下一個(gè)消費終端創(chuàng )新方向 人臉識別有三個(gè)關(guān)鍵技術(shù)

　　日前，2016年百度世界大會(huì )開(kāi)幕，創(chuàng )始人李彥宏在會(huì )上發(fā)表了以“人工智能”為主題的演講，并指出百度大腦的圖像識別能力非常突出，其人臉識別準確率已高達99.7%;舉世矚目的G20峰會(huì )如期舉行，人臉識別技術(shù)被應用于安防。近期人臉識別相關(guān)催化事件密集云涌引發(fā)業(yè)內普遍關(guān)注。此前小米科技宣布小米人臉檢測團隊研發(fā)的新算法在FDDB人臉檢測準確率全球排名第一，百度、騰訊、360等國內互聯(lián)網(wǎng)大公司也都建立了人臉檢測算法團隊，積極參與FDDB平臺的評測。另外，蘋(píng)果、三星、華為、Facebook、谷歌等各大終端巨頭也紛紛布局臉部識別技術(shù)?？梢灶A判，在應用場(chǎng)景不斷增加的情況下，臉部識別極有可能是下一個(gè)消費終端創(chuàng )新的大方向。

　　據了解，人臉識別是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù)。

　　一個(gè)全自動(dòng)人臉識別系統一般包括三個(gè)關(guān)鍵技術(shù)：人臉檢測、特征提取和人臉識別。

　　人臉檢測是從復雜的背景中提取我們感興趣的人臉圖像區域。臉部毛發(fā)、化妝品、光照、噪聲、面部?jì)A斜和人臉大小變化以及各種各樣遮擋等因素都會(huì )使人臉檢測問(wèn)題變得更為復雜。人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區域，從而為后續的人臉識別作準備。人臉檢測的核心技術(shù)包括如下三個(gè)方面：

　　一、基于特征的人臉檢測技術(shù)?？刹捎妙伾卣?、輪廓特征、紋理特征、結構特征、直方圖特征等進(jìn)行人臉檢測。

　　二、基于模板匹配的人臉檢測技術(shù)。事先設定好一定的候選人臉模板庫，接著(zhù)采取一定的模板匹配策略，用模板庫中的模板對圖片進(jìn)行匹配，通過(guò)相關(guān)性的高低和所匹配的模板大小確定人臉大小以及位置信息。

　　三、基于統計的人臉檢測技術(shù)。搜集大量的“人臉”和“非人臉”圖片以構成人臉正、負樣本庫，并采用統計方法進(jìn)行強化訓練，從而實(shí)現對人臉和非人臉的模式進(jìn)行檢測和分類(lèi)。比較經(jīng)典的有Adaboost方法、人工神經(jīng)網(wǎng)絡(luò )方法、支持向量機方法等。

　　特征提取主要是從人臉圖像中提取具有判別性的特征，它是人臉識別的核心部分。特征提取的優(yōu)劣會(huì )在很大程度上影響人臉識別效果，現有的方法主要包括如下四個(gè)方面：

　　幾何特征。以面部特征點(diǎn)之間的距離和比率作為特征，其識別速度快，對內存要求較小，對光照不太敏感。

　　基于模型的特征提取方法。隱馬爾科夫模型是一種常用的模型，根據不同特征狀態(tài)所具有的概率不同而提取人臉圖像特征。

　　基于統計的特征提取方法。將人臉圖像視為隨機向量，并用統計方法辨別不同人臉特征模式，比較典型的有特征臉、獨立成分分析、奇異值分解等。

　　基于神經(jīng)網(wǎng)絡(luò )的特征提取方法。利用大量神經(jīng)單元對人臉圖像特征進(jìn)行聯(lián)想存儲和記憶，根據不同神經(jīng)單元狀態(tài)的概率實(shí)現對人臉圖像準確識別。

　　人臉識別是根據所提取的人臉圖像特征采用相關(guān)識別算法進(jìn)行人臉確認或辨別。即將已檢測到的待識別人臉與數據庫中已知人臉進(jìn)行比較匹配，得出相關(guān)信息，該過(guò)程的關(guān)鍵是選擇適當的人臉表征方式與匹配策略，系統的構造與人臉的表征方式密切相關(guān)。一般根據所提特征而選擇不同識別算法進(jìn)行度量，常用的包括距離度量、支持向量機、神經(jīng)網(wǎng)絡(luò )、k均值聚類(lèi)等。

　　人臉識別避免了指紋磨損，或水漬、油漬等影響指紋識別精度同時(shí)對設備造成損耗的直接接觸方式，且在識別方式上與人類(lèi)識別同類(lèi)個(gè)體方式相同。人臉識別從去年開(kāi)始廣泛應用，金融相關(guān)安全領(lǐng)域是滲透最快的，這點(diǎn)和指紋識別相似。伴隨互聯(lián)網(wǎng)金融的發(fā)展，臉部識別會(huì )成為“基建”需求。