![]()
日萌社
人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度學習實戰（不定時更新）
概述
人臉識別(Face Recognition)是一種依據人的面部特徵 (如統計或幾何特徵等)，自動進行身份識別的一種生物
識別技術，又稱爲面像識別、人像識別、相貌識別、面 孔識別、面部識別等。通常我們所說的人臉識別是基於
光學人臉圖像的身份識別與驗證的簡稱。 人臉識別利用攝像機或攝像頭採集含有人臉的圖像或視
頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到 的人臉圖像進行一系列的相關應用操作。
技術上包括圖像採集、特徵定位、身份的確認和查找等。 特徵定位，就是從照片中提取人臉中的特徵，比如眉毛
高度、嘴角等等，再通過特徵的對比輸出結果。
兒童安全的保鏢
近年來兒童拐賣活動越來越猖獗，爲了更好的保護兒童安全，有些幼兒園、小學在門口已經安裝上了
面部識別系統。系統採用人臉識別加IC/ID卡(非接觸式智能卡) 雙重認證：每一位幼兒在入學註冊時進
行相關登記：資料、面像、IC/ID卡號、接送者、接送者面像。
每次入園時刷卡進行報道，放學時刷卡並進行接送家長人臉認證，如果認證失敗拍照後即報警通知管
理員，如果認證成功即拍照放行。不論識別成功與否，系統都會記錄下被識別者圖像。每一次接送都
有詳細的時間、接送人員的照片可供查詢。另外系統提供短信提示的擴展功能，家長可在手機上看到
人臉識別認證時所拍的照片，從而監控到接送這個過程，從其中一個重要源頭杜絕了兒童被拐的可能
性。
人臉檢測是所有人臉研究的一個前提步驟，它的性能直接影響整個人臉圖像應用系統得性能，因此是一個非
常關鍵的步驟。
它的任務是首先對由攝像機輸入的圖像進行分割，即把整幅圖像分割成兩部：一部分爲人臉區域，另一部分
爲非人臉區域，然後進一步獲取臉部信息，並對人臉的行爲進行描述，進而完成對人臉識別的分析和理解。
1 人臉採集
不同的人臉圖像通過攝像鏡頭採集得到，比如靜態圖像、動態圖像、不同的位置、不同表情等，當採
集對象在設備的拍攝範圍內時，採集設備會自動搜索並拍攝人臉圖像。
人臉採集的主要影響因素：
圖像大小：人臉圖像過小會影響識別效果，人臉圖像過大會影響識別速度。非專業人臉識別攝像頭常
見規定的最小識別人臉像素爲60*60或100*100以上。在規定的圖像大小內，算法更容易提升準確率
和召回率。圖像大小反映在實際應用場景就是人臉離攝像頭的距離。
圖像分辨率：越低的圖像分辨率越難識別。圖像大小綜合圖像分辨率，直接影響攝像頭識別距離。現
4K攝像頭看清人臉的最遠距離是10米，7K攝像頭是20米。
光照環境：過曝或過暗的光照環境都會影響人臉識別效果。可以從攝像頭自帶的功能補光或濾光平衡
光照影響，也可以利用算法模型優化圖像光線。
不同遮擋下的人臉識別：
遮擋是指正面人臉圖像中有眼鏡、 頭髮、圍巾或者其他的配飾。
在過 去幾年，主要致力於可控設置下的 人臉識別；
然而，在不可控制下的 識別，像光照、表情和部分遮擋是 需要考慮的問題
1 人臉採集
模糊程度：實際場景主要着力解決運動模糊，人臉相對於攝像頭的移動經常會產生運動模糊。部分攝
像頭有抗模糊的功能，而在成本有限的情況下，考慮通過算法模型優化此問題。
遮擋程度：五官無遮擋、臉部邊緣清晰的圖像爲最佳。而在實際場景中，很多人臉都會被帽子、眼鏡、
口罩等遮擋物遮擋，這部分數據需要根據算法要求決定是否留用訓練。
採集角度：人臉相對於攝像頭角度爲正臉最佳。但實際場景中往往很難抓拍正臉。因此算法模型需訓
練包含左右側人臉、上下側人臉的數據。工業施工上攝像頭安置的角度，需滿足人臉與攝像頭構成的
角度在算法識別範圍內的要求。
2 人臉檢測
在圖像中準確標定出人臉的位置和大小，並把其中有用的信息挑出來（如直方圖特徵、顏色特徵、模
板特徵、結構特徵及Haar特徵等），然後利用信息來達到人臉檢測的目的，常用人臉關鍵點檢測，即
自動估計人臉圖片上臉部特徵點的座標。
主流方法：
