精华内容
下载资源
问答
  • 人脸识别国内外现状及发展
    万次阅读
    2019-11-05 09:23:02

    分几个方面分别的论述一下人脸识别的技术和产业发展的相关状况。 

    第一,人脸识别技术的价值在哪里。我们把人脸作为一个生物学特征,作为一个商业化运用,只是备选的一个方案之一。生物学当中,唯一的判断的标准,其实识别从精准度的角度和不可替代的角度来讲,最精准的是虹膜,但是虹膜的识别采集成本非常高,识别的效率相对不是很高,需要等待的时间。所以这两个条件约束了整个的产业化运用只能局限在相对小众的,对识别要求极高的军工、国防等安全性非常高的远的投入,不适合大范围的推广。 

    第二,指纹。我们知道指纹的唯一性比较强,指纹同时采集成本是比较低的,比对成本也不高。但是为什么指纹没有成为一个特别大的可供支付、刷脸可替代的方案呢?实际上主要的原因是因为指纹的可复制性,是一个静态图像之间的比对,现在我们可以看到淘宝也好,各种各样的大量的指纹贴,指纹膜,可复制的特征,不适合支付。所以指纹现在也大致上被pass了。 

    第 三和第四分别是人脸识别和声音识别技术。这两个在现在横向来相比,采集成本和比对的效率,以及生命特征的唯一性来讲,性价比比较高。所以现阶段来看,人脸识别浮出水面,是有它的道理的,这是它的价值。商业特征的应用场景到底在哪里。 

    人脸识别的应用场景是非常宽泛的,现在主要两块, 一个是金融行业,一个是安保行业 。金融行业,已经从马云的蚂蚁金服演示中看到了场景,通过 刷脸进行支付 ,显然刷脸可以付钱了,为什么不可以签收快递呢,下一步淘宝应该会把淘宝签收快递的功能打通。我相信有一天,我们会收到无人机送来的快递,无人机在你的面前拍一张照片,进行对比,就知道这个用户就是需要的用户,完成整个的支付过程。实际上这种场景,是经过多方面的讨论和认证的。基于这样的场景,是跟第三方的支付认证相关的,包括我们看到的腾讯的银行,第一张远程开卡,就是通过人脸识别的技术,把人证合一进行认证,这样远程开户,远程开卡的功能,在我们的券商,在我们的网络银行上面,应该有广泛的应用。 

    对于安保行业来说,刷脸开门,现阶段,人脸识别的应用应该说达到了一个可具备商业化的水平,我们举个例子,在去年的时候,香港有一个导演叫许鞍华,他在南京地铁中丢了一个他的皮包,这个案件的破获,只花了5个小时。视频监控里面获取了一张照片截图,截到了嫌疑人的照片,是极其模糊的,侧脸的照片,如果肉眼比对,发现不了什么。但是有一家非上市公司,在这里不能提供他的公司名称,他们通过一个图像还原技术,把那个照片还原出可能嫌疑人的样子,清晰照,用这个照片到图库当中比对,锁定嫌疑人的身份,把嫌疑人抓获,只需要了5个小时的时间。现在安防领域的监控,我们可以看到各个省市以及地级市,都在上大量的视频监控,人脸识别的大平台。在整个安防的投入当中,上一代的安防只是静态的记录下来数据,但是下一代的安防,是对实时数据的采集、辨认,就是一个核心的技术,这个技术,人脸识别在其中发挥的作用是很大的。 

    我 们再拓展一下,未来的商业用途,到底有没有第二代人脸识别技术的潜在的应用的场景呢。我们说在未来,应该说原来整个确定身份的身份证,但是证和人的比对需要人工来完成。如果我们直接界定,达到了这样的一个标准,实际上每个人所对应的唯一的ID就是脸部的生物特征。这个识别了以后,所有的地方都可以用刷脸的方式,所有的地方都可以用刷脸去开门,用刷脸去做各种各样的事情。你刷脸的数据,包括你去坐火车、坐飞机、去哪儿吃饭、购物、收快递等等,这些数据都会掌握到人脸识别中,刷脸的数据将取代现在线上的点击量. 

    现在信用卡、银行卡消费的数据,其实有助于知道用户消费习惯和消费数据,做大数据的营销和征信,但是刷脸时代来临之后,这个的价值更大了。有很多张卡,但是只有一张脸,这是唯一的。刷脸数据是2.0时代当中,我们重点看到的。 

    为什么在这个时间段,人脸识别的技术会大范围的爆发出来,大范围的应用起来,成熟度到底怎么样呢?我们首先要界定一下人脸识别技术要达到产品化的应用,是两阶段的过程。 第一阶段,需要获取大量的样本数据,这些数据是用于训练的,训练的是学习算法,这个是深度学习算法,把这些数据和相互人之间的关系提取出来,进行一个特别的比对。耦合度高,超过一定的水平之后,我们会认定这两个人是一个人,但是这个模型是需要投入大量的成本,这个成本包括优化的成本,包括数据训练的成本,包括运算的成本 ,我们当时人脸识别的一个业内的公司,这家公司的创始人,曾经说,人脸识别的技术意味着什么呢?太上老君的炼丹炉,有了这个炉之后,大数据是炉子炼的原料,解决计算能力资源的稀缺。因此这些合在一起,形成了现在人脸识别大爆发的时代,就是我们说的技术上的突破。 

    但是在产业上面的应用来看,目前我们可以看到,美国和以色列的人脸识别,特别是动态识别的水平是国际领先的。全网的实时监控当中,FBI在去年推出了他们的下一代的电子识别系统,总的投入是超过10亿美金的。在美国将来无论是在什么地方犯了事,监控锁定犯罪嫌疑人,进行全网追捕。 

    国内是什么水平呢?顶尖的学术水平,就代表着国内产业发展的阶段。目前主要是三种力量,一个是 清华大学的苏光大教授 ,他是中国的人脸识别之父。第二个是 中科院的自动化所的李教授 ,他早年在微软的亚洲研究院当中获得了非常高的成就,后来到了中科院的自动化所,专攻人脸识别。在奥运会当中,以及后来很多的人脸识别的应用当中,提供了比较好的技术。 第三支就是 香港中文大学的汤晓鸥教授 的团队,每年会进行学术界的比赛,他是高记录的保持者。目前的识别率是超过了人类的脸部识别的总体水平,汤教授帮助讯飞在语音识别领域之后,在人脸识别的领域当中,建立了自己的行业地位。所以国内基本上目前是这样的发展阶段,我们去推导下面的阶段,我们怎么去甄别人脸识别的技术,到底哪一家靠谱,哪一家不靠谱,我们可以提出一些关键的甄别的关键点。这些点在哪里呢? 

