人臉識(shí)別技術(shù)在公安業(yè)務(wù)中的應(yīng)用

宋　睿

(中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135)

0　引　言

隨著城市化建設(shè)步伐的加快，城市中外來(lái)人口大量涌入，流動(dòng)人口的特性使城市人口的管理難度大幅提升。目前，各地市基本已建有大量的視頻監(jiān)控系統(tǒng)，但通過監(jiān)控系統(tǒng)操作人員進(jìn)行肉眼檢索，難以在海量數(shù)據(jù)中迅速、高效地查詢到有價(jià)值的相關(guān)信息。因此，需對(duì)管理理念與技術(shù)手段進(jìn)行創(chuàng)新，智能、高效及快速地實(shí)現(xiàn)人員相關(guān)信息的采集、捕捉與處理。

生物識(shí)別一直是市場(chǎng)上受關(guān)注的焦點(diǎn)技術(shù)，一直保持著較快的發(fā)展速度。人體生物特征具有唯一性、穩(wěn)定性、可識(shí)別性及不可復(fù)制等顯著特點(diǎn)，用于人員身份識(shí)別具有更高的安全性。人臉識(shí)別技術(shù)作為生物識(shí)別技術(shù)的一種，由于其非接觸性采集的特點(diǎn)和良好的用戶接受度，在公共安全領(lǐng)域中得到廣泛的關(guān)注。

伴隨人臉識(shí)別技術(shù)的深度學(xué)習(xí)算法、計(jì)算機(jī)視覺等技術(shù)的發(fā)展也不斷取得進(jìn)步，動(dòng)態(tài)實(shí)時(shí)人臉采集和匹配識(shí)別的準(zhǔn)確性也越來(lái)越高，人臉識(shí)別的準(zhǔn)確率也已基本達(dá)到實(shí)用程度。同時(shí)，一些城市視頻監(jiān)控規(guī)模不斷擴(kuò)大、技術(shù)不斷完善(如上海市共有公共安全視頻監(jiān)控探頭已超過10萬(wàn)個(gè)，高清監(jiān)控?cái)z像機(jī)逐漸取代傳統(tǒng)模擬攝像機(jī))為人臉識(shí)別系統(tǒng)提供大量的數(shù)據(jù)采集來(lái)源，使得人臉識(shí)別技術(shù)在公安信息化工作建設(shè)中得到更廣泛地應(yīng)用。

這里主要介紹人臉識(shí)別技術(shù)基本原理、發(fā)展歷程、在公安業(yè)務(wù)領(lǐng)域的應(yīng)用及對(duì)人臉識(shí)別技術(shù)應(yīng)用未來(lái)的展望。

1　人臉識(shí)別技術(shù)簡(jiǎn)介

人臉識(shí)別技是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種識(shí)別技術(shù)。采用傳統(tǒng)高清探頭采集含圖像或視頻流中的人臉，并進(jìn)行尋跡與檢測(cè)，再進(jìn)行一系列相關(guān)人工智能技術(shù)識(shí)別的一種典型應(yīng)用。

1.1　人臉識(shí)別算法的改進(jìn)

人工智能的發(fā)展過程中，分別經(jīng)歷了模式識(shí)別、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等4個(gè)階段。2012年后，人臉識(shí)別領(lǐng)域利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了突破，人臉識(shí)別算法已滿足基本實(shí)用要求的程度。

人臉的機(jī)器識(shí)別研究開始于20世紀(jì)70年代，識(shí)別算法不斷改進(jìn)和發(fā)展，從早期的人臉灰度圖模型、多維特征矢量表示人臉面部特征，到20世紀(jì)90年代后的基于幾何特征的人臉識(shí)別方法、基于統(tǒng)計(jì)的識(shí)別方法、基于相關(guān)匹配的方法及基于神經(jīng)網(wǎng)絡(luò)方法、三維模型的方法等[1-3]。人臉識(shí)別技術(shù)研究人員對(duì)上述算法不斷改進(jìn)處理流程、對(duì)描述進(jìn)行優(yōu)化，提取更有效的特征，使人臉識(shí)別準(zhǔn)確度得到大幅提高。然而在深度學(xué)習(xí)誕生前，“淺”人臉識(shí)別時(shí)代的各種算法，遠(yuǎn)比不上人類本身所具有的人臉識(shí)別能力。

