人脸识别技术分析及测试
去年，人们的朋友圈被一个名为“how-old”的网页刷屏了，当用户把个人照片上传后，它就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成的，它们分别是人脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础，而年龄检测和性别检测，它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、收集可学习的数据，建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关键点来得出结论，比如瞳孔，眼角或鼻子——它们会随着年龄而发生明显的变化。
传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别、热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以降下来，现在国内人脸识别前沿厂商多采用三维图像的方法。
人脸识别核心基础—算法
人脸识别最核心的基础是算法，主流算法大致有基于特征点、基于模板、基于光照估计模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法，其细节隐藏在连接节点（神经元）和节点之间的权值中，而这些权值却是没有明确现实意义的（无法确定哪些权值与哪些属性有关，也就是说这种神经网络是同构的），这就导致了先验信息很难加入到网络的训练过程中。但在实际应用中，如果知道权值与属性之间的对应关系，将会给深度神经网络的应用带来非常大的便利。例如，已有一个用于人脸身份识别的深度神经网络模型和少量具有种族标记的人脸图像数据（假设此种族的数据在之前训练数据中没有出现过），现在想更新网络参数并将此网络用于人脸种族识别。由于深度神经网络通常具有非常多（百万级）的参
数，当训练数据量较少时，直接对模型进行更新（所有权值都将被更新）通常会导致过拟合，使网络性能变坏。但如果已知权值与“种族”这一属性的对应关系，那么就可以只对少量的权值进行更新，使模型更加适合于人脸种族识别。基于以上原因，云从科技研发团队创新性提出了异构深度神经网络模型（图1）。
图1：异构深度神经网络结构
异构深度神经网络不再是一个黑盒，其中的某些权值是与具体的属性相对应的，甚至网络中的每层也可被设定为具有明确的含义，例如其神经元的激活值对应于某种粒度的特征。利用大量具有属性标记的训练数据，采用多任务学习机制并在损失函数中加入稀疏性约束，通过考察神经元对不同刺激的反馈，可建立网络单元与属性的映射关系，实现网络结构的语
义化。利用异构深度神经网络，可在人脸模型中方便地加入光照、遮挡、角度、年龄、种族等多种先验信息，增强了模型的适应性和特征的表达能力。
对于跨场景人脸识别问题，例如人证比对，即验证身份证芯片照与现场照的身份是否一致，由于两张照片失配程度较大（非同源、身份证照片分辨率低，两张照片年龄跨度大），会导致特征空间中样本分布的差异性较大，导致比对失败。为了将两张照片映射到同一特征空间中进行比较，在异构深度神经网络基础上，云从科技提出了双层异构深度神经网络模型。此模型中每层都是一个深度网络（分别以两张照片为输入），在训练时采用二分类损失函数并对两个网络中对应权值的差异性进行正则化，可实现不同图像空间到相同特征空间的映射。在特征空间中，相同身份人脸图像的类内差异变小，而不同身份人脸图像的类间差异变大，从而增强了特征的判别性。
图2：双层异构深度神经网络结构
去年6月，香港中文大学教授汤晓鸥、王晓刚及其研究团队宣布，他们研发的DeepID 人脸识别技术的准确率超过99.15%，比肉眼识别更加精准。而事实上，中国科学院下属的
云从科技也在去年达到了99.18%，相比其它企业倾向于购买国外现成技术，云从科技一直坚持研发自主的人脸识别核心算法。
LFW性能测试（CIGIT即中国科学院重庆分院）
CIGIT: 99.18%
DeepID2: 99.15%
GaussianFace: 98.52%
DeepID: 97.45%
DeepFace: 97.35%
TL Joint Bayesian: 96.33%
High-dim LBP: 95.17%
人脸识别的“准确率”
人脸识别的“准确率”，指的是对全世界最权威的人脸数据库LFW（Labeled Faces in the Wild）进行比对测试的成绩。LFW可以被认作一个考察深度学习系统人脸识别能力的“题库”，由美国马萨诸塞大学阿默斯特分校管理。它会从互联网上（主要是Yahoo News）提取6000张不同朝向、表情和光照环境的人脸照片（大多为知名人士的新闻照片，足够高清，且重复的人的照片基本在同一时期拍摄，也即外貌变化不大）作为考题，可以让任何系统在里面“跑分”。
