人脸识别成主流
摄像头模组|人脸识别
摄像头模组|宽动态摄像头模组
人脸识别技术在中国的最华丽亮相莫过于北京2008年奥运会了。北京奥运会的开闭幕式入场券进行实名制管理，要求入场券持有者提前提交个人信息和身份照片，在观众入场时利用人脸识别技术进行实名制身份验证，旨在消除潜在的安防漏洞，提高奥运安全防范和科技反恐水平，这也是奥运史上首次将人脸识别技术作为人员身份识别的智能化手段引入奥运安保。
随着人脸识别系统在北京奥运会开幕式上正式使用后，人脸识别技术在国内得到广泛的关注，并在门禁、考勤等应用领域推广使用。
人脸识别技术概述
人脸识别是基于人的脸部特征，对输入的人脸图像或者视频流，首先辨别脸部各部分的特征，各个主要面部器官的位置信息，并依据这些信息，进一步提取人脸中所蕴涵的生物特征，并将其与已存储的人脸模板进行对比，从而识别人的身份。
人脸识别的算法
人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的脸部图像进行特征分析，根据分析的结果给出一个相似值，通过这个值即可确定是否为同一人。
每到酒店开房每个人会有复杂的开房流程。从前台接待开始，人员确认，身份证扫描，预付开房押金，门卡发放，打印凭证等一系列繁琐的手续，酒店前台因为繁琐的操作，及硬件设备多种多样也经常出现错误。
如果只要一个人办理入住可能时间方面还可以接受。不过很多酒店为了提高入住率，都会和一些公司及旅行社签订团队合作协议。每个团队到达酒店大厅少则10-20人，多则几百人，酒店前台在办理团队业务时，会用很长时间来登记身份证和发放房卡，顾客要想进房间休息需要在酒店前台等待时间将无限延长。
针对以上种种问题，飞瑞斯科技通过生物识别技术与身份证信息提取技术研发出来的一款最新产品——人脸识别自证系统。该系统的核心是进行身份证和人像的对比。系统可以提取身份证内的信息与现场拍摄到的身份证持有者图像进行对比，快速的识别出证件与证件使用人是否相一致，识别率达到98％以上。经过这样的验证过程，可以协助验证方完成自动、快捷的证件查验过程。
人脸识别自证系统主要应用范围，包括人脸识别门禁、考勤、巡更等在内的各种身份识别认证应用领域。该系列产品作为身份证人脸识别认证终端，还扩展了诸如幼儿园接送、访客认证、驾校考场认证、哨岗查哨、军事禁区准入识别等各种不同行业要求、不同保密要求、不同精确度要求的应用场合。
如今人脸识别技术已渐渐渗透到了人们的各种生活中，而人脸识别自证系统更是紧跟市场潮流，捕捉未来趋势推出的最新科技产品，实现人证合一，完美取代传统的验证方式，在未来，人脸识别自证系统将会更为主流。
随着社会发展对安全需求的高涨，人脸识别逐渐成为强制标准，行业发展前景备受看好。
人脸识别成市场新看点
摄像头模组|人脸识别摄像头模组|宽动态摄像头模组
人脸识别技术再度成为市场关注的热点，多家上市公司近期集中推出相关产品或表示正在进行技术储备及研发。高新兴公司透露，公司目前已经拥有了人脸识别产品，主要应用在金融安防领域，可以安装在ATM机等设备中。川大智胜公司证代吴俊杰此前表示，公司人脸识别产品明年将会推向市场，主要面向安防领域。
赛为智能、国腾电子、汉王科技公司也通过互动平台等透露拥有可以应用于人脸识别领域的相关技术。据统计数据显示，仅在中国大陆，在未来三年内人脸识别产品有望形成年销售额过百亿。有不愿具名的分析人士认为，人脸识别技术本身已经存在较久了，目前受到关注应该是在同安防领域结合方面。
目前海量的视频监控数据大部分依靠人力检索，效率较低，非结构化视频数据后端处理问题是制约安防行业发展的重要限制。前瞻产业研究院《2013-2017年中国生物识别技术行业市场前瞻与投资战略规划分析报告》认为，人脸识别技术的应用可在一定程度上加强视频后端处理的能力，从而提高安防系统整体的运行效率。
目前，国内已有相关公司提供视频截图搜索的模式，利用“以图搜图”的方式在大规模视频内容中进行筛选工作。而针对安防链后端不足的现状，国内上市公司中，安防领域龙头海康威视、大华股份等也有涉及后端应用平台软件的研发和生产，包括三星、惠普等国际巨头也有智能检索等解决方案。随着目前智慧城市推进，人脸识别技术未来市场前景看好。
人脸识别实际应用仍存问题
人脸识别技术在实际应用中，要注意以下几个重要问题：
