人脸识别技术解密

在人类大脑中，有特定的脑区（Fusiform face area,FFA）去负责图像识别。在识别人脸的过程中，会先观察照片上的人脸特征，例如鼻子两侧、嘴角、耳朵等等，然后记住这些特征，再进行匹配。相比之下，人工智能的识别有怎样的不同？

通常情况下，人脸识别主要包括人脸检测、人脸图像预处理、人脸图像特征提取、人脸图像匹配与识别四个步骤。目前百度人脸测试集有200万人的2亿张图片作为训练样本数据。

其中，人脸检测主要包括根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸，即在在一幅图像或一序列图像（比如视频）中判断是否有人脸,若有则返回人脸的大小、位置等信息。

而由于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校正、噪声过滤等图像预处理。

人脸图像的预处理主要包括人脸对准，人脸图像的增强，以及归一化等工作。其中，人脸对准是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别；归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像。

人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。

人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：

一类是人脸确认，是一对一进行图像比较的过程，将某人面像与指定人员面像进行一对一的比对，根据其相似程度(一般以是否达到或超过某一量化的可信度指标/阀值为依据)来判断二者是否是同一人。 　　

另一类是人脸辨认，是一对多进行图像匹配对比的过程。将某人面像与数据库中的多人的人脸进行比对(有时也称“一对多”比对)，并根据比对结果来鉴定此人身份，或找到其中最相似的人脸，并按相似程度的大小输出检索结果。

影响人脸识别的因素有：光照、人脸姿态、遮挡程度；影响特征提取的因素有：光照、表情、遮挡、年龄、模糊是影响人脸识别精度的关键因素。

例如，在双胞胎识别上，人脸识别是在脸部骨骼上取尽可能多的点，通过计算机把这些点分别与自己已经存储的脸比较，有差别就判断出来。而双胞胎之所以会不容易识别，就是因为骨骼太相似，导致差别特别细微，如果选取的面部骨骼点不够多，就无法进行识别。

而跨年龄阶段人脸识别中影响的因素更多：一方面，类内变化通常会大于类间变化，这造成了人脸识别的巨大困难。同时，跨年龄的训练数据难以收集。没有足够多的数据，基于深度学习的神经网络很难学习到跨年龄的类内和类间变化。

基于第一点，百度IDL的人脸团队选择用度量学习的方法。即通过学习一个非线性投影函数，把图像空间投影到特征空间中。在这个特征空间里，跨年龄的同一个人的两张人脸的距离会比不同人的相似年龄的两张人脸的距离要小。

针对第二点，考虑到跨年龄人脸的稀缺性，百度IDL用一个用大规模人脸数据训练好的模型作为底座，然后用跨年龄数据对他做更新。这样不容易过拟合。而将这两点结合起来做端到端的训练，可以大幅度提升跨年龄识别的识别率。