跑分的过程是这样的：LFW给出一对照片，询问测试中的系统两张照片是不是同一个人，系统给出yes或no的答案。98%的准确率，意味着在测试中的所有题目里，人脸识别系统答对了98%的题目。
LFW只是一个纯粹实验室级别、学术性质的测试工具。在样本量可能达到十万级、百万级的实际商业场景下，在数据库取得高准确率的系统并不一定能延续刷出来成绩，其误识率将直线上升，甚至有可能根本没法用。真实复杂场景测试中，十万分之一误识率下，人脸识别98%的准确率会直线下降到70%左右。
云从科技通过自创的同步采集阵列采集大规模结构化数据来解决这个问题。目前，人脸识别算法训练大多采用非结构化数据，这种数据只会标注单一信息，对真实复杂场景下的人脸识别较为困难。云从科技研发出全球首创移动式、全天候、多角度、多场景、毫秒级同步采集阵列，针对人脸识别四大难点（角度、光照、表情、遮挡）进行亚洲人脸结构化数据采集，目前数据量已达到3000万张以上，人数在70万人左右。
结构化数据指具有多种正确标签的人脸数据库。具体指一张人脸照片，可以通过数据库或者文本查询到它的各种信息，包括：人脸ID、俯仰角、偏航角、旋转角、光照信息、表情信息、年龄信息、性别信息、遮挡情况等多种标签。结构化数据训练方法可以用远少于非结构化数据的数据量达到同样的识别效果，当采用大规模结构化数据进行算法训练时，可以使算法的识别准确度、速度、抗干扰性大幅优于非结构化数据的训练效果。
云从科技核心技术团队由师从四院院士，计算机视觉之父Thomas S. Huang的周曦博士带领，多次在国际计算机视觉算法比赛中战胜MIT、东京大学、IBM、Sony等著名研究机构，屡获世界第一；在中国科学院内部具备人脸识别领域最强的研发实力，曾作为唯一的人脸识别团队参与中国科学院战略先导项目—新疆安防布控。团队出色的研发实力和具有自主知识产权的高新技术迅速得到了资本的青睐。2015年4月15日，中国科学院重庆分院与上市公司佳都科技、杰翱资本进行战略合作，投资创建云从科技。截至目前，云从科技拥有员工200余人，其中研发人员180余人。研发人员均来自中国科学院各大研究所以及IBM、HP、Microsoft、华为、中兴等各大公司，90%以上拥有硕士学历。云从核心技术研发以中国科学院为基础，整合国内外研究资源，超过150名来自海内外著名大学、研究机构的博士为云从核心技术研究提供持续动力。
云从科技除了在技术上保持领先优势，产业化的速度也从未放缓。云从科技拥有超过20种标准模块，能够高效、快速的针对不同系统不同平台进行搭建与整合，进而形成性能优异的人脸识别系统。
普通的人脸技术有4到5种模块即可正常工作，但是一旦光照、角度、表情、遮挡等条件发生变化就无法正确识别。例如客户要求调整摄像头摆放位置，没有足够模块就会导致需要重新编写算法以应对专门的角度、光照、遮挡等条件。云从科技拥有的大量模块可以根据需求组成快速，准确，抗干扰力强的人脸识别系统，使客户可以根据需求快速调整。
FACEDNA是云从科技推出的人脸识别综合解决方案平台，具有多模块选择，多层次验证，公/私云平台自由切换等特点，可以随时根据客户需求进行深度定制。FACEDNA在金融行业可以搭载柜台人证合一比对、远程自助身份认证、金融VIP客户识别、刷脸支付、银行智能金库监控、人脸识别智能ATM机六大解决方案，形成了从大厅到金库，从用户到数据库的融合自动化服务、区域内控、提升客户体验、延伸业务范围的全方位解决方案链。
今年7、8月，在成立不到5个月的时间内，云从科技分别与专业的金融设备制造商御银股份、国内最大的ATM机制造商广电运通、中钞科堡、聚龙股份等企业签订战略合作协议，全面布局金融市场。目前，云从科技人脸识别系统已经在西安银行、重庆银行、海通证券、众可贷等银行与金融机构正式上线。
人脸识别领域已经处于一个初步商业化的阶段，各路资本重兵布局，对于指纹等生物识别技术来说具有非接触，兼容性好、无需额外硬件等优势，便于大规模推广，相信不久的将来，各种类型的人脸识别应用就会纷纷涌现。不难想象未来的某一天，“刷脸”的浪潮将会席卷而来。
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别技术
人脸识别技术 人脸识别 人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处
人脸识别和现有监控系统的结合