    第一,我们要区分的,动态和静态配合式的识别还是非配合式的识别。配合式的就是像蚂蚁金服那样的,需要数据的比对方进行配合,可以很好的去采集正脸的二维的数据。另外,就是非配合式的,非配合式的没有办法对排除方的配合,是需要随机采集的图片进行比对,这个识别的效果会差一些,但是识别的时效性会很高。 
     

    这两种模式当中,我们关注三点。

    第一点,你的人脸建模当中到底提取了多少个特征点进行比对,这个跟我们人脸上面的一些特征是关键节点,每个人的差异很大,而你选取的特征点的数据越多,比对的准确率就会越高。我们也采访了一些专家,他们目前能够做到的特征点的比对,应该是在700个点以上。目前大部分做刷脸的门禁这样系统产品的公司,特征点的选取大概是在50个左右。所以我们去做调研和交流,可以问一下整个公司人脸识别建模当中特征点的数量。


    第二点,人脸识别数据库的数据样本和大小,这是一个非常重要的指标。样本及大小,是我们可供的数据集,这些必须要对人脸,比如说一个人有500张照片,拍的都是他的脸,不同的角度和位置、光线,把这些数据进行合理的清洗,供机器去训练包括比对和识别之后,可以告诉你是识别对了还是识别错了,这样的样本数非常重要,有助于训练,提高模型的准确率。因此可标签的数据样本集的大小,这个大小目前至少是百万以上的级别,才会使得现在识别率能够提升到世界领先的水平,这个也是可以甄别的关键点之一。 

    第三点,是不是你的商业模式能够对你的整个的数据的获取,我们说人脸数据的比对,形成一个 正循环的模式。实际上数据来源,人脸的样本来源,是来源于两个非常重要的渠道,美图秀秀和美颜照相机,这是一个商业的互换,这个数据,因为考虑到做一个脱敏的处理,剩下的只有几百个关键的特征点的数据,其他的都被略去,用脱敏的技术之后,形成了从获取数据到训练模型,再到优化模型,持续的反馈结果,获取新的数据,这样的一个正循环的过程。有了这个以后,你的模型的数据就会获取的很好了,这是商业模式上非常重要的一个指标。 

    如果有了这三个指标之后,应当说同时具备了这三个,可能是在人脸识别领域当中有非常大的领先优势,或者是未来发展潜力的东西。同时我们在直观的性能方面去分析,直观的到底识别的表现上有两个非常重要的指标,一个是识别的准确率,我们界定了刚才说的学术界当中,每年一比的人脸识别大赛,现在基本上测试水平都在95%以上,但是是人和图片之间相互比对,说明是这个人,这算一个,再比对一个,又对了,算第二个。所有的人和照片都是匹配好的,最后正确率在99.2%左右,这是我们说的目前的正常的比对方法。 

    还有一个非常重要的方法,我们看到商业银行和淘宝在内的一些人脸识别的技术,会提出一个 错误率 的问题,这个数据,目前来看可以做到十万分之一的错误率,别人拿着我的身份证去比对,如果机器能够区分出来,是不通过,这是对的。如果机器把我的身份证给别人的时候也通过了,这可能就是一个错误的,错误率要在十万分之一左右才可以,目前能达到这样错误率的公司是屈指可数的,这是一个识别准确率的问题. 

    另外还是在多大样本中可以实现这样的准确率,这个是至关重要的。一个公司里面也就是两三百个人,在这些人当中,挑选出来通过,没有什么难度。但是在公安部的大平台当中,省级的平台当中,都是上亿人的身份证照片中,要准确的挑出来十个或者是一百个候选人,这个范围缩小到这个概率当中,你的准确率能有多大,这是一个很重要的指标。 

    第二点, 识别的速度问题 。同样还是刚才我们说到的样本集的大小决定了识别的速度。本身你在可供比对的样本中,没有很大的数据,比如说是成千上万的,识别的数大家都是差不多,都是在1秒之内作出反映,但是如果在一个上亿的大的样本当中,去把照片准确的识别出来,这样对时间的要求,对效率反映的要求就提高了。所以识别速度是一个很重要的指标。 

    以上我们说了五个指标,我们说这个确实是可以对公司的具体能力和技术进行综合判断的。 

    基于以上我们说的这些,关注的公司是有识别技术的公司,这个识别技术是人脸识别的技术。我们前面讲了,本身国内发言的几支学术界的力量大家非常清楚,来源于哪一支,背靠着哪一支强大的学术团队,研究团队的力量,使得这家公司是一个很好的位置。比如说我们前面讲到的科大讯飞,在汤晓鸥教授的支持下,他们的团队是学术界第一的力量在支持他们,这是一个资源性的优势。比如说川大智胜,这个和李教授他们有密切的合作,同时他们自己在图象识别领域当中,也有自己独特的技术,承担着国家大量的科研基金的项目,同时我们也特别强调一个就是川大智胜的人脸识别技术,是目前我们看到的 人机交互 ,因为这个和二维的平面识别有很大的区别,优势非常明显,因为采集到了五官之间立体曲面之间的结合,所以采集到的数据量更丰富。可供比对的特征也是更多的,我们之前在视频当中找到拍到的侧脸,不清晰的照片,很难去识别出来犯罪嫌疑人到底是谁,是因为我们二代身份证库当中,本身就是只有正脸的可供比对的数据。三代或者是四代身份证采集数据的过程当中生物特征肯定要被提取出来,首先是指纹,三维的人脸识别会更快,三代四代可能就会被提取。 

