人脸识别系包括区域:嘴巴、鼻子、眉毛、下颚轮廓和颧骨。用动态边缘分析方法获得的脸形信息能减少不同光线环境的影响，而肤纹信息提供了标准化的人脸特征的细节。将脸形和肤纹两种信息组合再用局部特征分析（LFA）算法 来比 较、统计脸 部的1 7 3个 特 征 点，不论登记和识别人脸时是在何种光线环 境 下，我 们 的 人 脸 识 别 算 法 都 能 得 到一 个 很 高 识 别 率 ，可 以 在 百 万 人 中 精 确地辨认出一个人。

　　LFA具有多尺度旋转不变性，其具有更强的环境适应性，在图像模糊（失焦、运动等）、低分辩率、各种光照条件（红外、可见光）下具有较好的识别率和误识率。

　　人脸建模

　　人脸建模过程中采用了先进的人脸样本筛选技术和模式筛选技术，能够有效的提升人脸模型的泛化能力、鉴别能力和鲁棒性。

　　人脸模型采用多特征融合技术，以支持多种应用环境，具有更广泛的应用能力。

　　Face Image V4.0

　　已经开发完成并在G1G3人脸识别考勤机上得到全面应用的Face Image V4.0技术，较之Face Image V3.0具有更加突出的优势，主要表现如下：

　　1.保持了FaceImage V3.0的虹膜识别融合特性以及佩戴眼镜对识别影响小的优良表现；

　　2.增加了双模式人脸特征识别特性，使一次识别命中率大大提高，同时极大的降低了误识率，使得总体识别速度有较大的提升；

　　3.降低了女性的头发，化妆等变化对识别率的影响；

　　4.引入了光照算法处理，对光线变化具有更强的适应性；

　　结束语

　　下一代人脸识别技术已经明确方向，将着重在基于视觉认知机理的多信息融合人脸表示方法、基于概率图模型的鲁棒匹配算法以及基于Hashing的快速比对、查询算法等方向寻求新的突破，届时，在环境、仪容、年龄的适应性以及识别速度方面将会有大幅度的改善，而人脸识别的用户体验将更加良好，应用将更加广泛。

　　（作者单位：深圳市飞瑞斯科技有限公司）

  【中安网原创稿件声明】转载中安网文章时应遵循以下三个规则：1、保持原创文章中图表、图片、音视频的完整性；2、完整标注文章作者［文章前后有说明］；3、转载中安网原创中部分内容也要完整标注来源"中安网"，违者本网将依法追究。