01—人臉識別的定義

人臉識別技術(shù)始于20世紀(jì)70年代初，是計算機視覺(CV,Computer Vision)中里很典型的應(yīng)用。而計算機視覺屬于深度學(xué)習(xí)(DL, Deep Learning)。

同時人臉識別也是生物識別技術(shù)的一種，其他的生物識別技術(shù)還有：指紋，虹膜，語音，靜脈，視網(wǎng)膜。相比較于其他生物識別技術(shù)，人臉識別有非接觸，非強制，便捷，并行處理等特點。

不同生物識別技術(shù)比較

人臉識別的目的就是要判斷和識別圖片和視頻（視頻是由圖片構(gòu)成的）中人臉的信息，對圖像及視頻中的人臉進行檢測、識別和跟蹤。

02—人臉識別算法分類

傳統(tǒng)的基于人工設(shè)計的特征和機器學(xué)習(xí)技術(shù)，包括幾何的方法、整體方法、基于特征的方法和混合方法。

現(xiàn)在的基于大型的數(shù)據(jù)集訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)(DNN)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)方法。

早期使用CNN深度學(xué)習(xí)人臉?biāo)惴ㄐЧ患训脑蚴撬懔皵?shù)據(jù)量不夠?，F(xiàn)階段有了大數(shù)據(jù)和算力支持，各種算法的人臉識別的準(zhǔn)確度已經(jīng)很高了，Facebook的DeepFace在LFW上取得了97.35%的準(zhǔn)確率，之后Google推出的FaceNet在LFW上取得了99.63%的準(zhǔn)確率。人臉識別領(lǐng)域目前的發(fā)展方向是輕量化（方便部署到移動端）和基于硬件的模塊化。

03—人臉識別的過程

人臉檢測
人臉檢測器用于尋找圖像中人臉的位置，如果有人臉，就返回包含每張人臉的邊界框的坐標(biāo)。

人臉對齊
人臉對齊的目標(biāo)是使用一組位于圖像中固定位置的參考點來縮放和裁剪人臉圖像。這個過程通常需要使用一個特征點檢測器來尋找一組人臉特征點，在簡單的2D對齊情況中，即為尋找最適合參考點的最佳仿射變換。更復(fù)雜的3D對齊算法還能實現(xiàn)人臉正面化，即將人臉的姿勢調(diào)整到正面向前。

人臉表征
在人臉表征階段，人臉圖像的像素值會被轉(zhuǎn)換成緊湊且可判別的特征向量，這也被稱為模板（template）。理想情況下，同一個主體的所有人臉都應(yīng)該映射到相似的特征向量。

人臉匹配
在人臉匹配構(gòu)建模塊中，兩個模板會進行比較，從而得到一個相似度分數(shù)，該分數(shù)給出了兩者屬于同一個主體的可能性。

04—人臉識別應(yīng)用

05—人臉識別技術(shù)難點

頭部姿勢
多數(shù)的人臉識別算法主要針對正面、準(zhǔn)正面人臉圖像，當(dāng)發(fā)生俯仰或者左右側(cè)偏轉(zhuǎn)比較厲害的情況，人臉識別算法的識別率也會急劇下降。

年齡
反面例子，我國身份證的有效期一般是20年，20年間每個人的容貌必然會發(fā)生很大的變化，所以身份證照片識別上也同樣存在很大的問題。

遮擋
眼鏡、帽子等遮擋面部。

光照條件

人臉表情
表情的精細化程度劃分，表情類別的多樣化。

人臉防偽
偽造人臉，如何活體檢測。