人脸识别 | Facial recognition详细介绍

人脸识别 | Facial recognition

文章目录

• 什么是人脸识别？
• 人脸识别有4个特点
• 人脸识别的 4 个步骤
• 人脸识别的 5 个难点
• 人脸识别算法的发展轨迹
• 人脸识别的典型应用
• 百度百科+维基百科
• 扩展阅读

人脸识别是身份识别的一种方式，目的就是要判断图片和视频中人脸的身份时什么。

本文将详细介绍人脸识别的4个特点、4个步骤、5个难点及算法的发展轨迹。

什么是人脸识别？

人脸识别是 计算机视觉-computer Vision 领域里很典型的应用。

人脸识别的目的就是要判断图片和视频（视频是由图片构成的）中人脸的身份是什么。

人脸识别是身份识别的一种，它跟身份证识别、指纹识别、虹膜识别都是相似的。可以将人脸识别和大家熟悉的身份证做对比：

 

1. 录入信息（开通身份证 – 录入人脸信息）
2. 将信息存入数据库（身份证信息 – 人脸信息）
3. 当需要验证身份时，将新采集信息和数据库信息作比对（扫身份证 – 刷脸）

人脸识别有4个特点

人脸识别和其他身份识别相比，有4个特点：

1. 便捷性。人脸是生物特征，不需要携带类似身份证的东西
2. 非强制性。识别的过程甚至不需要对象的配合，只要拍摄到人脸就可以进行识别，例如安防领域就是如此。
3. 非接触性。不需要跟设备进行接触，相比指纹更加安全一些。
4. 并行处理。一张照片里有多个人脸时可以一起处理，不像指纹和虹膜，需要一个一个来。

基于以上特点，人脸识别正在被广泛的应用在各个领域。大家在生活中随处都可以看到人脸识别的应用。

人脸识别的 4 个步骤

人脸识别的过程中有4个关键的步骤：

1. 人脸检测
2. 人脸对齐
3. 人脸编码
4. 人脸匹配 

 

 

下面详细说明一下这4个步骤。

人脸检测

人脸检测的目的是寻找图片中人脸的位置。当发现有人脸出现在图片中时，不管这个脸是谁，都会标记出人脸的坐标信息，或者将人脸切割出来。

可以使用方向梯度直方图(HOG)来检测人脸位置。先将图片灰度化，接着计算图像中像素的梯度。通过将图像转变成HOG形式，就可以获得人脸位置。

人脸对齐

人脸对齐是将不同角度的人脸图像对齐成同一种标准的形状。

先定位人脸上的特征点，然后通过几何变换（仿射、旋转、缩放），使各个特征点对齐（将眼睛、嘴等部位移到相同位置）。

人脸编码

人脸图像的像素值会被转换成紧凑且可判别的特征向量，这也被称为模板（template）。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。

人脸匹配

在人脸匹配构建模块中，两个模板会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。

人脸识别的 5 个难点

人脸图像在现实世界中的呈现具有高度的可变性。所以人脸识别也是最有挑战性的生物识别方法之一。人脸图像可变的地方包括：

1. 头部姿势
2. 年龄
3. 遮挡
4. 光照条件
5. 人脸表情

人脸识别算法的发展轨迹

人脸识别领域，也是从传统机器学习算法过度到深度学习算法的。

传统机器学习算法

在机器学习阶段，人脸识别也经历了3个重要的阶段：

1. 几何特征阶段
2. 表象特征阶段
3. 纹理特征阶段

深度学习算法

在深度学习阶段，算法的发展也同样经历了3个阶段：

1. 从最开始的 VGG 网络到 Inception 网络再到 Resnet 网络，网络模型总体上呈现出更深，更宽的趋势。
2. 旷视、商汤为代表的在学术公开竞赛中取得好成绩的这些厂商，开始发展实际业务为起点，通过不断扩大他们的实际数据集合，算法性能也在逐渐的提升。
3. 进一步增加数据量以提升算法性能以外，与第一阶段相反，大家开始在不降低识别性能的基础上，研究网络的轻量化。轻量化的主要目的有两个，一个是提升算法的速度，甚至能够部署到移动端；另外一个就是便于硬件实现，从而将人脸识别算法直接做成一个硬件模块

人脸识别的典型应用

人脸识别的应用变得越来越广泛，只要跟身份识别相关的未来都有可能使用人脸识别。下面列几个典型的应用场景。

1. 门禁系统
2. 安防系统
3. 无人超市
4. 电子护照及身份证
5. 自主服务系统（如ATM）
6. 信息安全系统，如刷脸支付
7. 娱乐型应用，如抖音里的部分道具