近日，由美國國家標(biāo)準(zhǔn)與技術(shù)研究院NIST(National Institute of Standards and Technology) 組織的人臉識(shí)別算法測(cè)試FRVT2018結(jié)果公布，三家中國公司挺進(jìn)前五。其中冠軍被中國公司依圖科技再度摘得，中國科學(xué)院深圳先進(jìn)技術(shù)研究院獲得第二名，排名前五的另一家企業(yè)是曠視科技。

　　NIST測(cè)試以其評(píng)測(cè)標(biāo)準(zhǔn)的嚴(yán)謹(jǐn)性、一致性和全面性，成為了全球規(guī)模最大、標(biāo)準(zhǔn)最嚴(yán)、競爭最激烈、最權(quán)威的人臉識(shí)別算法比賽。

　　依圖科技其實(shí)是第二次獲得NIST比賽人臉識(shí)別冠軍，去年6月NIST官方公布的測(cè)試結(jié)果中，依圖在千萬分之一誤報(bào)下達(dá)到識(shí)別準(zhǔn)確率95.5%，是當(dāng)時(shí)全球工業(yè)界在此項(xiàng)指標(biāo)下的最好水平。今年依圖將這一指標(biāo)提升到了接近極限的水平，即在千萬分之一誤報(bào)下的識(shí)別準(zhǔn)確率已經(jīng)接近99%。根據(jù)NIST官方4月發(fā)布的競賽結(jié)果，曠視科技也曾登頂榜首，在百萬分之一誤報(bào)下的準(zhǔn)確率為97.5%。

　　中國公司取得如此戰(zhàn)績，一定程度上代表在人工智能領(lǐng)域，我國的人臉識(shí)別技術(shù)已經(jīng)走在世界前列，可喜可賀!為此，小編特別想探究一下人臉識(shí)別背后的算法原理。

　　1.基于幾何特征的方法

　　基本思想：采用幾何特征進(jìn)行正面人臉識(shí)別一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征。因?yàn)槿四樣裳劬?、鼻子、嘴巴、下巴等部件?gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬別，所以對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以做為人臉識(shí)別的重要特征。

　　局限性：基于幾何特征的方法是最早、最傳統(tǒng)的方法，通常需要和其他算法結(jié)合才能有比較好的效果?；趨?shù)的人臉表示可以實(shí)現(xiàn)對(duì)人臉顯著特征的一個(gè)高效描述，但它需要大量的前處理和精細(xì)的參數(shù)選擇。同時(shí)，采用一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細(xì)微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點(diǎn)檢測(cè)技術(shù)在精確率上還遠(yuǎn)不能滿足要求，計(jì)算量也較大。

　　2.特征臉方法(PCA)

　　特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點(diǎn)， 也稱為基于主成分分析(principal component analysis，簡稱PCA)的人臉識(shí)別方法。

　　基本思想：該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計(jì)算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術(shù)的核心實(shí)際為“局部人體特征分析”和“圖形/神經(jīng)識(shí)別算法。”這種算法是利用人體面部各器官及特征部位的方法。如對(duì)應(yīng)幾何關(guān)系多數(shù)據(jù)形成識(shí)別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。

　　局限性：特征臉方法是一種簡單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，而且要求測(cè)試圖像與訓(xùn)練集比較像，所以它有著很大的局限性。

　　3.神經(jīng)網(wǎng)絡(luò)方法

　　基本思想：人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，具有良好的自組織、自適應(yīng)能力。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別中的研究方興未艾，但在人臉識(shí)別上的應(yīng)用比起前兩類方法來有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識(shí)別速度快，但識(shí)別率低 。

　　局限性：神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。

　　影響人臉識(shí)別的關(guān)鍵因素

　　光照變化

　　光照變化是影響人臉識(shí)別性能的最關(guān)鍵因素，對(duì)該問題的解決程度關(guān)系著人臉識(shí)別實(shí)用化進(jìn)程的成敗。目前有兩種解決思路：第一是利用光照模式參數(shù)空間估計(jì)光照模式，然后進(jìn)行針對(duì)性的光照補(bǔ)償，以便消除非均勻正面光照造成的陰影、高光等影響;第二是基于光照子空間模型的任意光照?qǐng)D像生成算法，用于生成多個(gè)不同光照條件的訓(xùn)練樣本，然后利用具有良好的學(xué)習(xí)能力的人臉識(shí)別算法，如子空間法。

　　姿態(tài)問題

　　姿態(tài)問題涉及頭部在三維垂直坐標(biāo)系中繞三個(gè)軸的旋轉(zhuǎn)造成的面部變化，其中垂直于圖像平面的兩個(gè)方向的深度旋轉(zhuǎn)會(huì)造成面部信息的部分缺失，因此姿態(tài)問題成為人臉識(shí)別的一個(gè)技術(shù)難題。

　　解決姿態(tài)問題有三種思路：第一種思路是學(xué)習(xí)并記憶多種姿態(tài)特征，這對(duì)于多姿態(tài)人臉數(shù)據(jù)可以容易獲取的情況比較實(shí)用;第二種思路是基于單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下合成該用戶的多個(gè)學(xué)習(xí)樣本，可以解決訓(xùn)練樣本較少的情況下的多姿態(tài)人臉識(shí)別問題，從而改善識(shí)別性能;第三種思路是基于姿態(tài)不變特征的方法，即尋求那些不隨姿態(tài)的變化而變化的特征。