【论文精粹】浅析人脸识别的现状与未来

一、人脸识别技术识别率99%以上

近年来，安防行业掀起了一波人脸识别的热潮，众多厂商纷纷推出了相关产品，一时间，人脸识别成为了行业内的热点技术方向。据笔者统计，在2014年的中国国际社会公共安全博览会上，至少有20家企业展示了自己的人脸识别产品。其中既有大华股份、海康威视这样的大安防厂商，也有汉王、银晨这样的智能化厂商。同时，众多媒体也接连报道了人脸识别技术在学术界和工业界取得的巨大成果：比如今年，腾讯在LFW人脸识别数据集上取得了99.65%的识别率，刷新了年初谷歌的记录;阿里巴巴集团执行主席马云在德国展会上演示了人脸识别与支付宝的结合应用，“刷脸支付”将走向生活。这些振奋人心的消息似乎在清楚地告诉我们，人脸识别已经从“梦想”照进“现实”。

本文将从人脸识别技术原理、应用、未来趋势等方面介绍人脸识别的现状与未来。无意去泼冷水也无意去注射“强心剂”，希望大家能理性地看待这项技术，营造一个良好的、规范的行业环境。

厂商/机构

算法名称

识别率

腾讯

TENCENT-BESTIMAGE

0.9965±0.0025

谷歌

FACENET

0.9963±0.0009

香港中文大学

DEEPID3

0.9953±0.0010

北京旷视科技

FACE++

0.9950±0.0036

表1： 在LFW无约束、有标注的室外照片集上的照片人脸识别率结果

二、人脸识别技术结合人工确认，应用将更加妥当

1. 人脸识别应用广泛

人脸识别的应用范围很广，从门禁、设备登录到机场、公共区域的监控。表2给出了一些人脸识别的应用领域。

类别

应用领域

人脸验证

驾照、签证、身份证、护照、投票选举等

接入控制

设备存取、车辆访问、智能ATM、电脑接入、程序接入、网络接入等

安全

反恐报警、登机、体育场观众扫描、计算机安全、网络安全等

监控

公园监控、街道监控、电网监控、入口监控等

智能卡

用户验证等

执法

嫌疑犯识别、欺骗识别等

人脸数据库

人脸检索、人脸标记、人脸分类等

多媒体管理

人脸搜索、人脸视频分割和拼接等

人机交互

交互式游戏、主动计算等

其他

人脸重建、低比特率图片和视频传输等

表2：人脸识别的应用领域

以公安应用为例，利用人脸检索系统，将目标人脸输入到系统中，系统将自动在海量人口数据库中进行查找比对，列出前若干名相似的人员信息。然后再通过人工干预的方式，对系统结果进行筛选，得到目标的真实身份。公安行业还有一类比较重要的应用：人员布控——在一些重要的通道出入口，部署高清探头，专门用于抓拍经过的人脸并传送给后端系统，后端系统将人脸图片与所关注的人脸库(如在逃嫌疑犯等)进行逐一比对，当发现有目标与库中人员相似度超过设定阈值时，系统自动提示相关人员采取措施。

2. 人脸识别技术结合人工确认，应用将更加妥当

虽然人脸识别技术功用巨大，但在实际应用中，我们往往会遇到很多问题。人脸图像质量对识别率的影响较高，图像质量差，辨识度低，有效特征很少，有时即使用肉眼也很难确认身份。图像质量又受多种因素影响，如光照、姿态、表情、人脸尺寸、清晰度等。图3是同一个人在不同光照下的图片，很直观地可以看出，即使是同一个人，在不同光照下用肉眼也很难辨别。所以说，目前的人脸识别系统只能在一些较规范的环境下进行，光线均匀，人脸需要正对着摄像机，并保证人脸在画面中有一定的像素宽度。但是在实际的安防监控场合中，这些限制条件很难一一满足。