中科院计算所——银晨科技面像识别联合实验室陈军 人脸识别技术在数字监控系统中的应用 摘要：本文介绍了人脸识别技术的研究范围、应用领域及其研究应用现状，同时指出了现有数字监控系统在图像分析理解方面存在的不足。本人探讨了将人脸识别技术与数字监控系统进行结合的可行性，并给出了初步的解决方案及技术要求，最后阐明了实现二者结合的重要意义。 关键词：人脸识别(Face Recognition)、人脸检测(Face Detection)、人脸辨识(Face Identification)、数字监控系统(DVS)、嵌入式DVR、嵌入式人脸识别器 1、人脸识别技术 1.1 人脸识别技术的研究及应用范畴 人脸识别（Face Recognition，亦称面像识别）是人类视觉系统的基本功能，也是人类互相辨识的最直接手段，因此它是生物特征识别中的重要研究内容。人脸识别技术作为一种新兴的生物特征识别技术，概括来说，它是一种依据人体面部特征的自动身份鉴别技术。人脸识别综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术。 人脸识别技术在公共安全、人机交互等领域具有广泛的应用前景，这一点已经为世人所公认。同时，人脸识别也是人工智能领域的重大研究课题，因此吸引了大量的研究人员对此展开深入研究，到现在已有30多年的研究历史。自上世纪90年代以来（特别是美国“911”恐怖袭击事件发生以后），人脸识别技术在研究及应用方面更是得到了长足的发展。 人脸识别的研究范围大致可以分为如下几个方面的内容: 1)人脸检测（Face Detection）：即从各种不同的场景中检测出人脸的存在并确定其位置。在大多数的场合中由于场景较复杂，人脸的位置是预先不知道的，因而首先必须确定场景中是否存在人脸，如果存在人脸，再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种遮挡等因素会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图象上寻找人脸区域，把图象分割成两个部分－人脸区域和非人脸区域，从而为后续处理奠定基础。 2)人脸表征（Face Representation）：即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵特征矢量）、固定特征模板、特征脸、云纹图等。 3)人脸辨识（Face Identification）：即将已检测到的待识别的人脸与数据库中的已知人脸进行比较匹配，得出相关信息，这一过程的核心是选择适当的人脸的表征方式与匹配策略，系统的构造与人脸的表征方式密切相关。通常或是选择全局的方法或是选择基于特征的方法进行匹配。显然，基于侧面像所选择的特征和基于正面像的特征是有很大的区别的。 4）表情分析（Expression Analysis）：即对待识别人脸的表情信息（快乐、悲伤、恐惧、惊奇等）进行分析，并对其加以归类。 5）生理分类（Physical Classification）：即对待识别人脸的生理特征进行分析，得出其种族、年龄、性别、职业等相关信息。显然，完成这一操作需要大量的知识并且通常是非常困难和复杂的。目前，对人脸识别的研究工作主要集中在前3个方面。 一个完整的人脸识别系统通常要包括人脸检测与跟踪、特征提取与选择、分类判别三个步骤。人脸识别的原理如图一所示： 人脸识别的关键是特征提取和人脸建模，也就是采用什么样的特征描述人脸的问题。而且对于基于光学图像的人脸识别而言，这些特征必须是可以从图像中获得的。 与其它生物特征识别技术相比，人脸识别技术在可用性方面具有独特的优势： ?可以隐蔽操作，适于安全、监控与布控等应用； ?非接触式信号采集，没有侵犯性，容易被人们接受； ?强大的事后追踪能力； ?使用通用设备，设备成本较低； ?基础数据容易获取； ?符合人类的识别习惯及认知规律； ?可交互性强。
人脸识别技术原理解析
人脸识别技术原理解析 你还记得电影里的这些情节吗？《变形金刚2》中，年轻的男主角和他的小伙伴们过关卡时，虽然骗过了值班军人，却被军方的人脸识别技术发现。2014年翻拍版的《机械战警》中，机械战警第一次面对大众公开亮相，就在人群中不停地扫描所有人脸，同时将获取的人脸在通缉犯资料库中作比对，瞬间就发现看热闹的人群中有一个逃逸多年的通缉犯，并将其制服。其他还有许多电影中，但凡是美国的机要部门，进门就要扫描各种生物特征，从早年电影中的指纹、虹膜，到现在的人脸。 人脸识别到底是什么？ 人脸识别，是视觉模式识别的一个细分问题，也大概是最难解决的一个问题。其实我们人每时每刻都在进行视觉模式识别，我们通过眼睛获得视觉信息，这些信息经过大脑的处理被识别为有意义的概念。于是我们知道了放在我们面前的是水杯、书本，还是什么别的东西。 