![]()
日萌社
人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）
概述
人脸识别(Face Recognition)是一种依据人的面部特征 (如统计或几何特征等)，自动进行身份识别的一种生物
识别技术，又称为面像识别、人像识别、相貌识别、面 孔识别、面部识别等。通常我们所说的人脸识别是基于
光学人脸图像的身份识别与验证的简称。 人脸识别利用摄像机或摄像头采集含有人脸的图像或视
频流，并自动在图像中检测和跟踪人脸，进而对检测到 的人脸图像进行一系列的相关应用操作。
技术上包括图像采集、特征定位、身份的确认和查找等。 特征定位，就是从照片中提取人脸中的特征，比如眉毛
高度、嘴角等等，再通过特征的对比输出结果。
儿童安全的保镖
近年来儿童拐卖活动越来越猖獗，为了更好的保护儿童安全，有些幼儿园、小学在门口已经安装上了
面部识别系统。系统采用人脸识别加IC/ID卡(非接触式智能卡) 双重认证：每一位幼儿在入学注册时进
行相关登记：资料、面像、IC/ID卡号、接送者、接送者面像。
每次入园时刷卡进行报道，放学时刷卡并进行接送家长人脸认证，如果认证失败拍照后即报警通知管
理员，如果认证成功即拍照放行。不论识别成功与否，系统都会记录下被识别者图像。每一次接送都
有详细的时间、接送人员的照片可供查询。另外系统提供短信提示的扩展功能，家长可在手机上看到
人脸识别认证时所拍的照片，从而监控到接送这个过程，从其中一个重要源头杜绝了儿童被拐的可能
性。
人脸检测是所有人脸研究的一个前提步骤，它的性能直接影响整个人脸图像应用系统得性能，因此是一个非
常关键的步骤。
它的任务是首先对由摄像机输入的图像进行分割，即把整幅图像分割成两部：一部分为人脸区域，另一部分
为非人脸区域，然后进一步获取脸部信息，并对人脸的行为进行描述，进而完成对人脸识别的分析和理解。
1 人脸采集
不同的人脸图像通过摄像镜头采集得到，比如静态图像、动态图像、不同的位置、不同表情等，当采
集对象在设备的拍摄范围内时，采集设备会自动搜索并拍摄人脸图像。
人脸采集的主要影响因素：
图像大小：人脸图像过小会影响识别效果，人脸图像过大会影响识别速度。非专业人脸识别摄像头常
见规定的最小识别人脸像素为60*60或100*100以上。在规定的图像大小内，算法更容易提升准确率
和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。
图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率，直接影响摄像头识别距离。现
4K摄像头看清人脸的最远距离是10米，7K摄像头是20米。
光照环境：过曝或过暗的光照环境都会影响人脸识别效果。可以从摄像头自带的功能补光或滤光平衡
光照影响，也可以利用算法模型优化图像光线。
不同遮挡下的人脸识别：
遮挡是指正面人脸图像中有眼镜、 头发、围巾或者其他的配饰。
在过 去几年，主要致力于可控设置下的 人脸识别；
然而，在不可控制下的 识别，像光照、表情和部分遮挡是 需要考虑的问题
1 人脸采集
模糊程度：实际场景主要着力解决运动模糊，人脸相对于摄像头的移动经常会产生运动模糊。部分摄
像头有抗模糊的功能，而在成本有限的情况下，考虑通过算法模型优化此问题。
遮挡程度：五官无遮挡、脸部边缘清晰的图像为最佳。而在实际场景中，很多人脸都会被帽子、眼镜、
口罩等遮挡物遮挡，这部分数据需要根据算法要求决定是否留用训练。
采集角度：人脸相对于摄像头角度为正脸最佳。但实际场景中往往很难抓拍正脸。因此算法模型需训
练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度，需满足人脸与摄像头构成的
角度在算法识别范围内的要求。
2 人脸检测
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模
板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的，常用人脸关键点检测，即
自动估计人脸图片上脸部特征点的座标。
主流方法：
基于检测出的特征采用Adaboost学习算法（一种用来分类的方法，它把一些比较弱的分类方法合在
一起，组合出新的很强的分类方法）挑选出一些最能代表人脸的矩形特征（弱分类器），按照加权投
票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层
叠分类器，有效地提高分类器的检测速度。
viola-jones框架（性能一般速度尚可，适合移动端、嵌入式上使用），dpm（速度较慢），cnn（性
能不错）。
2 人脸检测
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模
板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的，常用人脸关键点检测，即
自动估计人脸图片上脸部特征点的座标。
1，人脸采集：
模糊程度，遮挡程度，采集角度
2，人脸检测：
直方图特征、颜色特征、模板特征、结构特征及Haar特征
3 人脸图像预处理
即，基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。
系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早
期阶段对它进行灰度矫正、噪声过滤等图像预处理。
主要预处理过程
人脸对准（得到人脸位置端正的图像），人脸图像的光线补偿，灰度变换、直方图均衡化、归一化
（取得尺寸一致，灰度取值范围相同的标准化人脸图像），几何校正、中值滤波（图片的平滑操作以
消除噪声）以及锐化等。
4 人脸特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代
数特征等。人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模
的过程。
人脸特征提取的方法
基于知识的表征方法（主要包括基于几何特征法和模板匹配法）：根据人脸器官的形状描述以及它们
之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率、
和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和他们之间结构关系的几何描述，
可作为识别人脸的重要特征，这些特征被称为几何特征。
基于代数特征或统计学习的表征方法：基于代数特征方法的基本思想是将人脸在空域内的高维描述转
化为频域或者其他空间内的低维描述，其表征方法为线性投影表征方法和非线性投影表征方法。基于
线性投影的方法主要有主成分分析法或称K-L变化、独立成分分析法和Fisher线性判别分析法。非线性
特征提取方法有两个重要的分支：基于核的特征提取技术和以流形学习为主导的特征提取技术。
5 匹配与识别
提取的人脸特征值数据与数据 库中存贮的特征模板进行搜索 匹配，通过设定一个阈值，将 相似度与这一阈值进行比较，
来对人脸的身份信息进行判断。
(1) 检测率：被正确检测到的人脸数目与原图像内包含的人脸数目的比值。检测率越高，表明检测系统对人
脸的接受能力越强。
(2) 误识率(或虚警率、误报率、误检率)：被误检为人脸的非人脸子窗口的数目与原图像内被检测的所有非
人脸子窗口数目的比值。检测率无法反映系统对非人脸的排除能力，有可能所有人脸都被检测到的同时有大
量的非人脸也被误检为人脸。因此，引入误识率来衡量系统对非人脸样本的排除能力。误识率越低，表明检
测系统对非人脸的排除能力越强。
(3) 检测速度：大部分应用领域需要在线实时地检测人脸，如人脸识别、人脸跟踪和可编程视频监控等。
通常，提高速度往往是以降低检测率为代价的。因此，在检测率和误检率达到满意的前提下，检测速度越
快越好。
(4)鲁棒性：反映了检测系统在各种条件下的适应能力。
这四个标准有些是相互制约的。例如，误检率会随着检测率的提高而提高，检测率随着误检率的降低而降
低；或检测率和误检率都很理想，但检测速度很慢，如神经网络方法；又或检测速度虽快，但鲁棒性较差。