图2 同一个人在不同光照下的图片

第二个问题是随着人脸数据库规模的不断扩大，识别率也会随之下降。传统的人脸识别算法在训练阶段能够利用的数据样本有限，训练出来的算法模型并没有特别好的泛化能力。特别是在百万、千万级的人脸检索任务中，结果并不理想。所以，控制数据库规模可以直接影响应用的识别结果。例如，前文表1中的某家企业曾做过一项有趣的测试，其开发的Face++算法曾在LFW数据集上达到99.5%的准确率，但是在一个真实的安防认证应用中，他们发现，处理真实场景的人脸识别时，机器与人还存在非常明显的差距。他们在一个百万级的中国人群测试集上进行测试，当错误接受率(FAR)设定在1e-5时，识别准确率仅为66%，这样的性能显然无法满足安防认证应用的需求。而对其中错判的样例进行人工测试识别时发现，90%的错判结果都可以被人准确判断。也许换一种思路，将机器识别和人工确认相结合，对于现在的许多应用来说更加妥当。

3.行业标准也在日益完善

为了规范行业应用，国家和行业相关标准委员会也做了很多努力。相关部门已经制订并发布了五项人脸识别标准，分别是《GA/T 922.2-2011 安防人脸识别应用系统 第2部分：人脸图像数据》、《GA/T 1093-2013 出入口控制人脸识别系统技术要求》、《GA/T 1126-2013 近红外人脸识别设备技术要求》、《GA/T 1212-2014 安防人脸识别应用防假体攻击测试方法》和《GB/T 31488-2015 安全防范视频监控人脸识别系统技术要求》。这些标准有利于统一测试标准和应用场景，得到对相关产品的准确评价，进而规范市场环境，变无序为有序，无论是对厂商还是用户来说，都有着非常重要的意义。

三、目前人脸识别理性回归

在城市治安监控中，虽然对人脸识别的需求很大，但是到目前为止，从技术上还达不到在治安画面中实现识别的水平。原因主要有三点：治安监控看的往往是大局，即使在没有遮挡的情况下，人脸在图像中不够清晰，像素点达不到识别要求;治安监控是由高往下看，这种角度下，与正面的平面图像相貌相差较大;光照影响，在露天环境下，常常因为背光使得人脸发黑，无法辨别，或者局部发黑，形成阴阳脸，这也极大的影响识别的效果。因此，在治安监控环境下，进行人脸识别是目前还实现不了的。

但是，也有不少项目中使用了该技术，在交通枢纽的安检口，如飞机安检口、火车站安检口进行人脸识别的试点，把过往乘客的抓拍照片与在逃库进行比对，希望达到追逃的效果。在安检处设立人脸抓拍机正好弥补了一般治安监控的不足：专机专用，保证脸部图像的像素;角度相对较低，容易拍到人脸的正面图像;在室内，无光照变化影响，同时光源分布均匀，无阴阳脸的现象。虽然在成像上克服了治安监控的不足，但是笔者认为这样的应用还是难以大面积的推广，原因有：职责不清——交通枢纽站的职责是保持上下客的次序，抓逃不是其工作内容，这些职能部门确实也不应该去做抓逃的事，除非有硬性规定;风险大于收益——人脸识别只是返回一个相识度比较结果，对于其身份并无确认能力，而13亿中国人中相貌类似的很多，误判的可能性很大，结果没抓到正确的人反而引来旅客的投诉就不划算了;容易伪装——有心躲避的逃犯通过粘贴假胡子、带墨镜等伪装可以很容易骗过机器的识别。

那么，是否人脸识别技术在平安城市中就没有用武之地了呢?答案是否定的。移动终端与云计算的兴起给了人脸识别一个打翻身战的好机会。

前面说到的治安应用与交通枢纽的应用都是非接触式，这些都受制于因为识别的条件与效果。但如果民警要求嫌疑人摆正位置，用手机或其他终端对其人像进行拍摄，并把人脸图片传回到数据中心进行身份识别，这样的准确率是很高的，而且业务上也有这样的需求，如民警进行外来人口聚集地排查，当对方不提供身份证时，可用类似的方法确认其身份;另外，对于一些没有身份证信息的尸体，只要面部特征完好，也可以用类似的方法快速确认其身份。由于身份证库巨大，在真正实施中，还需要应用到云计算的技术进行分布式处理。