我们也无时无刻不在进行人脸识别，我们每天生活中遇到无数的人，从中认出那些熟人，和他们打招呼，打交道，忽略其他的陌生人。甚至躲开那些我们欠了钱还暂时还不上的人。然而这项看似简单的任务，对机器来说却并不那么容易实现。 对计算机来讲，一幅图像信息，无论是静态的图片，还是动态视频中的一帧，都是一个由众多像素点组成的矩阵。比如一个1080p的数字图像，是一个由1980*1080个像素点组成矩阵，每个像素点，如果是8bit的rgb格式，则是3个取值在0-255的数。 机器需要在这些数据中，找出某一部分数据代表了何种概念：哪一部分数据是水杯，哪一部分是书本，哪一部分是人脸，这是视觉模式识别中的粗分类问题。 而人脸识别，需要在所有机器认为是人脸的那部分数据中，区分这个人脸属于谁，这是个细分类问题。 人脸可以分为多少类呢？ 取决于所处理问题的人脸库大小，人脸库中有多少目标人脸，就需要机器进行相应数量的细分类。如果想要机器认出每个他看到的人，则这世界上有多少人，人脸就可以分为多少
人脸识别发展趋势及应用领域分析
人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考
人脸识别在哪些场景有运用-人脸识别的作用
人脸识别在哪些场景有运用-人脸识别的作用 近年来，随着“平安城市建设”的大力推进，越来越多的高清摄像头部署在各个重要场所，如机场、地铁、火车站、汽车站等。这些场所是人口流动必经之地，也是公安重点布控区域。很多地区提出的人脸识别需求，也是针对这些重要场景，要求系统自动侦测视频画面中的人脸，并与数据库中的人脸数据进行一一比对，来得到有价值的信息。 人脸识别的应用范围很广，从门禁、设备登录到机场、公共区域的监控。下面是一些人脸识别的应用领域。 1、人脸识别的应用领域 ·人脸验证驾照、签证、身份证、护照、投票选举等；
·接入控制设备存取、车辆访问、智能ATM、电脑接入、程序接入、网络接入等； ·安全反恐报警、登机、体育场观众扫描、计算机安全、网络安全等； ·监控公园监控、街道监控、电网监控、入口监控等； ·智能卡用户验证等； ·执法嫌疑犯识别、欺骗识别等； ·人脸数据库人脸检索、人脸标记、人脸分类等； ·多媒体管理人脸搜索、人脸视频分割和拼接等； ·人机交互交互式游戏、主动计算等； ·其他人脸重建、低比特率图片和视频传输等； 以公安应用为例，公安部门在查办案、处理事务时常常会遇到一些不明身份的人员，比如走丢的老人、小孩，拒不交代身份的嫌疑犯，无人认领的尸体等。这时传统的方法往往不能解决问题。利用人脸检索系统，将目标人脸输入到系统中。系统自动在海量人口数据库中进行查找比对，列出前若干名相似的人员信息。然后再通过人工干预的方式，对系统结果进行筛选，得到目标的真实身份。 一套基本的人脸识别布控系统功能 (1)人脸捕获与跟踪功能 人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。
人脸识别相关技术分析报告汇总
人脸识别相关技术 分析报告 2015年10月 目录 第一章分析概述 (3) 一、背景调研 (3)
二、检索及分析内容 (3) 第二章人脸识别专利态势及技术研发分析 (5) 一、专利态势及技术研发分析 (5) （）人脸识别专利申请趋势分析 (51) （）技术生命周期 (26) （）人脸识别技术构成 (37) （）人脸识别竞争对手分析.............................................................................................................. 8 4二、技术路线分析.. (9) （）人脸定位技术路线 (91) （）图像获取技术路线.................................................................................................................. 2 10 （）人脸跟踪技术路线 (311) 分析概述第一章 一、背景调研人脸检测识别技术是基于人脸特征来进行身份识别的技术。与其他识别方式相比，由于人脸始终暴露在外面，采集人脸特征有直接、友好、方便的特点。现在，国际银行组织、国际民航组织的生物特征识别护照的标准中明文规定必选的特征是人脸，可选的特征是指纹、虹膜或者在其它特征中任何一种。目前我国公民的第二代身份证有嵌入可机读的人脸图像信息，这也为下一步人脸识别广泛应用打下有利的基础。上世纪九十年代以来，人脸检测识别技术研究达到了高潮时期，一批具有代表性的论文和算法产生，自动人脸识别技术也得到了长足的发展，相关机构组织了如人脸手势识别等专门的国际学术会议。