人脸识别无需干扰人们的正常行为就能较好地达到识别效果,无需担心被识别者是否愿意将手放在指纹采集设备上,他们的眼睛是否能够对准虹膜扫描装置等等。只要在摄像机前自然地停留片刻,用户的身份就会被正确识别。
采集设备简单,使用快捷,一般来说,常见的摄像头就可以用来进行人脸图像的采集,不需特别复杂的专用设备。图像采集在数秒内即可完成。
通过人脸识别身份的方法与人类的习惯一致,人和机器都可以使用人脸图片进行识别。而指纹,虹膜等方法没有这个特点,一个没有经过特殊训练的人,无法利用指纹和虹膜图像对其他人进行身份识别。
人。脸图像信息的采集不同于指纹信息的采集,利用指纹采集信息需要用手指接触到采集设备,既不卫生,也容易引起使用者的反感,而人脸图像采集,用户不需要与设备直接接触。
在人脸识别后,下一步数据的处理和应用,决定着人脸识别设备的实际应用,如应用在出入门禁控制,人脸图片搜索,上下班刷卡,恐怖分子识别等各个领域,可扩展性强。
1991年,著名的“特征脸”(Eigenface)方法第一次将主成分分析和统计特征技术引入人脸识别,在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大,例如,Belhumer成功将费舍尔判别准则应用于人脸分类,提出了基于线性判别分析的Fisherface方法。
21世纪的前十年,随着机器学习理论的发展,学者们相继探索出了基于遗传算法,支持向量机(支持向量机SVM)增加,流形学习以及核方法等进行人脸识别.2009年至2012年,稀疏表达(稀疏表示)因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。与此同时,业界也基本达成共识:基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。
微软亚洲研究院的研究者首度尝试了十万规模的大训练数据,并基于高维枸杞多糖特征和联合贝叶斯方法在LFW上获得了95.17%的精度。这一结果表明:大训练数据集对于有效提升非受限环境下的人脸识别很重要。然而,以上所有这些经典方法,都难以处理大规模数据集的训练场景。
2014年前后,随着大数据和深度学习的发展,神经网络重受瞩目,并在图像分类,手写体识别,语音识别等应用中获得了远超经典方法的结果。香港中文大学的太阳易等人提出将卷积神经网络应用到人脸识别上,采用20万训练数据,在LFW上第一次得到超过人类水平的识别精度,这是人脸识别发展历史上的一座里程碑。自此之后,研究者们不断改进网络结构,同时扩大训练样本规模,将LFW上的识别精度推到99.5%以上。人脸识别发展过程中一些经典的方法及其在LFW上的精度,都有一个基本的趋势:训练数据规模越来越大,识别精度越来越高。
人脸识别最全知识图的谱,中国学者数量全球第三——清华大学出品