2012年前后，深度學(xué)習(xí)技術(shù)在整個(gè)機(jī)器視覺領(lǐng)域應(yīng)用范圍不斷擴(kuò)大，人臉識(shí)別正式邁向了的“深”時(shí)代，人臉識(shí)別的準(zhǔn)確率逐漸達(dá)到實(shí)用程度，眾多廠商推出了相關(guān)產(chǎn)品，人臉識(shí)別成為了視頻監(jiān)控行業(yè)內(nèi)的熱點(diǎn)技術(shù)方向，在公安、金融及教育等領(lǐng)域均取得廣泛的應(yīng)用。

1.2　深度學(xué)習(xí)算法

深度學(xué)習(xí)的概念由HINTON[4]等于2006年提出，從人工神經(jīng)網(wǎng)絡(luò)的研究中延伸而來(lái)，典型結(jié)構(gòu)是含多隱層的多層感知器。深度學(xué)習(xí)通過組合低層特征向高層表示屬性類別或特征進(jìn)行一步步的抽象，以發(fā)現(xiàn)目標(biāo)數(shù)據(jù)的分布式特征表示。

2012年，深度學(xué)習(xí)技術(shù)進(jìn)一步在圖像識(shí)別領(lǐng)域得到廣泛應(yīng)用[5]?；谏疃葘W(xué)習(xí)的圖像識(shí)別比傳統(tǒng)識(shí)別算法的準(zhǔn)確度有著顯著的提高，充分證明多層神經(jīng)網(wǎng)絡(luò)識(shí)別效果的優(yōu)越性。

深度神經(jīng)網(wǎng)絡(luò)分為很多種，目前應(yīng)用最成功的包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)[6]，雖然二者都是在比較早期的時(shí)候就提出的理論，但近幾年來(lái)，隨著計(jì)算能力的提升和計(jì)算成本的下降，它們才開始被廣泛應(yīng)用于商業(yè)領(lǐng)域。蘋果、谷歌、微軟、Facebook及亞馬遜等巨頭都在使用，上述算法廣泛應(yīng)用于機(jī)器人控制、圖像分析、文檔總結(jié)、視頻識(shí)別、手寫識(shí)別、聊天機(jī)器人、智能助手、推薦系統(tǒng)、預(yù)測(cè)疾病和股票市場(chǎng)等領(lǐng)域[7]。

1.3　深度學(xué)習(xí)在人臉識(shí)別技術(shù)中的應(yīng)用

人臉識(shí)別技術(shù)整個(gè)流程(見圖1)，主要包括人臉檢測(cè)、特征點(diǎn)定位及最后的人臉比對(duì)識(shí)別。人臉檢測(cè)過程即在圖像中找出是否具有人臉，進(jìn)行定位跟蹤；臉特征點(diǎn)定位即識(shí)別出人臉中主要器官的位置，比如眼睛鼻子等；人臉比對(duì)識(shí)別即最后用所識(shí)別的人臉與人臉庫(kù)中的進(jìn)行匹配，進(jìn)行身份識(shí)別。

圖1　人臉識(shí)別流程說明

人臉檢測(cè)、特征點(diǎn)定位和人臉識(shí)別這3個(gè)過程的研究在深度學(xué)習(xí)技術(shù)出現(xiàn)之前并不是統(tǒng)一的。從20世紀(jì)90年代到2010年，隨著技術(shù)不斷深入，科學(xué)工作者對(duì)每個(gè)子過程都發(fā)現(xiàn)一些效果良好的實(shí)現(xiàn)算法。但由于研究者需根據(jù)每個(gè)子過程本身的特點(diǎn)設(shè)計(jì)不同的特征選擇不同算法，因此整體人臉識(shí)別效率受到子過程不同算法的制約，達(dá)到人臉識(shí)別準(zhǔn)確率的瓶頸。

2012年，深度學(xué)習(xí)技術(shù)在機(jī)器視覺領(lǐng)域受到廣泛的應(yīng)用，人臉識(shí)別正式邁進(jìn)“深”時(shí)代。短短幾年，人臉識(shí)別的3個(gè)子過程中運(yùn)用基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法均刷新人工智能算法以前的記錄。深度學(xué)習(xí)技術(shù)曾經(jīng)紛繁多樣的技術(shù)和方法被迅速淘汰。研究人員不需在每一個(gè)人臉識(shí)別子過程中進(jìn)行針對(duì)性的特征判別方法研究，深度學(xué)習(xí)算法可自動(dòng)學(xué)習(xí)對(duì)特定任務(wù)最有用的特征，研究人員時(shí)工作重點(diǎn)轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)算法模型優(yōu)化。