另外，现在很多的研究型理工大学和兀公司都在着手人脸检测识别研究。领域南加州大学、内最著名的国际研究机构包括：美国麻省理工学院媒体实验室及人工智能实验室、清华大学计算机系、卡内基一梅隆大学机器人研究及交互系统实验室等。在我国，马里兰大学、电子系瞻嘲、中科院自动化所阳吲、南京理工大学、南京航空航天大学、哈尔滨工业大学等进行了许多很有意义的尝试，积累了经验。国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法和基于连接机制的人脸识别方法。人脸识别由于具有直接、友好、方便的特点，使用者无任何心理障碍，易于被用户所接受，从(4)(3)档案管理系统(2)安全验证系统信用卡验证(1)而得到了广泛的应用。主要在以下几个方面：人机交互等。(5)银行和海关的监控(6)公安系统的罪犯身份识别基于人脸图像比对的特征提取(4)(3)(1)人脸识别系统包括：人脸图像的获取(2)人脸的检测身份识别(5)基于人脸图像比对的身份验证 二、检索及分析内容 本分析对人脸识别相关专利进行了中国专利检索，检索采用国家知识产权局专利数据库，以该专利数据为基础对其相关技术进行了分析，以期能从战略层面为汉柏的技术研发、专利布局和专利风险预防提供借鉴参考。 具体分析项如下： （1）专利申请趋势分析 （2）技术构成
人脸识别技术在物联网领域的应用
人脸识别技术在物联网领域的应用 导读：人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别 技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 什么是人脸识别 定义：人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪 人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 核心：人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果 具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合 中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现， 展现了弱人工智能向强人工智能的转化。 深圳市智联九九通讯技术有限公司成功的把人脸识别核心算法内置到了自研的 智能核心板中，完美的实现了一定距离内用户配合或非配合状态下的快速身份 识别技术，能够快速确认人员身份，实现智能预警，给予客户完美视觉体验， 其中包含了面部识别、人体识别、手势识别等。 具体应用场景：智能识别门禁考勤系统、智能家居控制、智能安检安防、电子 商务、银行、人机交互、人脸配对娱乐应用、身份辨识、养殖业牲畜识别等。 应用场景一：银行/养老金领取管理 随着养老金社会化发放工作的全面展开，退休金的冒领问题也日益突出，社保 机构很难管理到离退休人员的健康以及生存状况，冒领情况严重，造成全国每 年退休金的流失总数高达十亿元。利用人脸识别技术可以有效地进行人员核对，减少养老金的流失。 应用场景二：办税认证系统 在基层税务机关，经常出现冒用他人身份证开具免税发票的现象，造成税收流失，也导致免税发票代开终端前整日人满为患，正常纳税人排队等候时间过久。通过人脸识别技术，系统自动将镜头摄取人像同公安部门身份信息中的人像进 行比对，实时完成实名认证。不仅有效缓解了窗口办税人员的压力，提升了办 税效率，还增强了实名制办税体验，降低了涉税风险。 应用场景三：疑犯追踪系统 基于人脸识别技术，对长途客运站、火车站等公共场所进行监控，将视频中的 人脸与疑犯数据库进行比对，一旦疑犯在人群中被识别出来即刻报警。这就大
人脸识别技术分析
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
人脸识别介绍
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
人脸识别技术的应用
