【安防知识网】：随着科技的进步与发展，人脸识别技术得到了飞速的发展与突破，且具有广阔的应用前景。上一次为读者介绍了人脸识别的五点创新特点，我们将继续为读者们介绍人脸识别技术的发展路线描述和具体的创新实现方法。

人脸识别技术路线描述
        动态实时人脸智能监控布控系统从系统结构上分为：前端视频Client和后台搜索Server两大部分（如图1）。

Client部分
1、视频采集系统（VideoCapture）
        采集摄像机模拟视频流并进行处理，得到VFW/Directshow等标准格式的数字视频流输入人脸检测定位系统。

2、动态人脸检测定位系统（FaceCapture）
        对每秒20~30帧的数字视频流进行逐帧分析，用连续自适应Boost强分类器构造的瀑布式检测器，以及姿态预估计和多分辨率搜索策略进行快速的人脸检测定位，并对画面中定位的人脸分别根据约定的规格化尺寸进行剪切，得到标准的人脸图像，然后通过网络转送到后台Server。

Server部分
1、人脸图像接收管理系统（FaceReceiver）
        从网络不断接收前端Client传送来的人脸图像，按顺序进行队列缓存。

2、人脸图片导入系统（FaceInput）
        单张提交或批量导入注册用的人脸照片并进行人脸检测定位和规格化处理。[nextpage]

3、人脸特征分析提取系统（TemplateGen）
        对来自Client或者注册提交的人脸图像进行光线预处理，用全局光照子空间方法进行归一化处理，并用基于图像序列的极大似然估计算法和梯度光照子空间进行阴影消除。然后根据LFA算法和SIFT算法，提取基于局部几何骨骼特征的人脸数据，得到标准的人脸特征模板（Template）。

4、人脸特征模板存储系统（TemplateDB）
        对人脸特征模板进行存储管理，与其对应的人脸照片，以及相关文字说明信息进行数据库关联。

5、人脸特征数据快速运算系统（FaceEngine）
        利用瀑布式的多层搜索运算策略，对人脸特征模板进行快速的一对多批量匹配运算，并对通过最后一层细化搜索的每个人脸对象和现场人脸之间的匹配分值进行排序。

6、报警提示系统（AlertCenter）
        根据搜索匹配的结果，根据最高匹配分值是否超过系统设置的报警阈值，判定是否需要报警提示，并按系统设定进行本地或远程报警，报警信息包括匹配双方的照片和文字信息。

7、人脸搜索引擎管理系统（SysAdmin）
        对核心算法性能参数以及系统参数进行集中配置管理。

8、搜索报警记录管理系统（LogDB）
        对人脸图片和报警日志进行记录存储和管理，提供按条件进行查询检索，以及数据备份恢复等功能。

人脸识别技术创新实现
        人脸识别从基于特征点的方法发展到了目前主流的基于二维图像的方法，并开始逐步走向基于三维模型的算法。作为人工智能和计算机视觉的最困难的研究领域之一，人脸识别在过去的十多年里得到了长足的发展，并开始在国防、金融和商务等众多领域中走向实际应用。

        国内的人脸识别技术研究和应用尝试起步相对较晚，但是却在近期几年取得了非常可观的进展，并在室内正面人脸光照、模糊人脸图片处理、红外人脸光线处理等诸多方面提出了有效的算法和理论，为人脸识别技术的性能提高以及实际应用奠定了坚实的基础。

        以人脸识别技术的创新研发和应用推广为己任，在国内外先进人脸识别研究理论的基础上，结合实际应用的需求和条件，努力提出创造性的解决方法，使人脸技术能够完美的同实际应用相结合并发挥作用。在目前的LFA特征分析算法、多姿态人脸检测算法、光线归一化和阴影消除、SIFT算法等先进理论的基础上，结合视频监控中进行动态实时人脸智能布控的需求和实施特点，创造性地提出了进一步提高人脸识别效果并解决实际应用问题的方法。