◇年龄变化
不同年龄的人脸有较大的差别。身份证是以前照的，在逃犯的照片也是以前的，因此，在公安部门的实际应用中，年龄问题是一个最突出的问题。
◇姿态变化
这一问题在活动人脸的识别中更为突出。一般的，主要测试左右角度的识别率。当前的水平是：±10o可以达到较高的识别率。
◇不同介质
采集人脸图像的设备较多，主要有扫描仪（照片）、数码相机、摄像机。由于成像的机理不同，形成了同类人脸图像的识别率较高而不同类别间人脸图像的识别率较低的情况。随着人脸识别技术的发展，这一问题也将逐步得到解决。
◇识别速度
摄像头模组|人脸识别摄像头模组|宽动态摄像头模组
识别速度有两种，一种是基于文件的，即把特征存成文件，在文件级进行比对。另一种是基于数据库的，如在oracle数据库中进行比对，在数据库中存有详细的人员档案由此可以进行图文混合查询，而借助图文混合查询，可以提高查中率。基于文件的比对速度可以达到20万人/秒;基于数据库的，单服务器的比对速度可以达到1万人/秒。
这两种方式各有特点，目前的研究是将两者的优点结合在一起，以实现高速、高识别率的人脸识别。活动人脸的识别要求系统有较高的识别速度。其中包括人脸检测的速度以及人脸的识别速度。在40ms内可以实现人脸检测，在10万人的数据库中，2秒内完成从人脸检测定位到人脸识别的全过程，应能满足大多数实际应用的要求。
信息社会，如何进行信息安全保护很重要。安防事业在信息保护上还需进一步努力。人脸识别技术是目前信息安全保护的重要科研项目。
人脸识别技术具有广泛的应用前景，可以应用到多种不同的安全领域，因其识别特征的独特性、惟一性和相对稳定性，逐渐成为一非常热门的研究课题。许多典型的人脸识别算法和应用系统都是针对标准或特定的人脸数据库，利用库内人脸进行训练，并在相同的库中实现人脸识别。但在软件保护、计算机安全等特殊应用中，身份认证仅针对单个对象进行人脸识别，现有的人脸识别方法并不能胜任这样的识别任务。为此，本文针对单对象人脸识别的特点，讨论了单对象人脸检测和识别的关键技术，在此基础上提出了一种单对象人脸识别算法，实验结果证明了该方法的有效性。
1、单对象人脸识别的特点
与典型的人脸识别相比，单对象人脸识别有以下4个方面的特点：
应用领域人脸识别的应用领域很广，如刑侦破案、证件核对、保安监控等，而单对象人脸识别主要应用在软件保护、计算机安全锁、特定对象追踪等领域。
识别系统的目标单对象人脸识别的最终目标是系统必须具有高度的安全性和可靠性，即识别错误率趋于0。虽然降低识别错误率的同时识别率也会降低，但可以通过提示用户调整姿态(如注视摄像头等)加以改善。
肤色模型由于单对象人脸识别仅针对特定的对象，所以人脸检测的肤色模型可采用自适应的方法调整肤色范围。
分类方法单对象人脸识别不存在人脸数据库，常用的最小距离分类法不能够正确识别特定的对象，只能用阈值作为判据。因此，阈值的选取十分重要，阈值过大则容易出现错判，存在安全隐患;而阈值过小又会影响识别效率。
2、人脸的检测和归一化
人脸检测是人脸识别的前提。对于给定的图像，人脸检测的目的在于判断图像中是否存在人脸，如果存在，则返回其位置和空间分布。利用人脸肤色和面部特征，将人脸检测分为两个阶段：外脸检测和内脸定位。外脸检测主要利用人脸肤色进行初步的脸区检测，分割出肤色区域;内脸检测是在外脸区域中利用面部几何特征进行验证和定位。
3.1外脸检测
外脸检测的任务是将待检图像中可能的人脸区域找出来并加以标记，其步骤如下：
(1)根据人类肤色在色彩空间中存在区域性的特点，将可能为人脸的像素检测出来。为更好地利用肤色特征，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内。将满足条件的像素标记为肤色像素，其余的均为非肤色像素。
(2)去噪处理。在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色。
(3)将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。目标区域的高度/宽度比例限定在0.8～2.0。
3.2内脸检测和定位
人脸识别摄像头模组
