当今,生物识别技术飞速发展。作为公共场所安全防务重要的技术手段,生物识别技术被广泛应用于政府、军队、银行、交通等公共设施。特别的,通过视频图像的人脸识别技术,以其源数据采集容易、成本较低廉等众多优势越来越得到安防产业的重视。相比于指纹识别、虹膜识别、笔迹鉴定、DNA鉴定等技术,人脸识别仅仅需要在重要场所部署摄像设备,经过比对算法运算,比对的速度十分快捷。但是作为广泛存在的人脸数据,容易采集的图像数据,在人物不同表情、年龄等状态下人脸数据往往呈现出不尽相同的姿态。在一般的人脸图像中,可以用来识别的图像特性往往不易提取,而且极易受到图像质量、人物表情姿势、光照条件、面部遮挡等诸多因素的影响。如何提高识别的准确率是人脸识别技术的最大课题。
传统人脸识别技术与发展
传统的人脸识别技术必定经过“人脸检测”、“特征提取”和“识别算法”这3个步骤。其中基于Boosting的人脸检测算法已经相对成熟,部分大厂商的人脸检测技术更是达到了国内领先水平。同时其中个别厂商的人脸检测SDK可以支持5路同时检测最小尺寸达20×20像素的人脸目标,在人脸左右旋转45度之内,准确率可以达到98%以上。
人脸图像的“特征提取”是将图像信息数字化,一张人脸图像转变为的一串数字(一般称为特征向量)需要具有生物个体唯一性、可以测量、用于识别和验证等特征。几何模板参数是早期的提取方法,近年来出现的Gabor、LBP、SIFT等基于图像纹理的特征提取方式都取得了良好的效果。然而,很多特征提取方式得出的特征向量数据量远远超出了原有的图像数据量,从而引发所谓的“维度灾难”,不利于特征的存储、计算,更不利于识别。一方面,需要在图像最有信息量的部分计算、提取特征,另一方面,可以通过采用降维方法来避免“维度灾难”。
“识别算法”指的是分类特征向量的方法,LDA、SVM分类器、贝叶斯模型等都是具有代表性的分类识别算法。基于多尺度高维LBP/SIFT特征降维的贝叶斯模型等方法是近年来传统人脸识别架构最新的研究成果。
人脸比对算法
在2014年北京召开的国际安全产品博览会上,就发现一款基于纠错码的视频身份认证系统,并获得很好的反响。该系统通过摄像机跟踪抓拍一张人脸图片,并与预先登录的人脸图像比对,以确定使用该证件的是否为其本人。算法最大的特色是,算法可以精确定位人脸49个关键部位的位置,通过关键部位信息校正图像从而一定程度上弥补了人物表情造成的差异。仅在关键点附近计算特征也极大地减少了系统开销并提高了运行速度。此外,人脸关键点检测方法,可以用于人脸的表情、动作检测,从而可以用于实现包括人物性别、年龄等属性的检测,以及活体人脸检测、遮挡物(如眼镜)检测及去除等众多应用场景。在安博会上,这套视频身份认证系统就包含一套完整强大的眼镜检测与去除算法,使得即使目标佩戴(或摘除)眼镜也能获得准确的认证结果。
人脸比对算法是对样本数据进行特征描述和分类的问题,在计算机领域称作模式识别或模式分类。模式识别试图表述属于特定类别的数据特性,建立一个数学模型使得属于一个类别的数据差别尽量的小,而不同类别则存在较大的差别。模式识别方法多种多样,但在传统的人脸识别体系中,所有的方法都建立在特征向量已知的情况下。人为设定的特征提取过程在一定程度上制约了传统架构的人脸比对算法的性能。而且传统的识别方法在一定程度上依赖于用来训练学习的数据,不能快捷的将最新的数据反映到最新的模型中。
人脸识别技术的未来
传统人脸识别技术必须要使用人工设定的特征提取规则计算特征向量,近年来,“深度学习”架构的出现使图像识别技术的架构理念出现了革命性的变化。
深度学习架构最大的特色是利用深度网络强大的表述能力,“自动学习”提取有利于识别分类的图像信息。系统将不断随着识别的进行而更新预测参数,海量的图像数据有利于提高准确率。近年来,随着存储设备、计算设备等硬件性能的增强,原本制约深度架构性能的瓶颈一一得到解决。同时,大数据时代所带来的需求与机遇也都促使深度学习这种全新的思维方式越来越多的被应用于各种模式识别问题中。在人脸识别领域,深度学习架构已经获得了远超传统方式,甚至出现超过人眼的识别结果。
然而,构建深度学习架构对于技术人员的专业知识和经验要求是很高的。同时,海量的人脸数据也并非所有的企业所能获得的。所以在强大的技术力量与资源支持下,目前不少厂商也在正在努力构建一套自己的深度学习架构,相信在不远的将来,准确率更高的人脸比对方法很快将出现在市场上。