下一個消費終端創(chuàng)新方向 人臉識別有三個關鍵技術

　　日前，2016年百度世界大會開幕，創(chuàng)始人李彥宏在會上發(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峰會如期舉行，人臉識別技術被應用于安防。近期人臉識別相關催化事件密集云涌引發(fā)業(yè)內普遍關注。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等國內互聯網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。可以預判，在應用場景不斷增加的情況下，臉部識別極有可能是下一個消費終端創(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行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術。

　　一個全自動人臉識別系統(tǒng)一般包括三個關鍵技術：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(qū)域。臉部毛發(fā)、化妝品、光照、噪聲、面部傾斜和人臉大小變化以及各種各樣遮擋等因素都會使人臉檢測問題變得更為復雜。人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區(qū)域，從而為后續(xù)的人臉識別作準備。人臉檢測的核心技術包括如下三個方面：

　　一、基于特征的人臉檢測技術。可采用顏色特征、輪廓特征、紋理特征、結構特征、直方圖特征等進行人臉檢測。

　　二、基于模板匹配的人臉檢測技術。事先設定好一定的候選人臉模板庫，接著采取一定的模板匹配策略，用模板庫中的模板對圖片進行匹配，通過相關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(tǒng)計的人臉檢測技術。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(tǒng)計方法進行強化訓練，從而實現對人臉和非人臉的模式進行檢測和分類。比較經典的有Adaboost方法、人工神經網絡方法、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方面：

　　幾何特征。以面部特征點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(tǒng)計的特征提取方法。將人臉圖像視為隨機向量，并用統(tǒng)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。

　　基于神經網絡的特征提取方法。利用大量神經單元對人臉圖像特征進行聯想存儲和記憶，根據不同神經單元狀態(tài)的概率實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識別算法進行人臉確認或辨別。即將已檢測到的待識別人臉與數據庫中已知人臉進行比較匹配，得出相關信息，該過程的關鍵是選擇適當的人臉表征方式與匹配策略，系統(tǒng)的構造與人臉的表征方式密切相關。一般根據所提特征而選擇不同識別算法進行度量，常用的包括距離度量、支持向量機、神經網絡、k均值聚類等。

　　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對設備造成損耗的直接接觸方式，且在識別方式上與人類識別同類個體方式相同。人臉識別從去年開始廣泛應用，金融相關安全領域是滲透最快的，這點和指紋識別相似。伴隨互聯網金融的發(fā)展，臉部識別會成為“基建”需求。