人脸识别

1.2 人脸识别研究背景与意义
人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。
1.2.1 人脸识别系统的发展历程
第一阶段（1950s—1980s）初级阶段：
人脸识别被当作一个一般性的模式识别问题，主流技术基于人脸的几何结构特征。这集中体现在人们对于剪影（Profile）的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事 AFR 研究的研究人员除了布莱索（Bledsoe）外还有戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。
第二阶段（1990s）高潮阶段：
 这一阶段尽管时间相对短暂，但人脸识别却发展迅速，不但出现了很多经典的方法，例如Eigen Face, Fisher Face和弹性图匹配；并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics（现为 Identix）的 FaceIt 系统。 从技术方案上看， 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。
第三阶段（1990s末~现在）
人脸识别的研究不断深入，研究者开始关注面向真实条件的人脸识别问题，主要包括以下四个方面的研究：
（1）提出不同的人脸空间模型，包括以线性判别分析为代表的线性建模方法，以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。
（2）深入分析和研究影响人脸识别的因素，包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。
（3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度学习方法。
（4）利用新的数据源，例如基于视频的人脸识别和基于素描、近红外图像的人脸识别。

1.2.2 人脸识别的应用领域和趋势
人脸识别应用广泛，可应用于自动门禁系统、身份证件的鉴别、银行ATM 取款机以及家庭安全等领域。具体来看主要有：
（1）公共安全：用于公安刑侦追逃、罪犯识别、边防安全检查；
（2）信息安全：用于计算机和网络的登录、文件的加密和解密；
（3）政府职能：用于电子政务、户籍管理、社会福利和保险；
（4）商业企业：用于电子商务、电子货币和支付、考勤、市场营销；
（5）场所进出：用于军事机要部门、金融机构的门禁控制和进出管理等。
而人脸识别的趋势大概包括以下几方面：
（1）机器识别与人工识别相结合：在实际生活中识别率会受到诸多因素的影响而降低，采用机器识别与人工识别相结合的方式才能最大限度的做到人脸图像的精准识别。
（2）3D 人脸识别技术的广泛应用：例如，2017 年，iPhone X 这部搭载了众多最新前沿技术的智能手机一经亮相，便引起业界的极大关注。其中最引人注目的当属于一项黑科技：3D 人脸解锁功能，即 Face ID，一种新的身份认证方式。在开锁时，用户只需要注视着手机，Face ID 就能实现人脸识别解锁。
（3）基于深度学习的人脸识别技术的广泛应用：目前主流的人脸识别技术大多都是针对轻量级的人脸图像数据库，对于未来完全可预见的亿万级的人脸图像数据库则还不太成熟，因此需要重点研究基于深度学习的人脸识别技术。
（4）人脸图像数据库的实质提升：随着人脸识别技术的应用，建立具备优良的多样性和通用性的人脸图像数据库也是一个必然的事情。