    一旦需要被提取到三维的人脸的数据,那么这个时候川大智胜作为国内目前唯一一家有产品和技术的公司,面临的是广阔的市场。但是我们同时也要看到,三维人脸识别虽然有非常惊人的优势,同时劣势也是非常明显的,特征点的选取,包括侧脸的选取,是有难度的。同时表情的因素,其实对于数据处理的影响,没有在立体表情的因素那么好,提取的时候效率是偏低的,消耗的数据也非常大。所以现在来看,我们能够看到的应用场景目前还是小范围的,包括像美国对犯罪的有案底的犯人,我们国内目前在监狱当中也逐步的推广,将来全民都要采集,这肯定是一个非常巨大的市场。 同时这家公司在人脸识别公司当中,技术特点和现在持续的对三维人脸识别加码,有一个项目是1.8个亿,要投入到研发当中,国家自然科学基金也已经持续的支持他们三维人脸识别的学术研究的项目,已经支持了很多年。所以在这个领域,应该是到了开花结果的地步。所以这一点,我们特别提示大家要关注这个公司,在技术上确实是有稀缺性的。 

    科大讯飞,就是典型的我们刚才讲的商业模式,可以实现人脸识别数据正循环的公司,是拥有互联网端的入口的。之前在语音的领域当中,讯飞语音云走的就是这样的模式,我获取的是你语音的数据,用你的数据持续的训练我后台的算法,使得他们提升和保持和其他竞争对手的领先优势。这样的话,数据端的循环,从语音的这个领域当中,复制到图像识别,就是人脸识别当中。大家如果关注讯飞,大家可以看到,在上个星期的时候,推出了双重生物特征的识别的因素,双重是什么呢?两重加密以后,确实就是这个人,把出错的概率降到非常低的水平。同时识别,双重加密之后,这个身份验证的过程可以做到数量级上面的提升。 

    有了这样一种开放云的平台之后,讯飞的数据正规化的过程也在逐步的建立,他下一步会和非常多的第三方的应用方合作,包括可以刷脸开锁的智能硬件方面,包括和电话银行,电话客服,还有邮箱去实现他的数据入口的正循环的过程。我们核心的问题就是以上的这样的一些判断的标准来去甄别的。我认为讯飞实际上是非常有希望的人脸识别的公司。我们在报告当中,也提到了讯飞是一个生态级的公司,不光是在人脸识别的这个领域当中有比较强的资源优势和技术优势,以及商业模式的优势。同时在我们整个的人工智能领域当中,讯飞超脑可以不断的用它孵化,基于学习的模式,从语音迁移到现在的图像,下一步迁移到语义当中,不断的做技术的衍生,这样的生态链一旦形成的话,在人工智能产业的地位是不可动摇的。所以人工智能整个的产业,我们想推的是科大讯飞。 

    人脸识别的领域当中,讯飞的优势也是非常明显的,同时我们也是看好川大智胜拥有的三维人脸识别的技术。其他的品牌公司,我们可以看到欧比特收购的公司,在安防领域的人脸识别当中,在监狱当中是超过50%的,在产品化方面也做的非常好。其他的两家,刚刚推出了自己的识别技术,现在了解的信息当中,还没有办法很好的甄别他们现在是否拥有满足我们以上的五个标准。在以后的调研和跟踪当中,我们会对他们的标准进行梳理和进一步的分解。这是对识别类公司的分析. 

    下一个阶段,我们觉得还有比较好的投资机会,除了第一类识别类的,第二类应该是数据资源类的,数据资源目前来看就是视频资源,有比较好的视频资源的公司,可以通过视频资源进行持续的深度学习的算法和优化,也许他自己没有这个技术和能力,但是可以通过技术合作的方式,找到研发团队或者是公司进行合作,共同开发优势。目前在视频资源当中的这些公司进行梳理的话,我觉得东方网力在这个当中步子迈的最前。目前产品端还是没有关于人脸识别成型的产品推出来,但是他的应用是在于多年的视频数据的积累。这个是和后期有密不可分的关系。先收购了广州的安防领域的视频监控的智能化的公司,这个步子一迈出去,布局的意图非常的明显。摄象头公司会往视频的公司侵占,后面的公司将来可能会往存储的环节去挤压,有可能将来会把分析和存储在一个环节当中就完成了,这个时候面临的压力是比较大的,所以转型的动力也是最迫切的,意愿也是最强烈的。 

    所以总体总结下来,现在人脸识别技术大爆发,并不是偶然的,应该说很好的满足了我们讲的人工智能的三大条件。深度学习的算法,大数据和云计算,这三个条件成熟了以后,在拐点到来的时候,大规模的商业化应用是水到渠成的。下一个阶段,基于计算机视觉的应用,在视频监控领域当中,对人的行为模式的识别、跟踪和分析,这些都会成为一个非常大的市场,成熟度还有待于进一步的检验。但是这个市场我们已经都看得到了,所以现在我跟大家探讨人脸识别的产业的发展机会,我觉得其实大家需要关注的不仅仅在于人脸识别技术本身的发展,也不仅仅在于哪几家上市公司拥有哪几项技术,而是看到背后代表的是整个计算机视觉的兴起。 

    人工智能报告当中也提到过,计算机视觉的1.0版本,是对静态图像的识别,2.0版本,肯定是动态视频内容的理解和学习,包括像谷歌的无人驾驶汽车,包括报告里面提到过的以色列的那个公司,也是纳斯达克上市的,他们用计算机视觉的技术实现了汽车的辅助的无人驾驶。在这个领域当中,实际上计算机视觉可供开发的应用非常丰富的。现在还有一个法律的问题,就是允许不允许无人驾驶的汽车上路,合法不合法的问题,大家不用担心这个问题。因为这个公司IPO的时候,这个公司的CEO说过一句话,他说现在还在担心无人驾驶的汽车上路合法不合法,但是我可以肯定的告诉你,十年以后,人开车上路是不合法的,这肯定是一个大的方向和趋势。这就是我从人工智能的领域延伸出来的,人脸识别只是一个点,更多的还有待于大家去一点一点的发掘。

    更多相关内容
  • 人脸识别现状

    2019-11-05 09:26:47
    现在的主要研究方向是利用深度学习的方法解决视频人脸识别。 主要的研究人员: 中科院计算所的山世光教授 中科院生物识别研究所的李子青教授 清华大学的苏光大教授 香港中文大学的汤晓鸥教授 Ross B. ...

