有没有人脸识别领域比较好的综述型文章?

关注者
14
被浏览
7,770

2 个回答

昨天刚写了一篇,可以参考下~

————————————

人脸识别技术大揭秘

  • 含义及特点

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,通常也叫做人像识别、面部识别。它可以分为两个大类:一类是确认(verification),这是人脸图像与数据库中已存的该人图像比对的过程,回答“你是不是你”的问题;另一类是辨认(identification),这是人脸图像与数据库中已存的所有图像匹配的过程,回答“你是谁”的问题。

春运中的“刷脸进站”可以归为人脸确认一类,而人脸辨认要比人脸确认困难,因为辨认需要进行海量数据的匹配、特征提取和分类算法的选择等。

人脸与人体的其它生物特征(指纹、虹膜、声音等)一样与生俱来,它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提,与其它类型的生物识别比较,人脸识别具有如下特点:

精准度较高。从精准度的角度来讲,最精准的是虹膜,但是虹膜的识别采集成本非常高,识别的效率相对不是很高,需要等待的时间。

不可复制性。每个人的脸部特征都不一样。指纹虽然也具有唯一性,但由于是一个静态图像之间的比对,可复制性较高;

非强制性。用户不需要专门配合人脸采集设备,几乎可以在无意识的状态下就可获取人脸图像,而声音则不能;

非接触性。用户不需要和设备直接接触就能获取人脸图像;

并发性。在实际应用场景下可以进行多个人脸的分拣、判断及识别;

操作简单、结果直观、隐蔽性好等等。

  • 发展现状

人脸识别系统的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的发展得到提高,而真正进入初级的应用阶段则在90年后期,并且以美国、德国和日本的技术实现为主。

从不同的角度,业界对人脸识别技术有许多不同的分类。例如,根据应用场景的不同,人脸识别可分为针对二维图像的人脸识别、针对监控视频的人脸识别、针对近红外、热红外成像或素描等的多模态人脸识别和针对深度信息的三维人脸识别等;依据识别对象,分为动态和静态配合式的识别还是非配合式的识别;最普遍的还分为,基于特征的人脸识别算法和基于外观的人脸识别算法。小编炮以下举例了各种类型的识别技术,但也可能不全面,欢迎指正补充:

-几何特征的人脸识别方法

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快,需要的内存小,但识别率较低。

-基于特征脸(PCA)的人脸识别方法

特征脸方法是基于KL变换的人脸识别方法,KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基,保留其中重要的正交基,由这些基可以转成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性,就可以将这些投影用作识别的特征矢量,这就是特征脸方法的基本思想。这些方法需要较多的训练样本,而且完全是基于图像灰度的统计特性的。

-神经网络的人脸识别方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练,而在许多应用中,样本数量是很有限的。

-弹性图匹配的人脸识别方法

弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离,并采用属性拓扑图来代表人脸,拓扑图的任一顶点均包含一特征向量,用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素,在比对时可以允许图像存在弹性形变,在克服表情变化对识别的影响方面收到了较好的效果,同时对于单个人也不再需要多个样本进行训练。

-线段Hausdorff 距离(LHD) 的人脸识别方法

心理学的研究表明,人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的,它定义的是两个线段集之间的距离,与众不同的是,LHD并不建立不同线段集之间线段的一一对应关系,因此它更能适应线段图之间的微小变化。实验结果表明,LHD在不同光照条件下和不同姿态情况下都有非常出色的表现,但是它在大表情的情况下识别效果不好。

-支持向量机(SVM) 的人脸识别方法

近年来,支持向量机是统计模式识别领域的一个新的热点,它试图使得学习机在经验风险和泛化能力上达到一种妥协,从而提高学习机的性能。支持向量机主要解决的是一个2分类问题,它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率,但是它需要大量的训练样本(每类300个),这在实际应用中往往是不现实的。而且支持向量机训练时间长,方法实现复杂,核函数的取法没有统一的理论。

-多光源人脸识别技术

传统的人脸识别技术主要是基于可见光图像的人脸识别,但在环境光照发生变化时,识别效果会急剧下降。基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响,已经取得了卓越的识别性能,在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速,使人脸识别技术逐渐走向实用化。