四、从技术与产品角度看人脸识别发展趋势

1.人脸识别技术基于大数据的深度学习

在人脸识别原理一节中提到了一些特征提取和分类算法，可以理解为是一种浅层的学习模型。浅层学习可以在一定规模的数据集下可以发挥较强的表达能力，但当数据量不断增大时，这些模型就会处于欠拟合的状态。通俗点说就是数据量太大，模型不够复杂，覆盖不了所有数据。所以说，深度学习是近年来特别热门的研究课题。

表1中的4种算法都是深度学习技术的扩展。因此基于大数据的深度学习，将是未来人脸识别技术的主要趋势之一。深度学习，往往含有更深的层次结构。越是低层，特征越简单，越是高层，特征越抽象，但越接近所要表达的意图。举个例子，从字到词，再到句，到语义，是层层深化的过程，这就是一个典型的深层结构。回到图像分析的范畴，对于一个图片来说，最低级的特征是像素，也就是0到255的矩阵。通过像素，无法理解图片里的目标是什么，但我们可以从像素中找到了边缘特征，然后用边缘特征组合成不同的部件，最后形成了不同种类的目标物，这个才是我们所想要实现的。

利用深度学习提取出的人脸特征，相比传统技术，更能表示人脸之间的相关性，辅之有效的分类方法，能够显著提高算法识别率。深度学习非常依赖大数据，这也是为什么这项技术在近几年取得突破的原因。更多更丰富的样本数据加入到训练模型中，意味着算法模型将更通用，更贴近现实世界模型。另一方面，深度学习的理论性还需要加强，模型还需要优化。这一点，相信在众多学术界和工业界同仁的努力下，深度学习将取得更大的成功。届时人脸识别应用，或许能如现在的车牌识别技术一样，深入到我们的生活中。

图3 分层特征学习示意图

2. 3D人脸识别技术

3D人脸识别技术是未来的另外一个趋势。本文到目前为止所讨论的范畴限定在2D图像上。人脸实质上是一个立体模型，而2D人脸识别容易受到姿态、光照、表情等因素影响，是因为2D图像本身有一个缺陷，无法很好地表示深度信息。如果说深度学习是从人的认知角度来理解人脸识别，那么3D技术就是从现实模型来反映人脸识别。

目前关于3D人脸识别方向的算法研究并没有2D人脸识别技术那么丰富和深入，许多因素限制了这项技术的发展。首先，3D人脸识别往往需要特定的采集设备，如3D摄像机或双目摄像机。目前这类采集设备价格还比较昂贵，主要用于特定场景。其次，3D建模过程需要的计算量较大，对硬件要求较高，也限制了目前的应用。第三，3D人脸识别数据库比较稀少，研究者缺少训练样本和测试样本，无法开展更深入的理论研究。相信随着未来芯片技术和传感器的发展，当计算能力不再收到制约，3D采集设备成本大幅下降的时候，3D人脸识别将取得重要突破。

五、结语

近年来安防行业的迅速发展，为人脸识别应用提供了可以发挥的舞台，另一方面，人脸识别技术的发展又为安防行业开拓了新的市场。有业内人士指出，智能视频分析将是大安防市场未来的发展方向之一，而人脸识别是其中非常重要的技术和应用。

在市场需求不断变化的今天，人脸识别技术虽然取得了一定的突破，但仍然面临着许多挑战，无论是厂商还是用户，都需要正视目前存在的困难，迎接挑战，在项目中不断磨练，产品和技术才会趋于实用，性能和品质才能不断提升。当然，国家和行业标准正逐步地建立与实施，在标准的引导下，人脸识别产品和技术迎来新一轮的发展也会是必然趋势。

【声明】转载本微信平台原创文章时应遵循以下规则：1、保持原创文章中图表、图片、音视频的完整性；2、完整标注文章作者［文章前后有说明］；3、转载原创中部分内容也要完整标注来源'中国安全防范产品行业协会'，违者本协会将依法追究。