文/谢海东 华南研发

人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别，它是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，以“天翼销售门户”中的预受理业务为例，传统的流程：

可以看出，现有的预受理业务中存在大量为实名认证服务、却与实际业务流程无关的环节，对提升工作效率十分不利。

而引入人像识别之后的业务流程：

很明显，引入人像识别之后，业务流程能够得到极大的简化。同时，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。

目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图所示：

基于几何特征的方法是一种自下而上的人脸检测方法。研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于几何特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位人脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘检测算子，因此，这类方法对图像质量要求较高。对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。

模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。

基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是种自下而上的方法。这种方法的优点是利用强大的机器学习算法，快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。

在基于代数特征的人脸识别中，每一幅人脸图像被看成是以像素点灰度为元素的矩阵，用反映某些性质的数据特征来表示人脸的特征。但在这种矩阵对应的多维空间中，并不是每一部分都包含有价值的信息，故一般情况下，需要通过某种变换，将如此巨大的空间中的这些点映射到一个维数较低的空间中去。然后利用对图像投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。 在基于代数特征的人脸识别方法中，主成分分析法（PCA）是目前研究者使用最多的方法之一。而完整的PCA(PrincipalComponentAnalysis)人脸识别的应用包括四个步骤：

1、 人脸图像预处理；

2、 读入人脸库，训练形成特征子空间；

3、 把训练图像和测试图像投影的上一步骤中得到的子空间上；

4、 选择一定的距离函数进行识别。

基于连接机制的识别方法的代表性有神经网络和弹性匹配法。

神经网络(ANN)在人工智能领域近年来是一个研究热门，基于神经网络技术来进行人脸特征提取和特征识别是一个积极的研究方向。神经网络通过大量简单神经元互联来构成复杂系统，在人脸识别中取得了较好的效果，特别是正面人脸图像。常用的神经网络有：BP网络、卷积网络、径向基函数网络、自组织网络以及模糊神经网络等。BP网络的运算量较小耗时也短，它的自适应功能使系统的健壮性增强。神经网络用于人脸识别，相比较其他方法，其可以获得识别规则的隐性表达，缺点是训练时间长、运算量大、收敛速度慢且容易陷入局部极小点等。弹性匹配法采用属性拓扑图代表人脸，拓扑图的每个顶点包含一个特征向量，以此来记录人脸在该顶点位置周围的特征信息。拓扑图的顶点是采用小波变换特征，对光线、角度和尺寸都具有一定的适应性，且能适应表情和视角的变化，其在理论上改进了特征脸算法的一些缺点。

一个完整的人脸识别系统包括人脸面部数据的获取、数据分析处理和最终结果输出三个部分。三维人脸识别的基本步骤：

1 、通过三维数据采集设备获得人脸面部的三维形状信息；

2 、对获取的三维数据进行平滑去噪和提取面部区域等预处理；

3 、从三维数据中提取人脸面部特征，通过与人脸库中的数据进行比对；

4 、用分类器做分类判别，输出最后决策结果。

基于三维数据的方法中比较有代表性的，是基于模型合成的方法的方法。

基于模型合成的方法，它的基本思想为：输入人脸图像的二维信息，用某种技术恢复(或部分恢复)人脸的三维信息，再重新合成指定条件下的人脸图像。典型代表是3D可变形模型和基于形状恢复的3D增强人脸识别算法。3D可变形模型首先通过200个高精度的3D人脸模型构建一个可变形的3D人脸模型，用这个模型来对给定的人脸图像拟合，获得一组特定的参数，再合成任何姿态和光照的人脸图像。基于形状恢复的3D增强人脸识别算法则是利用通用的3D人脸模型合成新的人脸图像，合成过程改变了一定的姿态与光源情况。

以上就是当下常见的一些人脸识别研究方向的简单描述。当然，在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，但从模式识别和计算机视觉等学科的角度判断，这既可能意味着人类尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着目前为止的研究都采用了不合适的人脸建模方法(人脸的内部表示问题)。但无论如何，赋予计算设备与人类相类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，人类的认识应该能够更加逼近这些问题的正确答案。