    研究现状

    现在的主要研究方向是利用深度学习的方法解决视频人脸识别。

    主要的研究人员: 

     

    1. 中科院计算所的山世光教授
    2. 中科院生物识别研究所的李子青教授
    3. 清华大学的苏光大教授
    4. 香港中文大学的汤晓鸥教授
    5. Ross B. Girshick

     

    同时,下边链接汇总了计算机视觉大牛的博客和代码汇总:

     

    http://www.cnblogs.com/findumars/p/5009003.html


    主要开源项目

     

    SeetaFace人脸识别引擎。该引擎由中科院计算所山世光研究员带领的人脸识别研究组研发。代码基于C++实现,且不依赖于任何第三方的库函数,开源协议为BSD-2,可供学术界和工业界免费使用。github链接:

     

    https://github.com/seetaface/SeetaFaceEngine

     

    seetaface开源系统的介绍如下:

     

    https://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==&mid=2650325457&idx=1&sn=5fa67f028980b3f451d1e2b568d49cbf&chksm=f235a6dbc5422fcd7eefff058dfaccaeca2b3b0000ccee0edaf523a3db7740967c018cd25d00&scene=0#wechat_redirect

    主要软件API/SDK:

     

    1. face++。Face++.com 是一个提供免费人脸检测、人脸识别、人脸属性分析等服务的云端服务平台。Face++是北京旷视科技有限公司旗下的全新人脸技术云平台,在黑马大赛中,Face++获得年度总冠军,已获得联想之星投资。
    2. skybiometry.。主要包含了face detection、face recognition、face grouping。

     

    主要的人脸识别图像库: 

    目前公开的比较好的人脸图像库有LFW(Labelled Faces in the Wild)和YFW(Youtube Faces in the Wild)。现在的实验数据集基本上是来源于LFW,而且目前的图像人脸识别的精度已经达到99%,基本上现有的图像数据库已经被刷爆。下面是现有人脸图像数据库的总结:

    应用现状:

    现在在中国做人脸识别的公司已经越来越多,应用也非常的广泛。其中市场占有率最高的是汉王科技。主要公司的研究方向和现状如下:
     

    1. 汉王科技:汉王科技主要是做人脸识别的身份验证,主要用在门禁系统、考勤系统等等。
    2. 科大讯飞:科大讯飞在香港中文大学汤晓鸥教授团队支持下,开发出了一个基于高斯过程的人脸识别技术–Gaussian face, 该技术在LFW上的识别率为98.52%,目前该公司的DEEPID2在LFW上的识别率已经达到了99.4%。汤晓鸥老师实验室链接
    3. 川大智胜:目前该公司的研究亮点是三维人脸识别,并拓展到3维全脸照相机产业化等等。
    4. 商汤科技:主要是一家致力于引领人工智能核心“深度学习”技术突破,构建人工智能、大数据分析行业解决方案的公司,目前在人脸识别、文字识别、人体识别、车辆识别、物体识别、图像处理等方向有很强的竞争力。在人脸识别中有106个人脸关键点的识别

     

    展开全文
  • 视频监控中人脸识别现状与关键技术课题.pdf
  • 人脸识别技术的应用背景及研究现状.doc
  • 人脸识别技术研究现状综述.pdf
  • 本文首先介绍了人脸识别技术的研究背景、国内外研究现状和应用场景;研究了Viola&Jones人脸检测算法的基本原理,并对其中涉及的Haar-like特征、积分图方法、AdaBoost分类器和级联的思想进行了阐述;研究了基于PCA...
  • 基于云平台的人脸识别技术现状及应用.pdf
  • 人脸识别技术发展现状及未来趋势

    万次阅读 多人点赞 2019-02-20 10:05:40
    人脸识别技术商业化应用领域不断扩张的趋势下,"刷脸"办事正愈发常见。  人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。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...

      当前,随着人工智能、物联网等前沿技术的迅速发展,智能时代已悄然到来,"刷脸"逐渐成为了新的风潮。在人脸识别技术商业化应用领域不断扩张的趋势下,"刷脸"办事正愈发常见。

      人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。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进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。

      刚刚过去的2018年,是我国人脸识别技术全面应用的重要节点,标志着"刷脸"时代的正式到来。

      一、人脸识别技术发展背景

      人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。除了安防、金融这两大领域外,人脸识别还在交通、教育、医疗、警务、电子商务等诸多场景实现了广泛应用,且呈现出显著应用价值。为了进一步把握人脸识别技术所带来的重大机遇,我国出台了一系列政策予以支撑。

      2015年以来,我国相继出台了《关于银行业金融机构远程开立人民币账户的指导意见(征求意见稿)》、《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等法律法规,为人脸识别技术的应用以及在金融、安防、医疗等领域的普及奠定了重要基础。

      2017年,人工智能首次被写入全国政府报告;同年7月,国务院发布了《新一代人工智能发展规划》;12月,工信部出台了《促进新一代人工智能产业发展三年行动计划(2018-2020年)》,其中对人脸识别有效检出率、正确识别率的提升做出了明确要求。作为人工智能主要细分领域,人脸识别获得的国家政策支持显而易见。

      二、人脸识别技术发展历程

      

      人脸识别最初在20世纪60年代已经有研究人员开始研究,真正进入初级的应用阶段是在90年代后期,发展至今其技术成熟度已经达到较高的程度。整个发展过程可以分为机械识别、半自动化识别、非接触式识别及互联网应用阶段。