基於檢測出的特徵採用Adaboost學習算法（一種用來分類的方法，它把一些比較弱的分類方法合在
一起，組合出新的很強的分類方法）挑選出一些最能代表人臉的矩形特徵（弱分類器），按照加權投
票的方式將弱分類器構造爲一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層
疊分類器，有效地提高分類器的檢測速度。
viola-jones框架（性能一般速度尚可，適合移動端、嵌入式上使用），dpm（速度較慢），cnn（性
能不錯）。
2 人臉檢測
在圖像中準確標定出人臉的位置和大小，並把其中有用的信息挑出來（如直方圖特徵、顏色特徵、模
板特徵、結構特徵及Haar特徵等），然後利用信息來達到人臉檢測的目的，常用人臉關鍵點檢測，即
自動估計人臉圖片上臉部特徵點的座標。
1，人臉採集：
模糊程度，遮擋程度，採集角度
2，人臉檢測：
直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵
3 人臉圖像預處理
即，基於人臉檢測結果，對圖像進行處理並最終服務於特徵提取的過程。
系統獲取的原始圖像由於受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早
期階段對它進行灰度矯正、噪聲過濾等圖像預處理。
主要預處理過程
人臉對準（得到人臉位置端正的圖像），人臉圖像的光線補償，灰度變換、直方圖均衡化、歸一化
（取得尺寸一致，灰度取值範圍相同的標準化人臉圖像），幾何校正、中值濾波（圖片的平滑操作以
消除噪聲）以及銳化等。
4 人臉特徵提取
人臉識別系統可使用的特徵通常分爲視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代
數特徵等。人臉特徵提取就是針對人臉的某些特徵進行的，也稱人臉表徵，它是對人臉進行特徵建模
的過程。
人臉特徵提取的方法
基於知識的表徵方法（主要包括基於幾何特徵法和模板匹配法）：根據人臉器官的形狀描述以及它們
之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分量通常包括特徵點間的歐氏距離、曲率、
和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和他們之間結構關係的幾何描述，
可作爲識別人臉的重要特徵，這些特徵被稱爲幾何特徵。
基於代數特徵或統計學習的表徵方法：基於代數特徵方法的基本思想是將人臉在空域內的高維描述轉
化爲頻域或者其他空間內的低維描述，其表徵方法爲線性投影表徵方法和非線性投影表徵方法。基於
線性投影的方法主要有主成分分析法或稱K-L變化、獨立成分分析法和Fisher線性判別分析法。非線性
特徵提取方法有兩個重要的分支：基於核的特徵提取技術和以流形學習爲主導的特徵提取技術。
5 匹配與識別
提取的人臉特徵值數據與數據 庫中存貯的特徵模板進行搜索 匹配，通過設定一個閾值，將 相似度與這一閾值進行比較，
來對人臉的身份信息進行判斷。
(1) 檢測率：被正確檢測到的人臉數目與原圖像內包含的人臉數目的比值。檢測率越高，表明檢測系統對人
臉的接受能力越強。
(2) 誤識率(或虛警率、誤報率、誤檢率)：被誤檢爲人臉的非人臉子窗口的數目與原圖像內被檢測的所有非
人臉子窗口數目的比值。檢測率無法反映系統對非人臉的排除能力，有可能所有人臉都被檢測到的同時有大
量的非人臉也被誤檢爲人臉。因此，引入誤識率來衡量系統對非人臉樣本的排除能力。誤識率越低，表明檢
測系統對非人臉的排除能力越強。
(3) 檢測速度：大部分應用領域需要在線實時地檢測人臉，如人臉識別、人臉跟蹤和可編程視頻監控等。
通常，提高速度往往是以降低檢測率爲代價的。因此，在檢測率和誤檢率達到滿意的前提下，檢測速度越
快越好。
(4)魯棒性：反映了檢測系統在各種條件下的適應能力。
這四個標準有些是相互制約的。例如，誤檢率會隨着檢測率的提高而提高，檢測率隨着誤檢率的降低而降
低；或檢測率和誤檢率都很理想，但檢測速度很慢，如神經網絡方法；又或檢測速度雖快，但魯棒性較差。