隨著深度學(xué)習(xí)火熱和在人臉識(shí)別上的成功應(yīng)用，各人臉識(shí)別廠商在國(guó)際權(quán)威人臉識(shí)別公開測(cè)試集(Labeled Face in the Wild，LFW)數(shù)據(jù)庫(kù)上獲得很好的測(cè)試結(jié)果。在2014年，F(xiàn)acebook利用DeepFace的深度學(xué)習(xí)算法，在該數(shù)據(jù)庫(kù)上的測(cè)試結(jié)果顯示該深度學(xué)習(xí)算已經(jīng)超過人類肉眼人臉識(shí)別準(zhǔn)確度。目前幾大開源深度學(xué)習(xí)項(xiàng)目(例如CAFFE，TORCH, TensorFlow)進(jìn)一步發(fā)展，深度學(xué)習(xí)算法真正在人臉識(shí)別領(lǐng)域獲得廣泛應(yīng)用，不久之后很多其他研究部門的基于深度學(xué)習(xí)的方法在LFW數(shù)據(jù)庫(kù)上均超過人類肉眼人臉識(shí)別準(zhǔn)確度。

2　公安業(yè)務(wù)中的人臉識(shí)別系統(tǒng)簡(jiǎn)介

各廠商在公安業(yè)務(wù)中的人臉識(shí)別系統(tǒng)架構(gòu)大多相似，系統(tǒng)架構(gòu)見圖2。

圖2　系統(tǒng)構(gòu)架

系統(tǒng)平臺(tái)由前端接入終端、網(wǎng)絡(luò)傳輸、后端處理服務(wù)和業(yè)務(wù)應(yīng)用等部分組成。

前端接入主要是實(shí)現(xiàn)各種形式前端的接入，包括新建人臉識(shí)別的前端、原有高清監(jiān)控前端等設(shè)備，通過這些設(shè)備提供人臉采集信息，提供數(shù)據(jù)資源。

信號(hào)傳輸即實(shí)現(xiàn)視頻或圖片的數(shù)據(jù)傳輸。

后端處理即分析系統(tǒng)中用于計(jì)算、分析、存儲(chǔ)的設(shè)備、數(shù)據(jù)庫(kù)和服務(wù)軟件。數(shù)據(jù)庫(kù)包括布控庫(kù)、靜態(tài)檢索庫(kù)、歷史通過人員日志人臉信息庫(kù)及系統(tǒng)基礎(chǔ)信息等。后端處理系統(tǒng)實(shí)現(xiàn)對(duì)端采集的視頻信息分析、人臉采集、特征提取和人臉比對(duì)報(bào)警等功能。

應(yīng)用系統(tǒng)即人臉識(shí)別系統(tǒng)后端展示界面，人臉查詢、人臉比對(duì)各類應(yīng)用的交互界面。

2.1　處理流程

人員信息采集處理流程是系統(tǒng)人員處理的主流程見圖3。

圖3　人臉識(shí)別處理流程

2.1.1人臉檢測(cè)

人臉檢測(cè)負(fù)責(zé)在圖像中查詢?nèi)四?。若檢測(cè)出人臉，將定位人臉圖片坐標(biāo)及大小等相關(guān)信息。人臉跟蹤負(fù)責(zé)檢測(cè)到人臉位置、對(duì)坐標(biāo)進(jìn)行實(shí)時(shí)跟蹤。

2.1.2特征提取

通過特征提取算法，可定位人臉圖像中顯著特征點(diǎn)的位置(如眼睛、眉毛、鼻子及嘴巴等)，并獲取這些器官或輪廓的相關(guān)描述信息再通過某些運(yùn)算得到人臉特征的描述。

2.1.3比對(duì)識(shí)別

即窄意上的人臉識(shí)別(Face Identification)，通過前端采集的人臉圖像與人臉庫(kù)中所有已知身份信息的人臉圖像進(jìn)行相似度檢測(cè)，以確認(rèn)被監(jiān)測(cè)人臉身份信息對(duì)應(yīng)。

