人臉識(shí)別領(lǐng)域技術(shù)綜述

崔茜 國家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作天津中心

1 人臉識(shí)別技術(shù)發(fā)展歷史及現(xiàn)狀

計(jì)算機(jī)人臉識(shí)別的研究可以追溯到20 世紀(jì)70 年代，但是由于當(dāng)時(shí)技術(shù)條件的限制，直到90 年代才正式發(fā)展起來。在國家的大力支持下，我國的人臉識(shí)別技術(shù)取得了很大的進(jìn)展，如清華大學(xué)、中科院自動(dòng)化所等自主研究的人臉識(shí)別技術(shù)已達(dá)到了國際先進(jìn)水平。

目前，國內(nèi)外對人臉識(shí)別領(lǐng)域技術(shù)的研究已經(jīng)基本飽和，特征空間維數(shù)災(zāi)難帶來的計(jì)算量大，存儲(chǔ)需求高和冗余數(shù)據(jù)過多導(dǎo)致耗時(shí)等問題一直難以突破。因此，人臉識(shí)別技術(shù)遇到了瓶頸。

2 人臉識(shí)別算法概述

2.1 基于幾何特征的識(shí)別方法

基于幾何特征的人臉識(shí)別方法其思想主要是根據(jù)人臉已有的特殊幾何構(gòu)造，即人的面部五官特征，按照一定的順序記錄面部特征點(diǎn)，并建立特征點(diǎn)之間的邊界連線，根據(jù)已有的先驗(yàn)知識(shí)，將提取到的人臉特征點(diǎn)與樣本特征向量進(jìn)行比對，從而得到比對結(jié)果。比較典型的算法包括AAM 和ASM。

2.2 基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法

人工神經(jīng)網(wǎng)絡(luò)是模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為的一種算法模型，其通過建立不同的隱層以及層次之間的運(yùn)算關(guān)系構(gòu)造出模擬動(dòng)物的認(rèn)知過程。將提取到的人臉圖像的特征輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，輸出匹配結(jié)果，該算法本身的難點(diǎn)和重點(diǎn)在于圖像特征的提取以及網(wǎng)絡(luò)中的層次構(gòu)建。目前比較常用的有卷積神經(jīng)網(wǎng)絡(luò)（CNN）、深度學(xué)習(xí)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。

2.3 基于特征臉的識(shí)別方法

人臉識(shí)別中還存在三大經(jīng)典算法：LDA、PCA、LBP，其中LBP考慮的是局部特征，而另兩種考慮的是全局特征。上述三種經(jīng)典的算法目前更多的是用作人臉特征提取算法，將提取到的人臉特征通過其他的識(shí)別算法進(jìn)行識(shí)別，從而達(dá)到識(shí)別的目的。

2.4 基于稀疏表示的識(shí)別方法

稀疏表示的概念來自于壓縮感知理論，其在人臉識(shí)別被廣泛應(yīng)用。采用稀疏表示的方法識(shí)別人臉圖像，其隨機(jī)提取出的特征會(huì)包含更多的信息。稀疏臉針對噪聲的魯棒性相當(dāng)強(qiáng)，即使有80%的人臉被隨機(jī)噪聲干擾，仍然能夠得到很高的識(shí)別率。另外，針對于面部有遮擋的圖像來說，稀疏表示的識(shí)別方法也能夠保持較高的識(shí)別率，這兩點(diǎn)也是任何傳統(tǒng)人臉識(shí)別方法所達(dá)不到的。

3 面臨的挑戰(zhàn)和困難

3.1 圖像采集條件

人臉識(shí)別率受到多種因素的影響，其中采集條件至關(guān)重要。例如，當(dāng)采集到的圖像受光照影響時(shí)，雨天、霧天采集到的圖像會(huì)產(chǎn)生模糊，面部遮擋或者姿勢改變等因素都會(huì)影響識(shí)別率。

針對上述問題，目前比較常見的改進(jìn)方法包括限制采集條件，增加圖像去燥等圖像預(yù)處理過程，針對未遮擋的人臉區(qū)域或特征進(jìn)行識(shí)別等。

3.2 識(shí)別算法

目前已有的具有較高識(shí)別率的算法基本都是建立在數(shù)學(xué)模型的基礎(chǔ)上，通過將二維的人臉圖像轉(zhuǎn)換為計(jì)算機(jī)能夠計(jì)算的數(shù)學(xué)矩陣的形式進(jìn)行處理。但是由于算法本身的局限性和圖像轉(zhuǎn)換過程中帶來的維數(shù)災(zāi)難，導(dǎo)致人臉識(shí)別運(yùn)算過程緩慢，處理效果不佳，因此，如何兼顧計(jì)算效率和計(jì)算準(zhǔn)確性是目前仍待解決的問題。

對于一幅N*N 的人臉圖像來說，其轉(zhuǎn)換為矩陣的列向量的形式后有N*N*1 維，若訓(xùn)練圖像有M 個(gè)，那么矩陣的向量維數(shù)為N*N*M，即圖像的維數(shù)與其圖像的大小和訓(xùn)練圖像數(shù)量有關(guān)。若再采用例如Gabor 小波等圖像處理方法提取不同尺度的人臉圖像特征，其維數(shù)將會(huì)成幾何倍數(shù)增長，由此產(chǎn)生大量的計(jì)算量。而目前通常采用主成分分析（PCA）的方法進(jìn)行降維，但是為了保證人臉的重要數(shù)據(jù)不丟失，其保留的維度也不能夠太少，因此對于計(jì)算量的改進(jìn)并無太大的效果。

3.3 人臉采集維度

目前的人臉面部特征多數(shù)是二維特征，即對圖像的處理。由于人臉本身是三維特征，其在二維空間內(nèi)會(huì)丟失掉一部分重要信息，帶來了識(shí)別效果不佳的問題。但是三維特征本身又會(huì)帶來一定的高維問題，因此，三維人臉是否能夠逐漸取代二維人臉也是需要持續(xù)關(guān)注的問題。

3.4 硬件條件局限

幾年來，雖然人臉識(shí)別率越來越高，但是卻面臨無芯片可用的困境。深度學(xué)習(xí)技術(shù)應(yīng)用到人臉識(shí)別之后，逐漸解決了算法層面識(shí)別不準(zhǔn)確的問題。但是經(jīng)過幾年的實(shí)踐后發(fā)現(xiàn)，深度學(xué)習(xí)算法的處理芯片才是目前最主要的算力問題。由于沒有專門的深度學(xué)習(xí)芯片，只能夠從已有的CPU 、GPU、DSP、FPGA 等著手，但是不論是上述哪種芯片，都無法完全支撐先進(jìn)的算法。因此，算法如何與芯片結(jié)合，從而推出符合需求的人臉識(shí)別芯片產(chǎn)品也是行業(yè)重點(diǎn)關(guān)注的方面。

4 .結(jié)語

人臉識(shí)別技術(shù)經(jīng)過多年的發(fā)展已經(jīng)成為生活中的不可或缺的一部分，其被廣泛應(yīng)用在各個(gè)領(lǐng)域，但是現(xiàn)階段的人臉識(shí)別技術(shù)仍存在一定的挑戰(zhàn)，相信會(huì)有越來越多的更新、更快、更準(zhǔn)確的識(shí)別算法和對應(yīng)的硬件逐漸被開發(fā)，使該技術(shù)更加完善。