人臉識別成主流

    攝像頭模組|人臉識別攝像頭模組|寬動態攝像頭模組

    人臉識別技術在中國的最華麗亮相莫過于北京2008年奧運會了。北京奧運會的開閉幕式入場券進行實名制管理，要求入場券持有者提前提交個人信息和身份照片，在觀眾入場時利用人臉識別技術進行實名制身份驗證，旨在消除潛在的安防漏洞，提高奧運安全防范和科技反恐水平，這也是奧運史上首次將人臉識別技術作為人員身份識別的智能化手段引入奧運安保。

    隨著人臉識別系統在北京奧運會開幕式上正式使用后，人臉識別技術在國內得到廣泛的關注，并在門禁、考勤等應用領域推廣使用。

    人臉識別技術概述

    人臉識別是基于人的臉部特征，對輸入的人臉圖像或者視頻流，首先辨別臉部各部分的特征，各個主要面部器官的位置信息，并依據這些信息，進一步提取人臉中所蘊涵的生物特征，并將其與已存儲的人臉模板進行對比，從而識別人的身份。

    人臉識別的算法

    人臉識別技術中被廣泛采用的區域特征分析算法，它融合了計算機圖像處理技術與生物統計學原理于一體，利用計算機圖像處理技術從視頻中提取人像特征點，利用生物統計學的原理進行分析建立數學模型，即人臉特征模板。利用已建成的人臉特征模板與被測者的臉部圖像進行特征分析，根據分析的結果給出一個相似值，通過這個值即可確定是否為同一人。

    每到酒店開房每個人會有復雜的開房流程。從前臺接待開始，人員確認，身份證掃描，預付開房押金，門卡發放，打印憑證等一系列繁瑣的手續，酒店前臺因為繁瑣的操作，及硬件設備多種多樣也經常出現錯誤。

    如果只要一個人辦理入住可能時間方面還可以接受。不過很多酒店為了提高入住率，都會和一些公司及旅行社簽訂團隊合作協議。每個團隊到達酒店大廳少則10-20人，多則幾百人，酒店前臺在辦理團隊業務時，會用很長時間來登記身份證和發放房卡，顧客要想進房間休息需要在酒店前臺等待時間將無限延長。

    針對以上種種問題，飛瑞斯科技通過生物識別技術與身份證信息提取技術研發出來的一款最新產品——人臉識別自證系統。該系統的核心是進行身份證和人像的對比。系統可以提取身份證內的信息與現場拍攝到的身份證持有者圖像進行對比，快速的識別出證件與證件使用人是否相一致，識別率達到98％以上。經過這樣的驗證過程，可以協助驗證方完成自動、快捷的證件查驗過程。

    人臉識別自證系統主要應用范圍，包括人臉識別門禁、考勤、巡更等在內的各種身份識別認證應用領域。該系列產品作為身份證人臉識別認證終端，還擴展了諸如幼兒園接送、訪客認證、駕校考場認證、哨崗查哨、軍事禁區準入識別等各種不同行業要求、不同保密要求、不同精確度要求的應用場合。

    如今人臉識別技術已漸漸滲透到了人們的各種生活中，而人臉識別自證系統更是緊跟市場潮流，捕捉未來趨勢推出的最新科技產品，實現人證合一，完美取代傳統的驗證方式，在未來，人臉識別自證系統將會更為主流。

    隨著社會發展對安全需求的高漲，人臉識別逐漸成為強制標準，行業發展前景備受看好。

    人臉識別成市場新看點

    攝像頭模組|人臉識別攝像頭模組|寬動態攝像頭模組

    人臉識別技術再度成為市場關注的熱點，多家上市公司近期集中推出相關產品或表示正在進行技術儲備及研發。高新興公司透露，公司目前已經擁有了人臉識別產品，主要應用在金融安防領域，可以安裝在ATM機等設備中。川大智勝公司證代吳俊杰此前表示，公司人臉識別產品明年將會推向市場，主要面向安防領域。

