下一个消费终端创新方向 人脸识别有三个关键技术

　　日前，2016年百度世界大会开幕，创始人李彦宏在会上发表了以“人工智能”为主题的演讲，并指出百度大脑的图像识别能力非常突出，其人脸识别准确率已高达99.7%;举世瞩目的G20峰会如期举行，人脸识别技术被应用于安防。近期人脸识别相关催化事件密集云涌引发业内普遍关注。此前小米科技宣布小米人脸检测团队研发的新算法在FDDB人脸检测准确率全球排名第一，百度、腾讯、360等国内互联网大公司也都建立了人脸检测算法团队，积极参与FDDB平台的评测。另外，苹果、三星、华为、Facebook、谷歌等各大终端巨头也纷纷布局脸部识别技术。可以预判，在应用场景不断增加的情况下，脸部识别极有可能是下一个消费终端创新的大方向。

　　据了解，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。

　　一个全自动人脸识别系统一般包括三个关键技术：人脸检测、特征提取和人脸识别。

　　人脸检测是从复杂的背景中提取我们感兴趣的人脸图像区域。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各样遮挡等因素都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像上寻找人脸区域，从而为后续的人脸识别作准备。人脸检测的核心技术包括如下三个方面：

　　一、基于特征的人脸检测技术。可采用颜色特征、轮廓特征、纹理特征、结构特征、直方图特征等进行人脸检测。

　　二、基于模板匹配的人脸检测技术。事先设定好一定的候选人脸模板库，接着采取一定的模板匹配策略，用模板库中的模板对图片进行匹配，通过相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。

　　三、基于统计的人脸检测技术。搜集大量的“人脸”和“非人脸”图片以构成人脸正、负样本库，并采用统计方法进行强化训练，从而实现对人脸和非人脸的模式进行检测和分类。比较经典的有Adaboost方法、人工神经网络方法、支持向量机方法等。

　　特征提取主要是从人脸图像中提取具有判别性的特征，它是人脸识别的核心部分。特征提取的优劣会在很大程度上影响人脸识别效果，现有的方法主要包括如下四个方面：

　　几何特征。以面部特征点之间的距离和比率作为特征，其识别速度快，对内存要求较小，对光照不太敏感。

　　基于模型的特征提取方法。隐马尔科夫模型是一种常用的模型，根据不同特征状态所具有的概率不同而提取人脸图像特征。

　　基于统计的特征提取方法。将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式，比较典型的有特征脸、独立成分分析、奇异值分解等。

　　基于神经网络的特征提取方法。利用大量神经单元对人脸图像特征进行联想存储和记忆，根据不同神经单元状态的概率实现对人脸图像准确识别。

　　人脸识别是根据所提取的人脸图像特征采用相关识别算法进行人脸确认或辨别。即将已检测到的待识别人脸与数据库中已知人脸进行比较匹配，得出相关信息，该过程的关键是选择适当的人脸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。一般根据所提特征而选择不同识别算法进行度量，常用的包括距离度量、支持向量机、神经网络、k均值聚类等。

　　人脸识别避免了指纹磨损，或水渍、油渍等影响指纹识别精度同时对设备造成损耗的直接接触方式，且在识别方式上与人类识别同类个体方式相同。人脸识别从去年开始广泛应用，金融相关安全领域是渗透最快的，这点和指纹识别相似。伴随互联网金融的发展，脸部识别会成为“基建”需求。