基于视觉认知机理的下一代人脸识别技术

　　序言

　　生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术，人的指纹、掌纹、眼虹膜、DNA以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、不易失窃或被遗忘，由于每个人的这些特征都不相同，因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。随着计算机技术、图像处理技术、模式识别技术等技术的快速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、虹膜识别等多种生物识别技术，目前许多技术都己经成熟并得以应用。

　　人脸识别技术是近年来出现的一种基于人的脸部特征信息进行身份识别的崭新的生物特征识别技术。与其他生物识别技术相比较，人脸识别具有友好、简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、出入口控制等多个方面,目前人脸识别技术已经应用到门禁考勤，访客管理，巡更等场所。

　　人脸识别原理

　　广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括图像采集、人脸检测、特征建模、比对辨识、身份确认等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

　　人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似度值，最终搜索到最佳匹配人脸特征模板，并因此确定一个人的身份信息。具体的原理图如图1所示。
 

图1    人脸识别考勤原理示意图

　　下面简述广义人脸识别过程的主要步骤：

　　图像采集：人脸图像来源一般是数字化人脸照片或者通过摄像机实时采集的视频流。环境光照问题的不稳定是影响人脸识别性能的一个重要因素，是人脸图像采集环节最重要的问题。基于不同的应用环境，可采用可见光源或者红外光源，相应的人脸识别技术称为可见光人脸识别和红外光人脸识别。

　　人脸检测：人脸检测是指在一幅图像或视频流的一帧中识别出人脸的存在并将人脸从背景中分离出来。人脸检测是一个复杂的具有挑战性的模式检测问题，其主要的难点有两方面，一方面是由于人脸内在的变化所引起：（1）人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的表情如眼、嘴的开与闭等；（2）人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等。另外一方面由于外在条件变化所引起：（1）由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；（2）光照的影响，如图像中的亮度、对比度的变化和阴影等；（3）图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。

　　特征提取：人脸特征提取是人脸识别最为关键的技术，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识别率和降低误识率。目前已存在的人脸特征提取方法主要有：基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取。

　　创建模板库： 人脸模板库就是预先登记的人员人脸特征库。每个登记人员录制多张有代表性的人脸照片，对每张人脸照片提取人脸特征生成人脸特征模板（人脸特征文件）保存到数据库中。人脸特征模板是预先登记的，其与所属人员的身份信息是关联的。

　　特征比对：在进行人脸识别时，将当前人脸图像提取人脸特征，并与数据库中预先登记的人脸特征模板进行比对，依据比对分数高低搜索到与其最匹配的人脸特征模板，因为预先登记的人脸特征模板所属人员身份是明确的，因此可以获取当前识别人的身份。

　　身份确认：在经过特征比对后得到最佳匹配的人脸特征模板，可以将该人脸特征模板相关联的人员身份信息从数据库调出，因此也就明确了当前识别人的身份。 

　　国内外人脸识别技术人

　　脸识别中最核心最困难的环节是人脸辨别，即人脸相似度计算，包括“特征提取”和“特征比对”。人脸特征描述（建模）的有效性决定了人脸识别的精度，好的人脸特征提取技术将使提取的人脸特征值更小、辨别性能更好，可以提高识别率和降低误识率，因此，人脸识别技术的好坏关键在于对人脸特征的描述（建模）。本节重点阐述当前国内外人脸识别技术中所采用的人脸特征建模方法。

　　目前已存在的人脸特征提取方法主要有：基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取。

　　基于面部器官的特征提取

　　基于面部器官的特征提取是最早研究特征提取的方法，主要考虑眉毛、眼睛、鼻子、嘴巴之间的位置关系。各器官之间欧氏距离、角度及其大小和外形被量化成一系列参数，来衡量人脸特征，所以对眉毛、眼镜、鼻子、嘴巴等的定位就是一个很重要的工作。面部几何特征的提取依靠于先验知识，需要在自适应和检测准确度之间进行权衡，受人脸表情，姿态等影响很大。对于人脸主要器官如眉毛、眼睛、鼻子、嘴巴等进行描述和特征提取，可以比较准确地提取人脸的基本特征。

　　基于模板的特征提取

　　人脸的基本轮廓和脸部器官位置基本是固定的，在提取特征之前先定义一个标准的模板，利用Hough变换、方差投影和模板匹配相结合，有效地确定出眼睛、嘴巴和鼻子等器官的位置。定义模板需要用到人脸器官的几何特征矢量，它可以通过虹膜中心、内眼角点、外眼角点、鼻尖点、鼻孔点、耳屏点、耳下点、口角点、头顶点、眉内点和眉外点等关键点得到。特征的提取通常以面部器官的外形和几何关系之间的匹配分量作为依据，匹配分量通常包括人脸两点间的欧氏距离、曲率和角度等，其中欧氏距离的判决是最常用的方法。标准模板可以是固定模板，也可以是参数可变的可变性模板。固定模板比较简单，但是随着环境的改变模板也要更换，有很大的局限性，一般只针对简单的图像；可变性模板是以器官的几何特征作为模板的参数，定义一个能量函数，通过改变参数使能量函数最小化，能量函数越小越接近提取目标。可变性模板在环境发生变化时只需要改变相应的参数即可，因此灵活性和适应性都比较好，可处理质量较差的人脸图像，但是模板描述不够精确，适用于可变性不大的器官，常用于提取眼睛、嘴和鼻子轮廓。

　　基于代数方法的特征提取

　　此类方法使用代数变换来提取人脸特征，其中比较经典的方法是特征脸方法。人脸由一些基本特征就可以描述，如眉毛、鼻子、眼睛和嘴巴等特征，因此描述人脸的图像可以缩小到很小空间。特征脸方法基于K－L变换，将协方差矩阵E分解为通过这变换将原始图像变换到一个新的维数较低的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息进行提取脸部器官的特征。这种方法具有无需提取眉毛、眼镜、鼻子和嘴巴等几何特征的优点，但在单样本时识别率不高，且在人脸模式数较大时计算量大。

　　基于弹性匹配法的特征提取

　　弹性匹配法是一种较好的特征提取方法，主要思想是采用畸变不变性物体识别特性，定义了一种对于人脸变形具有不变性的距离，采用属性拓扑图代表人脸，图中任一顶点均包含一个特征向量，用来记录人脸在该顶点位置四周的信息，边则表示各特征点之间的关系。假设S1是人脸库中定义的某人脸属性拓扑图，S为待识人脸属性拓扑图。在弹性匹配中也就是寻找Sl中各节点在S中最佳匹配节点。 

　　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。