关于智能手机中的人脸识别技术

电子科技大学 格拉斯哥学院 2017级 严琳妹

前言：技术介绍

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。随着智能手机的发展，这项技术在手机中的运用还处于初级阶段。首先是在娱乐方面诸如美颜相机，可提供人脸识别，人脸追踪，关键特征点检测等技术。在手机个人隐私安全方面，这项技术被运用到开机解锁时，利用手机自带摄像头将该使用者面部与手机存储信息进行对比，只有信息一致才能解锁成功。另外，这项技术也被初步应用到电子商务方面。目前，全球最大的网上支付公司贝宝在英国推出了“人脸识别”网上支付功能，用户只需带着智能手机即可轻松购物。

主体： 经典算法介绍

特征脸法（Eigenface）
征脸技术是近期发展起来的用于人脸或者一般性刚体识别以及其它涉及到人脸处理的一种方法。使用特征脸进行人脸识别的方法首先由 Sirovich 和 Kirby（1987）提出（《Low- dimensional procedure for the characterization of human faces》），并由 Matthew Turk 和 Alex Pentland 用于人脸分类（《Eigenfaces for recognition》）。首先把一批人脸图像转换成一个特征向量集，称为“Eigenfaces”，即“特征脸”，它们是最初训练图像集的基本组件。识别的过程是把一副新的图像投影到特征脸子空间，并通过它的投影点在子空间的位置以及投影线的长度来进行判定和识别。
将图像变换到另一个空间后，同一个类别的图像会聚到一起，不同类别的图像会聚力比较远，在原像素空间中不同类别的图像在分布上很难用简单的线或者面切分，变换到另一个空间，就可以很好的把他们分开了。Eigenfaces 选择的空间变换方法是 PCA（主成分分析）， 利用 PCA 得到人脸分布的主要成分，具体实现是对训练集中所有人脸图像的协方差矩阵进行本征值分解，得到对应的本征向量，这些本征向量就是“特征脸”。每个特征向量或者特征脸相当于捕捉或者描述人脸之间的一种变化或者特性。这就意味着每个人脸都可以表示为这些特征脸的线性组合。
局部二值模式（Local Binary Patterns，LBP）
局部二值模式（Local Binary Patterns LBP）是计算机视觉领域里用于分类的视觉算子。LBP 一种用来描述图像纹理特征的算子，该算子由芬兰奥卢大学的 T.Ojala 等人在 1996 年提 出 （ 《 A comparative study of texture measures with classification based on featured distributions》）。2002 年， T.Ojala 等人在 PAMI 上又发表了一篇关于 LBP 的文章（《Multiresolution gray-scale and rotation invariant texture classification with local binary patterns》）。这一文章非常清楚的阐述了多分辨率、灰度尺度不变和旋转不变、等价模式的改进的 LBP 特征。LBP 的核心思想就是：以中心像素的灰度值作为阈值，与他的领域相比较得到相对应的二进制码来表示局部纹理特征。
LBP 是提取局部特征作为判别依据的。LBP 方法显著的优点是对光照不敏感，但是依然没有解决姿态和表情的问题。不过相比于特征脸方法，LBP 的识别率已经有了很大的提升。

总结： 未来发展趋势

总的来说，人脸识别的趋势包括以下几方面。

1、机器识别与人工识别相结合

目前市面上主流的一些人脸识别公司在引用国内外知名的人脸图像数据库进行测试时， 其人脸识别的精准性一般都可以达到 95%以上，而且进行精准人脸识别的速度也非常快，这也从侧面为人脸识别技术投入实际应用提供了强有力的实践证明。

不过在实际的生活中，每个人的人脸相对于摄像头而言并不是保持静止不动的，相反则是处于高速的运动状态之中，摄像机采集到的人脸图像会因为人脸的姿态、表情、光线、装饰物等不同而呈现出完全不同的样子，也极有可能会出现采集到的人脸图像不清晰、不完整、关键部位特征不明显的情况，这个时候人脸识别系统也就可能无法做到快速和精准的人脸识别了。

因此在设定了一定的人脸图像相似程度数值之后，人脸识别公司系统会对高于该相似程度数值的人脸图像做出提示，然后再由人工进行逐个的筛选，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

不论是时下主流的人脸图像数据库中已经保存好的人脸图像，还是在街边路口由摄像头实时采集到的人脸图像，绝大多数其实都是一张 2D 人脸图像。2D 人脸图像本身其实存在着固有的缺陷，那就是它无法做到深度的表达人脸图像信息，在拍摄时特别容易受到光照、姿态、表情等因素的影响。而对于人脸来讲，人脸面部包括眼睛、鼻子、耳朵、下巴等诸多的关键部位并不是处于一个平面上的，人脸天然具有立体效果，拍摄 2D 人脸图像不能够很好的完全反映出人脸面部的全部关键特征。

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。