人脸识别技术的应用 面部识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。现如今，人脸识别这个词已经慢慢走进了我们的生活，开始逐渐广泛的应用到日常生活之中。 手机、笔记本电脑中的人脸识别软件就是一个很好的例子，它帮助我们解锁手机、电脑，无需再输入密码，不用担心密码泄露从而导致的信息隐私泄露，它很好的帮助我们保护手机、电脑的安全。除此之外，人脸识别门禁系统开始应用于一些高档住宅和办公楼中，为人们省去了带钥匙刷卡的麻烦，也不用担心密码忘记的苦恼。人脸识别考勤机也开始被一些企业应用于日常管理。而一些美颜相机、美图软件的推出跟迎合了消费者的市场。它可以自动识别人脸，并对人脸进行美化。甚至一些小游戏被开发出来，可以将自己的脸与明星的脸比对相似之处，评价出你最有有谁的明星相。虽然这仅仅是一个游戏软件，只是供人们娱乐，真实度不高，但也可以看出现今人脸识别技术的广泛使用。 人脸识别技术在过去几年中得到了广泛的关注，正是因为它的应用程序涵盖了许多不同的领域。对于许多的应用程序来说，脸部识别系统的性能在可控的环境下已经达到了一个令人满意的水平。但是现有的大部分面部识别技术在不受控制的环境下识别性能明显下降。 在这次第十四届KSS国际知识与系统科学研讨会中，教授为我们介绍了如何在面部识别中应对不同光照环境下的情况。在过去几年中，处理不同光照的方法主要有： 1. histogram equalization. 2.logarithm transformations. 3.Apply DCT in the logarithm domain. 4.QI (Quotient Image). 5.SQI(Self-Quotient Image). 6.MQI (Morphological Quotient Image). 7.Local binary patterm operator. 经过了他们团队的研究，将这几种进行对照比较，建立一个PSO-SQI框架，利用算法的性能处理人脸识别中的光照问题。 PSO算法是一个新的基于群体智能的进化算法，其研究远没有像遗传算法和模拟退火算法那样深入，在理论上并不能保证能够得到最优解。PSO算法在进行优化问题的求解时应用范围有限,尤其对离散的组合优化问题,其理论建模还处于起步阶段。PSO算法中的一些参数，如学习因子、惯性权重以及粒子个数往往根据有限的应用经验确定,并不具有广泛的适应性。 而SQI是指自商图像(self-quotient image),以提取一个目标(如人脸)图像的内在特性,同时去除与光照相关的外在因素.SQI (self-quotient image) 方法克服了原始的QI 方法的局限性,且能够提取与光照无关的内在特性.对算法适用的条件进行了理论分析,并在SQI 计算过程中提出了一个非迭代的各向异性滤波器以减小光晕现象和提高计算速度.实验结果表明该方法可以有效地提高不同光照条件下的人脸识别系统的识别率. 由着POS-SQI两种方法的结合，更好的处理了人脸识别在不可控的光线下识
人脸识别技术分析及测试
去年，人们的朋友圈被一个名为“how-old”的网页刷屏了，当用户把个人照片上传后，它就能测算出照片人物的性别和年龄。how-old主要是靠三个技术来完成的，它们分别是人脸检测、性别分类和年龄检测。其中人脸检测是其他两个技术的基础，而年龄检测和性别检测，它们只是在机器学习的过程中解决了分类的问题。相关技术过程涉及到人脸特征的描述、收集可学习的数据，建立一个分类模型以及模型优化。这种应用会分析人们脸上的数十个关键点来得出结论，比如瞳孔，眼角或鼻子——它们会随着年龄而发生明显的变化。 传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别、热成像人脸识别和基于红外的多光源人脸识别技术。由于热成像和红外方案成本短期内难以降下来，现在国内人脸识别前沿厂商多采用三维图像的方法。 人脸识别核心基础—算法 人脸识别最核心的基础是算法，主流算法大致有基于特征点、基于模板、基于光照估计模型、基于深度神经网络等几种。现在新兴的专业人脸识别厂商多采用深度神经网络来训练计算机视觉。深度神经网络的主要缺点在于它是一种黑盒方法，其细节隐藏在连接节点（神经元）和节点之间的权值中，而这些权值却是没有明确现实意义的（无法确定哪些权值与哪些属性有关，也就是说这种神经网络是同构的），这就导致了先验信息很难加入到网络的训练过程中。但在实际应用中，如果知道权值与属性之间的对应关系，将会给深度神经网络的应用带来非常大的便利。例如，已有一个用于人脸身份识别的深度神经网络模型和少量具有种族标记的人脸图像数据（假设此种族的数据在之前训练数据中没有出现过），现在想更新网络参数并将此网络用于人脸种族识别。由于深度神经网络通常具有非常多（百万级）的参
(完整版)2019年我国人脸识别技术发展情况及发展趋势综合分析