      与其他生物识别方式相比,人脸识别优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触,而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像,在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外,隐私性和安全性也是值得考虑的问题。人脸识别优势明显,未来将成为识别主导技术。具体来说,相比指纹识别、虹膜识别等传统的生物识别方式,优点主要还集中在四点:非接触性、非侵扰性、硬件基础完善和采集快捷便利,可拓展性好。在复杂环境下,人脸识别精度问题得到解决后,预计人脸识别有望快速替代指纹识别成为市场大规模应用的主流识别技术。

      

      三、人脸识别技术研发现状

      截至2018年7月2日,我国人脸识别技术专利申请总量达到10404项。其中,发明专利数最多,达到6589项,占比为63.33%;实用新型专利数其次,为2591项,占比为24.90%;外观、发明授权专利数占比分别为3.54%、8.23%。

      

      从申请专利数量来看,2007-2017年,我国人脸识别专利申请数量总体上呈上升的趋势。尤其是2014年后,人脸识别专利申请数量大幅增多;到2017年,人脸识别专利申请数量达到2847项。

      从公开专利数量来看,2007-2017年,我国人脸识别专利公开数量总体上呈趋势。2017年,我国人脸识别专利公开数量为2698项,达到近年来最大值;截至2018年7月,专利公开数量为2163项。

      四、人脸识别技术应用概况

      2014年是我国人脸识别技术的转折点,使人脸识别技术从理论走向了应用,2018年则是人脸识别技术全面应用的重要节点,"刷脸"时代正式到来。

      目前,从我国人脸识别技术应用来看,主要集中在三大领域:考勤门禁、安防以及金融。

      

      从具体应用来看,主要包含了公共安全领域的刑侦追逃、罪犯识别以及边防安全等;信息安全领域的政府职能领域的电子政务、户籍管理、社会福利和保险;商业企业领域的电子商务、电子货币和支付、考勤、市场营销;场所进出领域的军事机要部门、金融机构的门禁控制和进出管理等。

      

      2018年,人脸识别技术在更多的领域解锁了更多应用,广东省、江苏省、浙江省、河北省、青岛市等地在2018年的高考期间均启用了人脸识别系统;北京大学将人脸识别技术应用到了校园入园人员身份验证领域;北京市人社局也计划在市级公租房将全部安装人脸识别系统,以预防公租房违规转租;滴滴在6月正式上线人脸识别系统……

      从目前我国在人脸识别技术领域领先企业的应用布局来看,安防和金融是相对布局较多的领域,在物流、零售、智能手机、汽车、教育、地产、文娱广告等领域也均开始涉足。

      五、人脸识别未来发展趋势

      首先,人脸识别应用的最广泛领域便是安防行业,不仅给整个安防行业注入了新的生命活力,也进一步开拓了新的发展市场。作为安防市场未来的发展方向的智能视频分析,其中最重要的技术就是人脸识别。

      其二,我国的三维测量技术近年来发展形势较好,而现今3D人脸识别算法正对2D投影的缺陷做了补充,此外对于其中的传统难点,包括人脸旋转、遮挡、相似度等在内的都有了很好的应对,这也成为了人脸识别技术的另一个最为重要的发展路线之一。

      其三,大数据深度学习进一步提升了人脸识别的精确度,这也为2D人脸识别的应用作了一定的突破,将其应用于互联网金融行业当中,能够快速普及金融级应用。

      其四,人脸识别技术由于其便利性、安全性,可在智能家居中用作门禁系统以及鉴权系统,因此智能家居与人脸识别技术的融合是未来发展的重点方向。智能家居中的人脸识别系统是结合嵌入式操作系统和嵌入式硬件平台建立的,加强了人脸识别技术与智能家居应用的结合度,具有概念新、实用性强等特点。

      其五,人脸识别技术是未来基于大数据领域的重要发展方向。现如今公安部门都引入了大数据,这也弥补了传统技术的难点,通过人脸识别技术使得这些照片数据再度存储利用,能够大大提升公安信息化的管理和统筹,这将成为未来人脸识别的主要发展趋势。

    大连市妇科医院 http://yiyuan.120ask.com/dlfk/news/
    展开全文
  • 通过市场调研和方案选型,计划将现有门禁升级为含人脸识别及测温功能的门禁系统,具体方案如下。 一、项目现状 目前大楼共有3个IC卡刷卡门禁出入口通道,共用刷卡器,可能造成交叉传染,外来施工人员进出也可能共享...
  • 人脸识别技术的法律规制研究.pdf
  • 基于Matlab人脸识别(PCA算法)

    千次阅读 2022-02-17 12:09:09
    摘要 随着科技的发展,人类社会的进步,传统身份识别由于容易遗失,容易被破解已不能...在生物特征识别领域,由于人脸识别的操作快速简单,结果直观,准确可靠,不需要人的配合等优点已成为人们关注的焦点。主成分分...

    摘要

    随着科技的发展,人类社会的进步,传统身份识别由于容易遗失,容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二,不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域,由于人脸识别的操作快速简单,结果直观,准确可靠,不需要人的配合等优点已成为人们关注的焦点。主成分分析(principal component analysis ,PCA)通过提取高维度的人脸图像的主元,使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题,已经成为人脸识别领域非常重要的理论。本文研究的就是基于PCA的人脸识别算法的实现。

    本文按照完整人脸识别流程来分析基于PCA的人脸识别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了Orl人脸数据库。接下来是人脸图像预处理方法。由于Orl人脸图像质量较好,而且已经做过相应的预处理,所以本文试验中只使用灰度处理。接着使用PCA提取人脸特征,使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。在实验中我们发现基于PCA的人脸识别系统的识别率很高,而且具有一定鲁棒性,所以基于PCA的人脸识别算法的实现的研究还是有意义。


    关键词:人脸识别 PCA算法 奇异值分解定理 欧几里得距离



    Abstract

    With the development of science and technology, the progress of human society, the traditional identification is easy to lose, easy to be cracked and it has not play an identifiable role. People need a more secure and reliable identification technology. Biometric is unique, easy to lose and replication characteristics of good meet the needs of the identification. With the development of computer science and technology and biomedical makes use of biometric identification has become possible. In the field of biometric identification, face recognition with the advantages of operation is fast and simple, the results are intuitive, accurate and reliable, do not need co-ordination, has become the focus of attention. The principal component analysis (PCA) to extract high dimensional face image of the main element, making the images are processed in low-dimensional space and it reduces the difficulty of image processing. PCA solves effectively the problem of high dimension image space and it has become a very important theory in face recognition field. This paper is in this context of writing from.
    In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected Essex face database. Next is the face image preprocessing methods. Essex face image quality is better, and have done the appropriate pretreatment, using only gray-scale processing of this trial. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. In the experiment, we found that a high recognition rate of the PCA-based face recognition system, but with a certain robustness, the PCA-based face recognition algorithm to achieve meaningful.