    賽為智能、國騰電子、漢王科技公司也通過互動平臺等透露擁有可以應用于人臉識別領域的相關技術。據統計數據顯示，僅在中國大陸，在未來三年內人臉識別產品有望形成年銷售額過百億。有不愿具名的分析人士認為，人臉識別技術本身已經存在較久了，目前受到關注應該是在同安防領域結合方面。

    目前海量的視頻監控數據大部分依靠人力檢索，效率較低，非結構化視頻數據后端處理問題是制約安防行業發展的重要限制。前瞻產業研究院《2013-2017年中國生物識別技術行業市場前瞻與投資戰略規劃分析報告》認為，人臉識別技術的應用可在一定程度上加強視頻后端處理的能力，從而提高安防系統整體的運行效率。

    目前，國內已有相關公司提供視頻截圖搜索的模式，利用“以圖搜圖”的方式在大規模視頻內容中進行篩選工作。而針對安防鏈后端不足的現狀，國內上市公司中，安防領域龍頭海康威視、大華股份等也有涉及后端應用平臺軟件的研發和生產，包括三星、惠普等國際巨頭也有智能檢索等解決方案。隨著目前智慧城市推進，人臉識別技術未來市場前景看好。

    人臉識別實際應用仍存問題

    人臉識別技術在實際應用中，要注意以下幾個重要問題：

    ◇年齡變化

    不同年齡的人臉有較大的差別。身份證是以前照的，在逃犯的照片也是以前的，因此，在公安部門的實際應用中，年齡問題是一個最突出的問題。

    ◇姿態變化

    這一問題在活動人臉的識別中更為突出。一般的，主要測試左右角度的識別率。當前的水平是：±10o可以達到較高的識別率。

    ◇不同介質

    采集人臉圖像的設備較多，主要有掃描儀（照片）、數碼相機、攝像機。由于成像的機理不同，形成了同類人臉圖像的識別率較高而不同類別間人臉圖像的識別率較低的情況。隨著人臉識別技術的發展，這一問題也將逐步得到解決。

    ◇識別速度

    攝像頭模組|人臉識別攝像頭模組|寬動態攝像頭模組

    識別速度有兩種，一種是基于文件的，即把特征存成文件，在文件級進行比對。另一種是基于數據庫的，如在oracle數據庫中進行比對，在數據庫中存有詳細的人員檔案由此可以進行圖文混合查詢，而借助圖文混合查詢，可以提高查中率。基于文件的比對速度可以達到20萬人/秒;基于數據庫的，單服務器的比對速度可以達到1萬人/秒。

    這兩種方式各有特點，目前的研究是將兩者的優點結合在一起，以實現高速、高識別率的人臉識別。活動人臉的識別要求系統有較高的識別速度。其中包括人臉檢測的速度以及人臉的識別速度。在40ms內可以實現人臉檢測，在10萬人的數據庫中，2秒內完成從人臉檢測定位到人臉識別的全過程，應能滿足大多數實際應用的要求。

    信息社會，如何進行信息安全保護很重要。安防事業在信息保護上還需進一步努力。人臉識別技術是目前信息安全保護的重要科研項目。

    人臉識別技術具有廣泛的應用前景，可以應用到多種不同的安全領域，因其識別特征的獨特性、惟一性和相對穩定性，逐漸成為一非常熱門的研究課題。許多典型的人臉識別算法和應用系統都是針對標準或特定的人臉數據庫，利用庫內人臉進行訓練，并在相同的庫中實現人臉識別。但在軟件保護、計算機安全等特殊應用中，身份認證僅針對單個對象進行人臉識別，現有的人臉識別方法并不能勝任這樣的識別任務。為此，本文針對單對象人臉識別的特點，討論了單對象人臉檢測和識別的關鍵技術，在此基礎上提出了一種單對象人臉識別算法，實驗結果證明了該方法的有效性。