2019年我国人脸识别技术发展情况 及发展趋势综合分析 2019年2月14日 一、全球生物识别细行业市场占比情况分析 生物识别指的是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。 用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计2015-2020年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为100%；虹膜识别为100%；指纹识别复合增长率为73%。
全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。其中，2014年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为97.52%，可以说深度学习技术让计算机人脸识别能力超越人类的识别程度。
人脸识别与其他生物识别方式相比，优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。 2、3D人脸识别与2D人脸识别数据对比 目前，国内的人脸识别技术已经相对发展成熟，该技术越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品，产品系列达20多种类型，可以全面覆盖煤矿、楼宇、银行、军队、社会福利 保障、电子商务及安全防务等领域，人脸识别的全面应用时代已经到来。 中游人脸识别技术的进步，是推动下游场景应用拓展的关键所在。目前，人脸识别市场的解决方案主要包括2D识别、3D识别技术。市场上主流的识别方案是采用摄像头的2D方案，但由于人的脸部并非 平坦，因此2D识别在将3D人脸信息平面化投影的过程中存在特征信息损失。3D识别使用三维人脸立体建模方法，可最大程度保留有效 信息，因此3D人脸识别技术的算法比2D算法更合理并拥有更高精度。
智能分析动态人脸识别系统专业技术需求书
智能分析(动态人脸识别）系统技术需求书一、概述 动态人脸识别智能分析系统是以数字化、网络化视频监控为基础,是一种更高端的视频监控应用。视频智能分析(动态人脸识别)系统能够自动识别不同的物体，发现监控画面中的异常情况,并能够及时发出警报和提供有用信息,从而能够更加有效的协助管理人员处理危机,并最大限度的降低误报和漏报现象。视频智能分析（动态人脸识别）系统是视频监控技术发展的方向,是未来视频监控的趋势。 随着人脸识别技术的进一步发展，将人脸识别技术与数字监控系统的进一步融合,同时人脸识别与监控技术的结合在安防领域中得到了重用。一方面在人脸识别技术已经找很多的行业领域上已经实践的证明,这项技术为安防管理业务创新提供了很大的技术支持,也为日常安保管理效率有了很大的提高和成本的节省。以《全国监狱信息化建设规划》提出的“科技兴监”的思想为指导,随着人像技术不断的创新和发展,成熟的人像识别技术完全可以结合现在监狱管理业务,特别针对监狱人员进出管理业务，现在成熟的人像识别技术能在当中发挥巨大的作用，为监狱的相关管理做出更多有效可行的创新和改变，可以对行业内的原有业务管理流程进行优化和简化，同时也提高相关业务管理效率和质量。 二、总体要求 1.功能需求 ★本次项目建设的人脸识别智能分析系统需要无缝接入监狱视频监控平台、监狱综合安防管理平台以及省局综合安防管理平台。本次投标费用包括完成本次建设的新系统与原平台及系统的对接开发工作,中标方不得再向建设方申请开发费用(投
标时提供纸质承诺)。 1.1罪犯人脸识别布控需求 在监狱B门内警戒区域,精确捕捉在布控区域内出现人员的面部特征及场所内场景，对所有出现在布控区域内的人员实施“近”距离监控。自动抓拍出现在布控区域内人员的人脸图象,将所有的在押人员设置成布控对象，并与布控库中的对象实时比对,一旦在押人员到达该布控区域，系统会自动识别并报警。 １.２ AB门车辆识别需求 当前监狱系统AB门车辆识别采用人工检测方式,通过人工对比车牌号、车辆型号、车辆驾驶员进行管理，管理人员工作量大,容易出错,需要一套自动识别系统来减轻管理人员的工作量。 项目计划采用视频智能分析（动态人脸识别)系统,针对监狱构建了高度可靠的AB门通道出入车辆及人员身份识别，通过动态人脸识别技术对关押犯人实时监控管理等，构建一套集动态人脸识别与分析应用于一体、统一数据标准和接口规范的监狱人脸识别应用系统。提供人脸动态识别、视频监控智能分析、监测设备运行、基于大数据技术构建一个服务管理系统，实现视频图像资源的融合汇聚、集中管控、交互整合，为构建监狱系统的“智慧大脑“奠定基础。 2．兼容性需求 ★建设的设备,必须具有开放性，中标方须承诺项目所涉及的软硬件需要全部免费提供开放接口及底层SDＫ开发包接口完全免费开放,可提供给第三方进行系统集成开发（投标时提供纸质承诺）。 ３.建设要求 1、设备选型时各系统应整体考虑各子系统之间的接口问题，特别是所提供设备