    Keywords:face recognition PCA algorithm SVD Euclidean distance



    随着社会和科技的发展,社会步伐的加快,人们对高效可靠的身份识别需求日益强烈。各种技术在科研和实际中都受到了很大的重视和发展。由于生物特征内在的稳定性和唯一性使其成为了作为身份识别的理想依据。人脸特征作为典型的生物特征外,还有隐蔽性好,易于被用户接受,不需要人的配合等优点。现已成为了身份识别领域研究的热点。PCA算法通过降低维度,提取主元素,减少了数据冗余,解决了图像纬度太高无法处理或处理很慢的特点,同时保持了原始图像的绝大部分信息。在人脸识别领域,很多先进的识别算法都是在其基础上的改进。所以研究基于PCA的人脸识别算法实现具有重要的理论和使用价值。

    本文主要介绍基于PCA的人脸识别算法的实现,除第一章外,其余内容按照人脸识别的流程可分为人脸图像获取,人脸图像预处理,人脸特征提取和特征匹配四个部分。具体安排如下:

    第一章主要介绍人脸识别的研究现状,人脸识别技术的主要难点及人脸识别流程。

    第二章主要介绍常用的人脸图像预处理方法。

    第三章主要介绍PCA算法,SVD定理,如何通过PCA和SVD提取人脸特征及如何使用最近邻法分类器欧几里得距离来进行判别分类。


    1 人脸识别系统概述

    1.1 人脸识别的研究背景

    人脸识别的研究起源比较早,Galton 在1888年和1910年就已在Nature杂志发表两篇关于如何使用人脸进行身份识别的论文。在他的文章,他使用一组数字表示相异的人脸侧面特征,同时还对人类本身的人脸识别能进行了研究分析。

    自70年代以来,随着人工智能技术的兴起,人们发现许多对于人类而言可以轻易做到的事情,而让机器来实现却很难,如人脸图像的识别,语音识别,自然语言理解等。人们一直想做的事情就是让机器具有像人类一样的思考能力,以及识别事物、处理事物的能力,因此人们从多个角度来探求人类的思维机制、以及感知事物、处理事物的机制,并努力将这些机制用于实践,进行各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的。

    同时,进行人脸图像识别研究也具有很大的使用价值。如同人的指纹一样,人脸也具有唯一性,也可用来鉴别一个人的身份。现在己有实用的计算机自动指纹识别系统面世,但还没有通用成熟的人脸自动识别系统出现。与指纹图像不同的是,人脸图像受到诸多因素干扰,使得同一个人,在不同的环境下拍摄所得到的人脸图像不同,有时更会有很大的差别,给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别,也就更具有挑战性。

    虽然人脸识别至今已取得了丰硕的研究成果。但是到目前为止,世界上还没有任何一个完善且应用范围较广的人脸识别系统问世。

    1.2 人脸识别的发展趋势

    随着社会的进步,人脸识别技术将成为一个重要的研究热点,同时也会被应用于各个方面。其未来主要的发展趋势如下:

    1.2.1 数据融合与方法综合

    多环境多领域多方法多数据的相互补充和完善。利用数据综合分析,总结研究出更好的人脸识别效果。

    1.2.2 动态人脸识别

    静态人脸识别技术局限性较大,而随着社会的发展,动态人脸识别技术的应用和需求将大大增加。

    1.2.3 三维人脸识别

    实际上的人脸是三维的,三维人脸可以比二维人脸提供更加完整的信息,而目前的人脸识别是建立在二维图像上的。随着三维技术的应用越来越广,三维人脸识别也将成为研究热点。

    1.2.4 复杂背景下人脸分割技术

    在复杂背景下快速有效检测和分割人脸技术还需进一步的研究。

    1.2.5 全自动人脸识别技术

    全自动人脸识别技术具体难点在于人脸是非刚体,无法得到准确完整的描述人脸特征。如何有效的表达人脸特征将是其研究的重点。

    1.3 人脸识别技术的主要难点

    人脸识别技术有着非常美好的发展前景,但是以下几个难点一直在制约着突破性的进展:

    1.3.1 复杂条件下关键点定位

    关键点定位为实际人脸识别系统的前端处理模块,此模块直接影响着人脸识别系统的性能。复杂条件下的关键点定位是目前人脸识别急需解决的问题之一。

    1.3.2 姿态问题

    现在人脸识别算法主要以正面姿态为研究对象。当人脸姿态非正面时,人脸的识别度将会骤然下降。如何提高人脸识别系统对姿态的识别度人脸识别中一个具有挑战性的任务。

    1.3.3 表情问题

    表情是人机交互不可或缺的部分,但它很难用精确的数学模型来表示。由于目前的计算机技术的限制,计算机还不能准确的定位这些面部特征点,也无法辨别面部肌肉的运动。而且,不同表情没有固定的界限,不同人的表情也会有不同。

    1.3.4 遮挡问题

    由于采集到的人脸图像不一定都是完整的,这会影响人脸特征提取与识别,也可能会导致人脸检测算法的失效。如何有效地排除遮挡物的影响有着非常重要的意义。

    1.3.5 光照问题

    光照问题在人脸识别中表现得十分明显。但光照处理技术远未达到实用的程度,还需要深入的研究。

    以上列举了部分主要的技术难点,其他难点本文将不会涉及。

    1.4 人脸识别流程


    8045d8435645c219f879a4202716353e.png


    1.4.1 人脸图像获取

    人脸图像获取是通过传感器,将获取到的人脸图像转换为计算机可处理的数字信号。这是人脸识别的第一步。获取人脸图像时,要尽量排除干扰因素,是获取的人脸图像能够达到要求。

