過去的2017年，手機的安全功能進入了人臉識別技術時代，其實在我們生活中涉及安全范疇的領域，人臉識別技術已經被廣泛使用了。

人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡以及認知科學等領域研究的熱點課題之一，被廣泛應用于公共安全(罪犯識別等)、安全驗證系統(tǒng)、信用卡驗證、醫(yī)學、檔案管理、視頻會議、人機交互系統(tǒng)等各個方面。

人臉識別技術

計算機人臉識別技術也就是利用計算機分析人臉圖象, 進而從中提取出有效的識別信息, 用來“辨認”身份的一門技術.雖然人類的人臉識別能力很強, 能夠記住并辨別上千個不同人臉, 可是計算機則困難多了. 其表現(xiàn)在: 人臉表情豐富; 人臉隨年齡增長而變化; 人臉所成圖象受光照、成象角度及成象距離等影響;人臉識別還涉及到圖象處理、計算機視覺、模式識別以及神經網絡等學科, 也和人腦的認識程度緊密相關。

所謂“人臉識別 (Face Recognition)”的研究范圍十分寬泛，大致可以被分為以下幾個方面的內容：

1、人臉檢測(Face Detection)：

即從各種不同的場景中檢測出人臉的存在并確定其位置。在大多數的場合中由于場景較復雜，人臉的位置是預先不知道的，因而首先必須確定場景中是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。臉部毛發(fā)、化妝品、光照、噪聲、面部傾斜和人臉大小變化以及各種各樣遮擋等因素都會使人臉檢測問題變得更為復雜。人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區(qū)域，把圖像分割成兩個部分-人臉區(qū)域和非人臉區(qū)域，從而為后續(xù)的應用作準備。

2、人臉表征(Face Representation)：

即采取某種表示方式表示檢測出的人臉和數據庫中的已知人臉。通常的表示法包括幾何特征(如歐氏距離、曲率、角度)、代數特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。

3、人臉識別(Face Identification)：

即將已檢測到的待識別的人臉與數據庫中的已知人臉進行比較匹配，得出相關信息，這一過程的核心是選擇適當的人臉的表征方式與匹配策略，系統(tǒng)的構造與人臉的表征方式密切相關。通?；蚴沁x擇全局的方法或是選擇基于特征的方法進行匹配。顯然，基于側面像所選擇的特征和基于正面像的特征是有很大的區(qū)別的。

4、表情分析(Expression Analysis)：

即對待識別人臉的表情信息(快樂、悲傷、恐懼、驚奇等)進行分析，并對其加以歸類。

5、生理分類(Physical Classification)：

即對待識別人臉的生理特征進行分析，得出其種族、年齡、性別、職業(yè)等相關信息。顯然，完成這一操作需要大量的知識并且通常是非常困難和復雜的。

人臉識別技術的發(fā)展歷程

人臉識別的工程應用始于20世紀60年代，經過50多年的研究，大致可以分為以下三個階段：

第一階段是主要解決了人臉識別所需要的面部特征。

這一階段的研究以Bertillon、Allen和Parke為代表。在 Bertillon的系統(tǒng)中，用一個簡單的語句與數據庫中某一張臉相聯(lián)系，同時與指紋分析相結合，提供了一個較強的識別系統(tǒng)。而Allen則設計了一種有效的摹寫手段，并在其后由Parke用計算機實現(xiàn)。然而無論是哪種方式，該階段的識別過程仍然全部依賴于操作人員，需要許多人為干預，無法實現(xiàn)自動人臉識別。

第二階段是人機交互式識別階段。

研究人員用數學模型描述人臉圖像中的五官長度等主要幾何特征，并通過歐氏距離進行相似性度量。Harmon和Lesk利用多維特征矢量表示人臉面部特征，并設計了基于這一特征表示法的識別系統(tǒng)。其后，Kaya、Kobayashi和T. Kanad也分別采用了各種不同的方式，對幾何特征計算進行了研究[5][6]。但是，該方法依賴于操作員的知識，仍無法擺脫人的干預。

第三階段是真正的機器自動識別階段。

該階段人臉識別技術有了重大突破，很多經典算法相繼出現(xiàn)，如特征臉、子空間方法、彈性圖匹配法、基于統(tǒng)計外觀模型和神經網絡的人臉識別等。同時，也出現(xiàn)很多用于算法性能測試的公開人臉庫，如ORL人臉庫、YaleB人臉庫、FERET人臉庫等。