01—人臉識別的定義

人臉識別技術(shù)始于20世紀70年代初，是計算機視覺(CV,Computer Vision)中里很典型的應用。而計算機視覺屬于深度學習(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)的基于人工設計的特征和機器學習技術(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)集訓練的深度神經(jīng)網(wǎng)絡(DNN)和卷積神經(jīng)網(wǎng)絡（CNN）的深度學習方法。

早期使用CNN深度學習人臉算法效果不佳的原因是算力及數(shù)據(jù)量不夠。現(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確度已經(jīng)很高了，Facebook的DeepFace在LFW上取得了97.35%的準確率，之后Google推出的FaceNet在LFW上取得了99.63%的準確率。人臉識別領域目前的發(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。

人臉對齊
人臉對齊的目標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、準正面人臉圖像，當發(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。