人脸骨骼架构特征是人脸特征的唯一性
        从理论上讲，虽然从人眼辨别的角度人脸的面貌会受到发型、肤色、表情、胡须、胖瘦等诸多不稳定因素的影响，从数字图像分析和模式识别的角度也会受到光线变化和角度变化以及长时间跨度面部变化带来的影响，但是人脸骨骼架构特征确实含有了足以将每个人区分开的信息，而且以某种形式表现在采集到的数字照片的大量像素中，可以通过算法和技术的不断改善和优化来提高建模和匹配运算的精确度，从而达到通过可见的人脸特征准确辨认身份的作用。[nextpage]

        在具体的算法设计和实现上，研究人员还可以进行多种优化尝试，提高识别的精确度和速度。在实时动态多角度人脸检测方面，采用连续自适应Boost算法学习强分类器并构造出逐层淘汰非人脸样本的瀑布式检测器，同时通过姿态预估计和金字塔式多分辨率搜索策略对检测过程进行加速，并用局部直方图特征提高检测的稳定性；在光线预处理方面，从三维的角度出发，在商图像理论基础上用基于全局光照子空间的方法进行光线归一化，并通过基于图像序列的极大似然估计算法和水平垂直梯度光照子空间消除图像中的光照阴影，减少光线的影响；在有限分辨识别方面，基于SIFT算法提取与尺度大小无关的关键特征点，并通过多尺度滤波实现尺度不变性，通过8个方向的梯度直方图实现旋转不变性和部分仿射不变，在实际视频监控中获取到的分辨率较低的人脸图像中实现精确的识别；在时间跨度处理上，通过非线性流形学习策略和大量样本的统计分析，减少年龄因素对人脸识别的影响。

        此外还可以在以上原有的算法进行进一步的深入和优化，并不断尝试更具有创造性的有效策略和方法。

针对大量样本数据的统计分析学习
        不同的光线照明造成的不同脸部阴影，以及不同角度不同时间造成的各种人脸的信息变化，不同年龄的时间跨度带来的面部变化等等，都会模糊同一个人自身人脸变化范围和与他人人脸特征区别程度的界限。但是，除了上述的各种算法优化策略外，人们还可以通过收集大量的不同光照组合及包含各种变化因素的人脸图片样本，只要样本信息足够多，就可以基于统计分析方法，通过不断训练学习不断修正的方法得出最优的算法模型，找到在各种不同实际应用情况下能够准确区别不同身份之间的人脸差异的尺度。并且，还可以尝试让算法动态自适应学习来针对每个具体应用场合的条件和特定人脸样本库达到最优化的性能。
在此基础上，人们还可以采用非线性流形学习的方法（Nonlinear Manifold Learning），将同一个人不同时间段的样本用最近邻的方法，连接成为一个复杂的流形，这样每个人都有一个流形。然后，采用区分分析法，寻求不同人的流形的最佳投影方向，从而达到良好的分类效果。

特征数据表达格式和搜索运算的可优化性
        通过不断的特征提取算法优化和科学数值表达方法与技巧的运用，总是能够用更加有效更加精准更加少的数据来表示每张人脸的特征信息。另外，人脸模板的存储和检索管理，以及大批量的搜索运算，均可以通过行之有效的系统设计方法和技术实现技巧进行优化。从而提高一对多人脸搜索匹配的速度，使系统达到实时响应的速度要求。

        针对人脸模板的读取延迟，可以事先将所有布控对象的人脸模板快速导入内存并进行有效的空间地址分配，从而可以在目标人脸模板中进行快速的搜索对比运算。同时，还可以根据匹配运算的强度递增，进行多层的瀑布式搜索，先用粗略而又快速的匹配运算，对全局模板空间进行粗略搜索，排除掉那些相似程度明显较低的人脸模板，然后在剩下的候选对象中进行更为精细的搜索对比，直到完成人脸的定位。

并行处理及软件系统设计
        另外，还可以通过对硬件运算资源的合理高效利用，实现对系统整体资源和性能的合理配置。在同时输入的监控视频流数量和布控对象人数都比较多的的时候（如同时支持100路摄像机对50万人进行实时布控），可以运用计算机并行处理技术构建服务器组，用多个计算节点并行处理特征分析和识别运算工作。同时，通过数据库优化等诸多应用软件层面上的设计方法和技巧，提高整个系统的性能。

        此外，还可以将部分算法运算映射到CPU显卡上，分担服务器CPU的运算负荷和速度压力。（本文作者:黄晓斌 现任职于北京时代鼎典信息技术有限公司）