    1、單對象人臉識別的特點

    與典型的人臉識別相比，單對象人臉識別有以下4個方面的特點：

    應用領域人臉識別的應用領域很廣，如刑偵破案、證件核對、保安監控等，而單對象人臉識別主要應用在軟件保護、計算機安全鎖、特定對象追蹤等領域。

    識別系統的目標單對象人臉識別的最終目標是系統必須具有高度的安全性和可靠性，即識別錯誤率趨于0。雖然降低識別錯誤率的同時識別率也會降低，但可以通過提示用戶調整姿態(如注視攝像頭等)加以改善。

    膚色模型由于單對象人臉識別僅針對特定的對象，所以人臉檢測的膚色模型可采用自適應的方法調整膚色范圍。

    分類方法單對象人臉識別不存在人臉數據庫，常用的最小距離分類法不能夠正確識別特定的對象，只能用閾值作為判據。因此，閾值的選取十分重要，閾值過大則容易出現錯判，存在安全隱患;而閾值過小又會影響識別效率。

    2、人臉的檢測和歸一化

    人臉檢測是人臉識別的前提。對于給定的圖像，人臉檢測的目的在于判斷圖像中是否存在人臉，如果存在，則返回其位置和空間分布。利用人臉膚色和面部特征，將人臉檢測分為兩個階段：外臉檢測和內臉定位。外臉檢測主要利用人臉膚色進行初步的臉區檢測，分割出膚色區域;內臉檢測是在外臉區域中利用面部幾何特征進行驗證和定位。

    3.1外臉檢測

    外臉檢測的任務是將待檢圖像中可能的人臉區域找出來并加以標記，其步驟如下：

    (1)根據人類膚色在色彩空間中存在區域性的特點，將可能為人臉的像素檢測出來。為更好地利用膚色特征，同時選用HSI和YcbCr兩種色彩空間對圖像進行二值化處理，膚色范圍限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]內。將滿足條件的像素標記為膚色像素，其余的均為非膚色像素。

    (2)去噪處理。在以每一個膚色點為中心的5×5鄰域內統計膚色像素的個數，超過半數時中心點保留為膚色，否則認為是非膚色。

    (3)將二值圖像中的膚色塊作區域歸并，并對目標區域進行比例、結構分析，過濾掉不可能的人臉區域。目標區域的高度/寬度比例限定在0.8～2.0。

    3.2內臉檢測和定位

    人臉識別攝像頭模組

    將包含眼、眉、鼻和嘴的區域稱為內臉區域。內臉區域能夠很好地表達人臉特征，且不易受背景、頭發等因素的干擾，因此內臉區域的檢測和定位對后續的特征提取和識別至關重要。

    在外臉區域的上半部，對二值圖像進行水平方向和垂直方向的投影，確定兩個包含黑點的矩形區域作為雙眼的大致區域。在確定的兩個區域中，對黑點進行區域膨脹，可以得到眼睛的基本輪廓和左石眼角，黑點坐標的平均值作為瞳孔的位置。

    設左右瞳孔的坐標分別為(Lx，Ly)和(Rx，Ry)，兩個瞳孔之間的距離為d，根據人臉的幾何特征，我們將內臉區域定義為：寬度=-d×1.6，高度=-d×1.8，左上角坐標為(Lx-d×0.3，(Ly+Ry)/2-(-d)×0.3)。實驗表明，該區域能夠很好地表達人臉特征。

    3.3內臉區域的歸一化

    由于各待測圖像中的人臉大小具有很大的隨機性，因此，有必要對內臉區域進行歸一化操作。人臉歸一化是指對內臉區域的圖像進行縮放變換，得到統一大小的標準圖像，實驗中，我們規定標準圖像的大小為128×128。歸一化處理，保證了人臉大小的一致性，體現了人臉在圖像平面內的尺寸不變性。