2.1.4報(bào)警處理

即布控人員聯(lián)動(dòng)報(bào)警。系統(tǒng)根據(jù)人臉庫(kù)的性質(zhì)和比對(duì)結(jié)果，觸發(fā)實(shí)時(shí)布控報(bào)警信息，并將相關(guān)比對(duì)結(jié)果進(jìn)行展示，報(bào)警信息包含多個(gè)備選條件，便于用戶進(jìn)行報(bào)警判斷。

2.2　人臉業(yè)務(wù)庫(kù)

人臉識(shí)別系統(tǒng)中的人臉庫(kù)主要有3種類型，包括動(dòng)態(tài)布控庫(kù)、靜態(tài)檢索庫(kù)及人臉日志庫(kù)(見圖4)。

圖4　人臉庫(kù)構(gòu)成示意

2.2.1動(dòng)態(tài)布控庫(kù)

動(dòng)態(tài)布控庫(kù)結(jié)合實(shí)時(shí)布控任務(wù)，又稱“黑名單庫(kù)”。庫(kù)中包含主要信息有 “布控人員”的人臉圖片、身份信息和結(jié)構(gòu)化的人臉特征數(shù)據(jù)，用于在布控位置進(jìn)行人臉比對(duì)和報(bào)警。

2.2.2靜態(tài)檢索庫(kù)

靜態(tài)檢索庫(kù)包括海量人臉圖片、身份信息和結(jié)構(gòu)化的人臉特征數(shù)據(jù)，一般是某地區(qū)的常住人口信息庫(kù)及暫住人口信息庫(kù)等，用于圖片檢索比對(duì)和身份信息查詢，以確定身份。

2.2.3人臉日志庫(kù)

人臉日志庫(kù)包括動(dòng)態(tài)布控中獲取的大場(chǎng)景抓拍圖片、人臉圖片和結(jié)構(gòu)化的人臉特征數(shù)據(jù)、抓拍時(shí)間、抓拍地點(diǎn)等信息。用于人臉圖片檢索，查詢布控人員出沒地點(diǎn)、時(shí)間及坐標(biāo)，在GIS地圖上進(jìn)行路徑分析等。

2.3　系統(tǒng)功能

圖5　系統(tǒng)功能

2.3.1實(shí)時(shí)布控

利用已建或新建的高清的治安探頭，系統(tǒng)可自動(dòng)獲取監(jiān)控視頻中的人臉照片或接收人臉抓拍治安探頭回傳的圖片，獲取每個(gè)出入口通道、公共場(chǎng)所通道及重點(diǎn)區(qū)域等人員的面貌信息，并利用人臉識(shí)別技術(shù)進(jìn)行實(shí)時(shí)比對(duì)和識(shí)別，一旦發(fā)現(xiàn)特征符合的人員后即可發(fā)出警報(bào)信號(hào)通知公安民警。

2.3.2報(bào)警管理

報(bào)警管理頁(yè)面顯示歷史報(bào)警信息，基于監(jiān)控捕獲的人員照片，根據(jù)監(jiān)測(cè)攝像機(jī)位置、照片屬性信息及抓拍時(shí)間等信息，提供歷史人臉識(shí)別信息的檢索與定位查看功能，支持按時(shí)間、攝像機(jī)、狀態(tài)、比分、所在庫(kù)、布控人員及身份證號(hào)的條件多級(jí)篩選。

2.3.3軌跡分析

基于動(dòng)態(tài)人臉布控采集所得的人臉照片，構(gòu)成歷史通行人員的人臉庫(kù)，可記錄歷史通行人員出現(xiàn)的時(shí)間、地點(diǎn)及當(dāng)時(shí)的環(huán)境背景情況。

2.3.4靜態(tài)檢索

1:1核驗(yàn)即提供2張以上照片的相似度分析識(shí)別能力，通過對(duì)2張人臉照片進(jìn)行比對(duì)，判斷是否2張人臉照片為同一人。

1:N檢索即可選擇目標(biāo)人臉庫(kù)進(jìn)行人臉照片檢索，檢索結(jié)果按照相似度排序，并可查看檢索人臉的詳細(xì)信息。

身份證檢索即可根據(jù)通過身份證號(hào)檢索出的照片與輸入照片進(jìn)行比對(duì)，用于核實(shí)人員身份。

M:N碰撞即可選擇各類人臉大庫(kù)進(jìn)行碰撞比對(duì)，比對(duì)結(jié)果按照相似度排序，并可查看檢索人臉的詳細(xì)信息。

3　行業(yè)市場(chǎng)動(dòng)態(tài)