将包含眼、眉、鼻和嘴的区域称为内脸区域。内脸区域能够很好地表达人脸特征，且不易受背景、头发等因素的干扰，因此内脸区域的检测和定位对后续的特征提取和识别至关重要。
在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域。在确定的两个区域中，对黑点进行区域膨胀，可以得到眼睛的基本轮廓和左石眼角，黑点坐标的平均值作为瞳孔的位置。
设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，我们将内脸区域定义为：宽度=-d×1.6，高度=-d×1.8，左上角坐标为(Lx-d×0.3，(Ly+Ry)/2-(-d)×0.3)。实验表明，该区域能够很好地表达人脸特征。
3.3内脸区域的归一化
由于各待测图像中的人脸大小具有很大的随机性，因此，有必要对内脸区域进行归一化操作。人脸归一化是指对内脸区域的图像进行缩放变换，得到统一大小的标准图像，实验中，我们规定标准图像的大小为128×128。归一化处理，保证了人脸大小的一致性，体现了人脸在图像平面内的尺寸不变性。
图1是一个人脸检测和归一化的例子，其中的原始图像来自实验室现场拍摄。
图1人脸检测和归一化
4、人脸特征提取及DWT-DCT平均脸
对归一化的人脸图像，采用小波变换与DCT相结合的方法提取人脸特征。首先对人脸图像进行3层小波分解，取低频子图像LL3作为人脸特征提取的对象，从而获得每幅训练样本或测试样本的低频子图像;然后对低频子图像进行离散余弦变换(DCT)，DCT系数个数与子图像的大小相等(即256)，由于图像DCT变换，能量集中在低频部分，因此只取其中的136个低频系数作为特征向量。人脸识别摄像头模组
为了使测试样本与训练样本具有可比性，提取全部训练样本的特征向量，计算所有训练样本的平均特征，构成DWT-DCT平均脸，即：
其中N为训练样本数，xk,i表示第i个样本的第k个特征向量，mk为平均脸的第k个特征向量，k=1，2，…，136。
5、人脸的识别
完成训练过程并获得待测样本的特征后，即可进行人脸识别，本文采用欧氏距离进行分类。
5.1计算样本与平均脸的欧氏距离
用m和x表示平均脸和样本的特征向量，则样本与平均脸的欧氏距离为：
其中mk表示平均脸的第k个特征向量，xk表示待测样本的第k个特征向量。身份认证时，计算待测样本与平均脸的欧氏距离，并与特定对象的自适应阈值进行比较，将小于阈值的样本判为该对象的人脸，即认证通过。
5.2自适应阈值的选取
与典型的人脸识别方法不同，单对象人脸认识没有人脸数据库，不能用距离最小作为判据，只能用阈值作为判别依据。阈值的选取应兼顾识别率和识别的准确性，实验中我们取训练样本与平均脸的欧氏距离平均值作为分类阈值，即:
其中，N为训练样本数，此值不宜太小;di为第i个样本与平均脸之间的欧氏距离。
6、实验结果及分析
本文选用西安交通大学人工智能与机器人研究所东方人脸库(AI&R)的视点子库进行实验，该数据库包括每位被拍摄人在19个不同视点角度下(10°为一个单位)拍摄的中性表情图像。实验包括类内测试和类间测试。类内测试用于考查单对象人脸识别的识别率，而类间测试则用于考查误识率。随机选取5个人，每人用7幅图像(-30°～+30°)作为训练样本，分别计算平均脸和自适应阈值、类内识别率和类内距离，另外再选取50个人，每人一幅正面图像作为类间测试样本，分别对5个对象进行类间测试，实验结果如表1所示。从实验数据可以得出如下结果：
(1)类内识别率不高，原因是自适应阈值为训练样本与平均脸的欧氏距离平均值，训练样本中的部分图像不能被识别。在实验室中，我们通过提示被试注视摄像头、适当调整姿态等措施提高图像的拍摄质量，使识别率得到了显著的改善。
(2)在50人的类间测试中，最小距离均大于阈值，即错误识别率为0。实验室的现场测试中也得到了相同的结果。
(3)文中提出的单对象人脸识别方法能够成功地识别特定对象，并能准确地排除其他对象，可用于软件保护、计算机安全等系统的身份验证。
7、结语
本文提出的单对象人脸识别方法，针对单对象人脸识别的特点，综合考虑了识别率和认证的准确性，运用平均脸方法有效地缩小类内距离，同时扩大类间距离，取训练样本与平均脸的欧氏距离平均值作为分类阈值。实验结果表明，该方法具有识别有效性和认证可靠性，在单对象人脸识别的实际应用中是一种可行的方法。