    1.4.2 预处理

    预处理是为了除去噪声和对测量仪器或其他因素对人脸图像造成退化现象进行复原。通过定位和分割算法从获取的图像中分割出我们要处理的人脸部分。常用的人脸预处理有:灰度变化,二值化,直方图均衡,图像滤波,图像锐化和归一化处理。

    1.4.3 特征提取

    特征提取就是通过提取人脸图像中能够凸显与其他个体差异的本质特征,进而来实现身份识别。本文讲解如何使用PCA算法提取人脸特征,进而实现人脸识别。

    1.4.4 特征匹配

    特征匹配是将采集到的人脸图像的特征模版与系统中已存储的特征模版进行比对,并输出最佳匹配对象。

    1.5 本章小结

    本章简略讲述了人脸识别系统的研究背景、发展趋势、主要技术难点和系统流程。研究背景模块主要讲述人脸识别的研究概况及研究意义;发展趋势模块主要讲述人脸识别技术未来的走向;主要技术难点模块主要讲述人脸识别的主要技术难点以及今后的研究热点;系统流程模块主要讲述人脸识别系统的工作流程及原理。



    2 人脸图像处理的MATLAB实现

    2.1 MATLAB简介

    由Math Work公司开发的MATLAB程序设计自由度大,程序的可移植性好。MATLAB推出了功能强大的适应于图像分析和处理的工具箱,常用的有图像处理工具箱、小波分析工具箱及数字信号处理工具箱。MATLAB图像处理工具箱支持索引图像、RGB图像、灰度图像、二进制图像并能操作BMP、JPG、TIF等多种图像格式文件。


    2.2 人脸图像常用预处理方法

    2.2.1 灰度变化

    beadea043018731ed2ee7a1b86f07f49.png

    046739a2d108596c56d521ce074a6ce4.png

    13d7c79a564bfe0f54bb3f0b929c2a54.png

    2.2.3 直方图均衡

    直方图均衡是将将各灰度级分量尽量均匀分布,从而来增强人脸图像的对比度。此外它还能减少光照对人脸图像的影响,使人脸特征提取变得容易,同时还提高了人脸图像的主观质量。其主要在于根据图像灰度分布和实际的需求选择合适的映射函数。选择函数可以连续平滑函数,也可以是分段函数。映射函数为分段函数时一般是基于想要突出人脸图像中某些灰度值物体的细节,又不想牺牲其他灰度值上的细节的考虑。这样可以是需要的细节灰度值区间得以拉伸,不需要的细节得以压缩。

    2.2.4 图像滤波

    现在消除噪声的方法有全局处理和局部算子两类。全局处理类的方法需要了解信号和噪声的统计模型。人脸图像预处理经常使用后一类方法。常用的有均值滤波器,高斯平滑滤波器,中值滤波器和边缘保持滤波器。

    2.2.4.1 均值滤波器

    3a4aef33c9f177280f37a015ae54bd4d.png

    2.2.4.2 中值滤波器

    中值滤波是一种非线性滤波方法。它在平滑脉冲噪声方面非常有效,同时它可以保护像素尖锐的边缘。它用像素点邻域灰度值的中值来代替该像素点的灰度值。该方法在去除脉冲噪声,椒盐噪声的同时又能保留图像边缘细节,这是因为它不依赖于邻域内那些与典型值差别很大的值。中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似,但滤波过程不再是加权运算。例如,取4*4窗函数,计算以点[i,j]为中心的窗函数的像素中值时,首先按强度值大小排列像素点,然后选择排序像素集的中间值作为点[i,j]的新值。

    中值滤波在一定条件下,可以克服线性滤波器带来的图像细节模糊的缺点,而且对滤除脉冲干扰是最有效的。但对一些细节多,特别是线,尖点等细节多的图像不宜采用中值滤波。

    2.2.5 图像锐化

    1b65be9d3935693694c10542c5a20bdb.png

    2.2.6 图像归一化

    057c64427e1bb2bacfca32594cf66162.png

    56639b9188f405cb46af7d84fc9ed4ad.png

    2.3 本章小结

    本章主要介绍了人脸图像常用预处理方法。在人脸图像常用预处理方法一节中主要介绍了常用的消除噪音的方法等,分别为灰度变化,二值化,直方图修正,图像滤波和图像锐化。



    3 主成分分析PCA算法

    3.1 算法说明

    e83970613030fcb2b7e3777923938068.png

    23987d6ed06c2976a7061e3cd74281bd.png

    8f6026d5d022c3053e58efc4c5b8fee5.png

    97da84f1d3d408cbdf9594f4d57c8edd.png

    3.2 算法实现步骤

    9183d2419b1e231a706e489f2355dc81.png

    e4ee1acff2350375d2ec8f2323ee4615.png

    e0ec2afe0d80bd87526b1e69e06c6f81.png

    b20905691260d36bc64b46ea0addf164.png


    3.4 实验结果

    本实验采用的人脸库为orl。其中包括40个人的人脸图像,每人10张不同表情的图像。本次试验将40个人的图像库中抽取40张图像(没人一张)作为测试样本,剩余的360张人脸图像作为样本库。

    本实验主要包括四.m个文件以及两个文件夹,其中Distance.m用来计算欧氏距离;PCA.m用来提取一张图像的前n维特征值,Quantization.m用来将矩阵向量化,show.m为主函数,包括界面等部分,orl为样本库,test为测试样本集。


    515438eb031ebec75c82f3bac19907b8.png


    实验结果如下:

    1. 打开一个测试样本,并检索出样本库中与该图像最相似的图像


    e517119e83fc35d638fd1e17ceb07be4.png


    Fig 1 左上图为测试样本,左下图为平均脸,中间的图为检索出的结果所对应的降维后的图像,即PCA脸,右边图为样本库中最相似的图像,从上到下,从左到右依次排列

    3.5 本章小结

    在本章主要讲解PCA基本理论和PCA在人脸识别中应用。在第一节中主要讲解了PCA基础理论,使用PCA进行数据分析的优点和PCA方法在计算机视觉领域的应用。在第二节中主要讲解了如何进行基于PCA的人脸识别。


    结 论

    基于MATLAB数字图像处理与识别系统其实是一个范围很大的应用系统,关于“人脸识别”,在了解了人脸识别的各种方法后。选择了图像直方图差值比较进行了实现。该方法能较好地实现人脸的分类,但对人脸图像的要求较高,目前仅是采用Orl的标准人脸库中的图像来进行测试,因此能获得较高的识别率。而在现实生活中采集到的人脸图像则会受到很多因素的影响,识别率就未必能达到要求了。若要进一步提高识别率和适用范围,则还需要结合其它算法,如PCA、神经网络等。

    本文研究的是基于PCA的人脸识别算法的实现。人脸特征提取算法为PCA算法,分类方法采用的是最小距离分类法。通过实验发现在无光照变换,正面姿态,少量遮挡情况下,基于PCA的人脸识别系统的识别率很高,而且反应很迅速。当然也存在着一些问题,例如本文对图像的光照变化,其他姿态没有进行考虑,但实际中这是无法忽略的问题,有可能会导致人脸识别识别率减小。

    为了进一步提高基于PCA的人脸识别系统的性能和适应性,我们可以通过以下几个方面进行改进:

    改进图像获取方法:我们可以通过使用人脸检测和跟踪算法,在图像获取的时候,动态跟踪和检测人脸,只采集最佳姿态下的人脸图像。这在一定程度可以解决姿态所引起的问题,但也同时对系统的检测和跟踪人脸的反应时间提出较严格的要求。如果反应时间较长,对于快速移动的人脸可能错过采集最佳姿态的图像,而导致系统无法识别人脸。

    改进人脸识别特征提取算法:基于PCA的人脸识别虽考虑了人脸图像间的差异,但是不能区分这种差异是由光照,发型变更或背景导致,还是人脸的内在差异,因此特征脸的识别方法在理论上存在一定的缺陷。究其原因是人脸图像中所有像素都处于同等地位,在角度,光照,尺寸和表情变换可能会导致性能急剧恶化。采用同一个人的训练样本的平均来计算人脸图像类间散布矩阵可在一定程度上补偿这个缺点。同时也可以对输入的人脸图像做规范化处理,主要包括对人脸图像做均值方差归一化,人脸尺寸归一化。另外还可以在计算特征脸的同时利用K-L变换计算特征眼睛和特征嘴,然后将这些局部特征向量加权进行匹配,可能会得到更好的结果。我们也可以将人脸进行差异化分类,可分为脸间差异和脸内差异。脸内差异表示同一个人脸的各种可能变形。脸间差异表示不同人的本质差异。在实际中,人脸图像的差异为两者之和。若脸内差异大于脸间差异,则认为两个人脸图像属于一个人的可能性较大。

    改进人脸识别的分类器:最近邻法分类器属于一种线性分类器。在实际中可以利用神经网络这类学习能力强的非线性分类器对高维人脸识别可能会取得更好的效果。

    综合不同的人脸识别方法:在目前,仅仅单独采用一种现有的人脸识别方法一般都不会取得很好的识别效果。各种技术和方法都有自己不同的适应环境和各自的特点。如果我们想进一步提高人脸识别系统的识别率,可以考虑使用数据融合理论,将不同的方法综合起来,相互补充,来取得很好的人脸识别效果。这也是为人脸识别的研究趋势之一。

    展开全文
  • 英国赫特福德大学与 GBG Plc 的研究者近日发布了一篇综述论文,对人脸识别方法进行了全面的梳理和总结,其中涵盖各种传统方法和如今风头正盛的深度学习方法。机器之心重点编译介绍了其中的深度学习方法部分,更多...
  • 车载人脸识别技术应用现状及发展趋势.pdf
  • 2.6 百度智能云人脸识别接口 ............................................. 4 3 系统分析................................................................. 5 3.1 可行性分析 ...................................
  • 分析了当前人脸识别技术在深度学习应用中存在的问题及发展趋势
  • 人脸识别是目前计算机技术研究的热门领域,广泛应用于人们的日常生活,如门禁系统、摄像监视系统、相机 以及智能手机等。传统的人脸识别技术需要经过人工特征提取、特征选择以及分类器选择等一系列复杂步骤,然 而 ...
  • 人脸识别技术的应用背景及研究现状.pdf
  • 人脸识别技术的医学诊断应用的发展与现状.pdf
  • 对近年来人脸识别技术进行了广泛的调研
  • 人脸识别技术的现状和发展趋势
  • 试论人脸识别技术的现状和发展_方明.pdf
  • 人脸识别现状和发展.pdf
  • 1 人脸识别的发展及现状  人脸识别的研究已经有很长的历史,在19世纪,法国人Galton就曾对此问题进行了研究,他用一组数字代表不同的人脸侧面特征来实现对人脸侧面图像的识别。国内外对于人脸识别的研究发展,分别...
  • 人脸识别技术研究意义应用和发展现实状况 1人脸识别发展 人脸是人类情感表示和交流最关键最直接载体经过人脸能够推断出一个人种族地域甚至身份地位等信息大家还能经过人脸丰富而复杂细小改变得到对方个性和情绪状态...
  • 人脸识别技术的现状和发展.pdf
  • 针对当前医院视频监控实际现状,我们对人脸识别技术在医院挂号、看病、取药管理的实际应用尤其是打击号贩子、药贩子等人员的应用方面进行需求分析。 1、号贩子、药贩子识别 号贩子和药贩子倒号、倒药的行为严重损害...
  • 人脸识别技术的现状和发展探讨.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,868
精华内容 2,347
关键字:

人脸识别现状