由于深度學(xué)習(xí)技術(shù)具有廣泛適用性與巨大的潛力，國(guó)際互聯(lián)網(wǎng)巨頭如Google，F(xiàn)acebook及Microsoft均第一時(shí)間進(jìn)行資源投入，國(guó)內(nèi)互聯(lián)網(wǎng)領(lǐng)袖BAT等3家企業(yè)也不惜資源進(jìn)行技術(shù)儲(chǔ)備，目前我國(guó)在人臉識(shí)別領(lǐng)域處于第一梯隊(duì)，根據(jù)專利數(shù)量總和來(lái)看，我國(guó)人臉識(shí)別公開專利已達(dá)4 000多項(xiàng)，與其他國(guó)家和地區(qū)相比具有顯著優(yōu)勢(shì)，處于全球領(lǐng)先地位。

在人臉識(shí)別領(lǐng)域?qū)W術(shù)界一些知名技術(shù)團(tuán)隊(duì)包括清華大學(xué)的蘇光大教授團(tuán)隊(duì)、中科院的自動(dòng)化所的李子青教授團(tuán)隊(duì)、香港中文大學(xué)的湯曉鷗教授的團(tuán)隊(duì)等，均取得了杰出的成果。

在人臉識(shí)別領(lǐng)域，眾多公司紛紛推出相關(guān)產(chǎn)品，除?？低?、大華股份等安防廠商，漢王等傳統(tǒng)圖像識(shí)別公司，騰訊百度阿里巴巴互聯(lián)網(wǎng)巨頭，還涌現(xiàn)許多專注于人臉識(shí)別技術(shù)的創(chuàng)業(yè)公司，包括Face++、商湯科技、知圖、Linkface、優(yōu)圖、格靈深瞳、深醒科技、中科奧森等。

人臉識(shí)別行業(yè)發(fā)展前景樂觀，具有以下趨勢(shì)。

3.1　市場(chǎng)規(guī)模進(jìn)一步擴(kuò)大

根據(jù)《2015全球安防設(shè)備市場(chǎng)報(bào)告》， 2012年到2015年，我國(guó)人臉識(shí)別市場(chǎng)規(guī)模從的16.7億元攀升至75億元。經(jīng)過統(tǒng)計(jì)在各個(gè)應(yīng)用領(lǐng)域中市場(chǎng)規(guī)模，公安領(lǐng)域16億以上、交通領(lǐng)域?yàn)?0億以上、教育領(lǐng)域百億級(jí)別、金融領(lǐng)域百億級(jí)別，安防硬件存量市場(chǎng)除開，整體市場(chǎng)規(guī)模就達(dá)到數(shù)百億。

3.2　政策支持力度不斷加強(qiáng)

2015年以來(lái)，國(guó)家密集出臺(tái)了各項(xiàng)等法律法規(guī)和相關(guān)技術(shù)標(biāo)準(zhǔn)，為人臉識(shí)別在金融、安防及醫(yī)療等領(lǐng)域的普及提供了有力支撐，掃清了政策障礙。2017國(guó)家政府報(bào)告中首次加入人工智能內(nèi)容，人臉識(shí)別技術(shù)作為人工智能領(lǐng)域中的重要應(yīng)用，相關(guān)政策支持力度將不斷增強(qiáng)。

3.3　市場(chǎng)規(guī)模

在市場(chǎng)規(guī)模保持快速增長(zhǎng)，政策支持力度明顯加大的背景下，資金迅速集中于人臉識(shí)別領(lǐng)域，市場(chǎng)規(guī)模不斷擴(kuò)大。

3.4　多方參與，競(jìng)爭(zhēng)白熱化

各方資本迅速進(jìn)入人臉識(shí)別市場(chǎng)進(jìn)行布局，導(dǎo)致目前還處于互相競(jìng)爭(zhēng)、共同開發(fā)的階段，尚未形成幾家獨(dú)大的局面。審視人臉識(shí)別技術(shù)整個(gè)發(fā)展歷程，可推斷當(dāng)前技術(shù)壁壘逐漸降低，使得落地項(xiàng)目多集中在政府及火車站等，資金、渠道顯得愈發(fā)重要。