人脸识别的应用领域
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。 应用领域 1、金融领域 人脸识别当前在金融领域的应用较为广泛，当前国内金融领域监管要求严格，金融相关产品都需要实名认证，并且具有较高的安全性要求，活体识别，银行卡ocr识别，身份证ocr识别，人证对比等在各大手机银行，金融app，保险app等都已经成为不可或缺的一个环节。 2、安保领域 目前大量的企业，住宅，社区，学校等安全管理越来越普及，人脸门禁系统已经成为非常普及的一种安保方式。 3、通行领域 很多城市的火车站已经安装了人脸识别通行设备，进行人证对比过检，有些
城市的地铁站也可以通过人脸识别的方式进行地铁进出站通行。 4、自助服务设备 如银行的自动提款机，无人超市等。 5、支付领域 目前支付宝和微信两大支付巨头都已经推出刷脸支付设备，所有使用支付宝和微信收款的行业都可以使用，刷脸的时代已经来临。 6、考勤及会务 如工作考勤，会议出席人脸墙等。目前人脸识别市场上的巨头主要有商场，也有很多领域内巨头公司投资的小公司。 6、娱乐领域 现在市场上火爆的美颜相机，网络直播，短视频等都是建立在人脸识别的基础上对人脸进行美颜和特效处理。 7、公安，司法领域 公安系统在追捕逃犯时也会利用人脸识别系统对逃犯进行定位，监狱系统目
前也会对服刑人员通过人脸识别系统进行报警和安防。 以上就是有关人脸识别的一些相关介绍，希望对您进一步的认识了解有所帮助。
人脸识别技术发展及应用分析
人脸识别技术发展及应用分析 人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机采集人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术处理，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。 市场现状 人脸识别技术的研究始于20世纪60年代末期。 20世纪90年代后期以来，一些商业性的人脸识 别系统逐渐进入市场，但是，这些技术和系统离 实用化都有一定距离，性能和准确率也有待提高。 美国遭遇恐怖袭击后，这一技术引起了广泛关注。作为非常容易隐蔽使用的识别技术，人脸识别逐渐成为国际反恐和安全防范重要的手段之一。近年来，人脸识别在中国市场，也经历着迅速的发展，而且发展的脚步也越来越快。主要原因有以下两方面。 科技的进步 国际上，美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test 2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。在我国，近年来科技界
和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。 应用需求的增加 越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎苛刻，各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，即在一个较复杂的场景中，在较远的距离就识别出特定的人，这显然是其它生物识别方法所欠缺的，而人脸识别却是一个极佳的选择。 技术历程 国家“十一五”科技发展规划将人脸识别技术的研究与发展列入其中，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，开发具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。 传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们最熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但目前这两种技术还远不成熟，识别效果不尽人意。
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer Interface Institute，Microsoft Research,英国的Department of Engineering in Uni versity of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：（1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼睛，鼻子和嘴