    圖1是一個人臉檢測和歸一化的例子，其中的原始圖像來自實驗室現場拍攝。

    圖1人臉檢測和歸一化

    4、人臉特征提取及DWT-DCT平均臉

    對歸一化的人臉圖像，采用小波變換與DCT相結合的方法提取人臉特征。首先對人臉圖像進行3層小波分解，取低頻子圖像LL3作為人臉特征提取的對象，從而獲得每幅訓練樣本或測試樣本的低頻子圖像;然后對低頻子圖像進行離散余弦變換(DCT)，DCT系數個數與子圖像的大小相等(即256)，由于圖像DCT變換，能量集中在低頻部分，因此只取其中的136個低頻系數作為特征向量。人臉識別攝像頭模組

    為了使測試樣本與訓練樣本具有可比性，提取全部訓練樣本的特征向量，計算所有訓練樣本的平均特征，構成DWT-DCT平均臉，即：

    其中N為訓練樣本數，xk,i表示第i個樣本的第k個特征向量，mk為平均臉的第k個特征向量，k=1，2，…，136。

    5、人臉的識別

    完成訓練過程并獲得待測樣本的特征后，即可進行人臉識別，本文采用歐氏距離進行分類。

    5.1計算樣本與平均臉的歐氏距離

    用m和x表示平均臉和樣本的特征向量，則樣本與平均臉的歐氏距離為：

    其中mk表示平均臉的第k個特征向量，xk表示待測樣本的第k個特征向量。身份認證時，計算待測樣本與平均臉的歐氏距離，并與特定對象的自適應閾值進行比較，將小于閾值的樣本判為該對象的人臉，即認證通過。

    5.2自適應閾值的選取

    與典型的人臉識別方法不同，單對象人臉認識沒有人臉數據庫，不能用距離最小作為判據，只能用閾值作為判別依據。閾值的選取應兼顧識別率和識別的準確性，實驗中我們取訓練樣本與平均臉的歐氏距離平均值作為分類閾值，即:

    其中，N為訓練樣本數，此值不宜太小;di為第i個樣本與平均臉之間的歐氏距離。

    6、實驗結果及分析

    本文選用西安交通大學人工智能與機器人研究所東方人臉庫(AI&R)的視點子庫進行實驗，該數據庫包括每位被拍攝人在19個不同視點角度下(10°為一個單位)拍攝的中性表情圖像。實驗包括類內測試和類間測試。類內測試用于考查單對象人臉識別的識別率，而類間測試則用于考查誤識率。隨機選取5個人，每人用7幅圖像(-30°～+30°)作為訓練樣本，分別計算平均臉和自適應閾值、類內識別率和類內距離，另外再選取50個人，每人一幅正面圖像作為類間測試樣本，分別對5個對象進行類間測試，實驗結果如表1所示。從實驗數據可以得出如下結果：

    (1)類內識別率不高，原因是自適應閾值為訓練樣本與平均臉的歐氏距離平均值，訓練樣本中的部分圖像不能被識別。在實驗室中，我們通過提示被試注視攝像頭、適當調整姿態等措施提高圖像的拍攝質量，使識別率得到了顯著的改善。

    (2)在50人的類間測試中，最小距離均大于閾值，即錯誤識別率為0。實驗室的現場測試中也得到了相同的結果。

    (3)文中提出的單對象人臉識別方法能夠成功地識別特定對象，并能準確地排除其他對象，可用于軟件保護、計算機安全等系統的身份驗證。

    7、結語

    本文提出的單對象人臉識別方法，針對單對象人臉識別的特點，綜合考慮了識別率和認證的準確性，運用平均臉方法有效地縮小類內距離，同時擴大類間距離，取訓練樣本與平均臉的歐氏距離平均值作為分類閾值。實驗結果表明，該方法具有識別有效性和認證可靠性，在單對象人臉識別的實際應用中是一種可行的方法。