4　未來(lái)展望

經(jīng)過多年的研究與發(fā)展，人臉識(shí)別技術(shù)已具備實(shí)用性，在現(xiàn)實(shí)場(chǎng)景中也得到了比較廣泛的應(yīng)用，國(guó)內(nèi)主流人臉識(shí)別企業(yè)與一流學(xué)術(shù)研發(fā)團(tuán)隊(duì)均在LFW，MegaFace，F(xiàn)DDB中取得過優(yōu)異的成績(jī)，國(guó)內(nèi)企業(yè)的人臉檢測(cè)算法已達(dá)到世界頂級(jí)水平。

據(jù)以上分析，目前在公安業(yè)務(wù)中，人臉應(yīng)用將聚焦在以下幾個(gè)方面：

1) 街面治安類案事件。通過人臉系統(tǒng)提供實(shí)時(shí)報(bào)警并指導(dǎo)一線警員針對(duì)街面治安類案件進(jìn)行及時(shí)布控和抓捕。

2) 情報(bào)預(yù)警。通過人臉系統(tǒng)捕獲各類公安情報(bào)線索中的嫌疑對(duì)象，進(jìn)行軌跡分析和落腳點(diǎn)查詢。

3) 人口管理。通過人臉系統(tǒng)在各建筑物出入口的建設(shè)，實(shí)現(xiàn)對(duì)建筑物內(nèi)實(shí)有人口的排摸，充分掌握建筑實(shí)有人口信息，并進(jìn)行有針對(duì)性的管理。

4) 重點(diǎn)人員管控排查。通過人臉系統(tǒng)對(duì)各類在逃人員和重點(diǎn)關(guān)注人員進(jìn)行實(shí)時(shí)比對(duì)和報(bào)警推送，便于公安機(jī)關(guān)及時(shí)發(fā)現(xiàn)及掌握重點(diǎn)人員的活動(dòng)情況。

在實(shí)際應(yīng)用中人臉檢測(cè)問題還并沒有被完全解決，某研究機(jī)構(gòu)做過一項(xiàng)測(cè)試，其開發(fā)的算法曾在LFW數(shù)據(jù)集上達(dá)到極高的準(zhǔn)確率，但是在一個(gè)真實(shí)的公安安防認(rèn)證應(yīng)用中，由于實(shí)際情況相對(duì)于實(shí)驗(yàn)室環(huán)境的復(fù)雜性與多變性，使得準(zhǔn)確率將降低至66%，在滿足公安實(shí)戰(zhàn)應(yīng)用需求上尚有欠缺。

復(fù)雜多樣的人臉姿態(tài)、遮擋情況、光照條件、不同的分辨率、清晰度、膚色差及千萬(wàn)級(jí)甚至億級(jí)的人臉檢索任務(wù)，各種內(nèi)外因素的共同作用阻礙了人臉識(shí)別在現(xiàn)實(shí)生活中更加廣泛的應(yīng)用。未來(lái)研究中，隨著科技的不斷進(jìn)步發(fā)展，模型對(duì)現(xiàn)場(chǎng)復(fù)雜環(huán)境的適應(yīng)能力的不斷提高，機(jī)器人臉識(shí)別技術(shù)將達(dá)到甚至超越人類識(shí)別的精確度。

參考文獻(xiàn)：

[1]HADDADNIA J，AHMADI M，F(xiàn)AEZ K A Hybrid Learning RBF Neural Network for Human Face Recognition with Pseudo Zernike Moment Invariant [C]//International Joint Conference on Neural Networks. IEEE, 2002: 11-16.

[2]梁路宏, 艾海舟, 徐光祐,等,人臉檢測(cè)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2002, 25(5):449-458.

[3]SAMARIA F S, HARTER A C., Parameterisation of a Stochastic Model for Human Face Identification[C]// Applications of Computer Vision, IEEE Xplore, 1994:138-142.

[4]HINTON G E,OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural computation, 2014, 18(7):1527-1554.

[5]JONES M J, VIOLA P. Robust Real-Time Ojbect Detection[J]. International Journal of Computer Vision, 2001, 57(2): 87.

[6]CHENG Y, LIU K，YANG J，et al. Human Face Recognition Method Based on the Statistical Model of Small Sample size[J]. Proceedings of SPIE-The International Society for Optical Engineering, 1992(6): 85-95.

[7]李武軍, 王崇駿, 張煒，等.人臉識(shí)別研究綜述[J]. 模式識(shí)別與人工智能, 2006, 19(1):58-66.