  • 应用领域

目前,人脸识别方法正日趋成熟,在现实场景中也已经得到了比较广泛的应用,照片的检索、门禁考勤等应用已基本成熟,诸如金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域都有涉及。最主要的应用有以下六个方面:

1.企业、住宅安全和管理。如人脸识别门禁考勤系统,人脸识别防盗门等。

2.电子护照及身份证。如民航、出入境、旅行证件等,这或许是未来规模最大的应用。

3.公安、司法和刑侦。如利用人脸识别系统和网络,在全国范围内搜捕逃犯。

4.自助服务。如银行的自动提款机,同时应用人脸识别可避免被他人盗取现金现象的发生。

5.信息安全。如计算机登录、电子政务和电子商务,可大大增加电子商务和电子政务系统的可靠性。

6.娱乐应用。如笑脸识别、年龄猜测等。


但是,人脸识别问题还并没有被完全解决,复杂多样的姿态变化、千奇百怪的遮挡情况、捉摸不定的光照条件、不同的分辨率、迥异的清晰度、微妙的肤色差,各种内外因素的共同作用让人脸的变化模式变得极其丰富。在非配合场景下的万级及以上的目标检测(如安防监控库)的应用,依旧任重道远。

  • 前景和未来

《2016-2020年中国人脸识别行业投资分析及前景预测报告》中提到,从人脸识别的非军方应用领域来看,目前国内的人脸识别技术,基本都是在金融及安全领域。而在娱乐领域,也只有百度推出的脸优真正在后台使用了人脸识别技术。其他领域因为技术难度以及投入等原因,短期内还无法实现人脸识别。

事实上,如果人脸识别的技术得到突破,准确率得到提升并普及用户习惯以后,其商业化应用前景是十分广阔的,且有助于线下生物识别格局的改变,很有可能会成为下一个科技时代的商业爆发点。另外,人脸识别包含人工智能等技术,当前商家们布局人脸识别就是布局人工智能以及人机交互的未来。

从资本市场来看,腾讯、阿里、微软、民生银行等多个巨头纷纷布局人脸识别产业(如阿里旗下的蚂蚁金服和face++;微软曾风靡社交网站的“传照片测年龄”、“双胞胎了没”,以及Win10的Windows Hello人脸识别系统)。而川大智胜、海康威视、佳都科技、科大讯飞、海能达、赛为智能、高新兴、汉王科技、卫士通、高鸿股份等上市公司也成为人脸识别以及人工智能的潜力股。


由此看来,以人脸识别为代表的新一代技术驱动的产业革命已经兴起。这个新的经济单元将是技术比拼的时代,技术壁垒也会越积越高。技术研发会成为企业发展的主要因素,同时商业模式也会因为技术的不管革新而不断演变。如百度深度学习研究院这样的组织会越来越多,如脸优这样技术性应用也会越来越多。

当然,最终还是要看各组织的技术革新能力、创新能力以及商业变现能力等综合实力强大与否。以后的技术革命中会衍生更多的新兴技术,而人脸识别技术或将成为拉开这个帷幕的直接导火索。


(详见公众号:华强智造Hi空间)

zhuanlan.zhihu.com/p/36

人脸检测是机器视觉领域被深入研究的经典问题,在安防监控、人证比对、人机交互、社交等领域都有重要的应用价值。数码相机、智能手机等端上的设备已经大量使用人脸检测技术实现成像时对人脸的对焦、图集整理分类等功能,各种虚拟美颜相机也需要人脸检测技术定位人脸,然后才能根据人脸对齐的技术确定人脸皮肤、五官的范围然后进行美颜。在人脸识别的流程中,人脸检测是整个人脸识别算法的第一步。


早期算法

我们将整个人脸检测算法分为3个阶段,分别是早期算法,AdaBoost框架,以及深度学习时代,在接下来将分这几部分进行介绍。

早期的人脸检测算法使用了模板匹配技术,即用一个人脸模板图像与被检测图像中的各个位置进行匹配,确定这个位置处是否有人脸;此后机器学习算法被用于该问题,包括神经网络,支持向量机等。以上都是针对图像中某个区域进行人脸-非人脸二分类的判别。

早期有代表性的成果是Rowley等人提出的方法[1][2]。他们用神经网络进行人脸检测,用20x20的人脸和非人脸图像训练了一个多层感知器模型。文献[1]的方法用于解决近似正面的人脸检测问题...