一文看懂人臉識別技術流程

文章出處：http://www.xianjuhong.com 作者：IT之家 人氣： 發(fā)表時間：2020年07月20日

舉個例子，十多年前大家還在普遍用現(xiàn)金的時代，小編在商店買東西排隊結(jié)賬，每當看到收銀員找零時手忙腳亂的樣子就會心急如焚，只恨不能拿了東西直接走人。那時候年幼的小編就攥緊拳頭夢想著以后一定要發(fā)明一種不用找零錢的方法。

后來這個在心底萌芽多年的夢想被別人實現(xiàn)了，失望之余小編也樂享其成。用手機掃掃碼就能付錢可比現(xiàn)金方便快捷多了?？商熘佬【?ldquo;懶癌+急癌”晚期，久而久之竟覺得抬手掃碼、輸入密碼這樣的動作也很麻煩。所以后來出現(xiàn)的指紋支付算是拯救了小編。

再后來，連手指都不用動了，因為出現(xiàn)了“刷臉支付”，配合手上iPhone的卓越體驗，不得不說小編愛死了這個功能。

嗯，刷臉支付將小編從付錢時漫長等待的焦躁和不安中解救了出來，所以在IT之家編輯部的科技氛圍里淫浸多年后，小編覺得有必要為大家講一講“刷臉”到底是個什么東西，也可算是知恩圖報了！

“刷臉”，顧名思義，背后是一項關鍵技術：人臉識別。

別看這兩年因為在智能手機上的使用而大熱，其實人臉識別技術最早的研究還要追溯到20世紀50年代，當時已經(jīng)有科學家在研究人臉輪廓的提取方法，但受限于技術水平，這項技術的相關研究一度停滯，直到20世紀80年代，人臉識別的方法才有了新的突破，神經(jīng)生理學、腦神經(jīng)學、視覺等相關知識被引入，人臉識別進入了新的發(fā)展階段。

所以，當前階段的人臉識別不是單一的技術，而是融合了神經(jīng)生理學、腦神經(jīng)學、計算機視覺等多方面學科的技術。不過，本質(zhì)上它還是一項計算機視覺技術。

當然，IT之家做這篇文章的重點不在于回顧人臉識別的歷史，而是和大家講講人臉識別背后的一些基本原理。

人臉識別技術系統(tǒng)的基本邏輯架構(gòu)

我們每天用人臉識別技術解鎖手機、結(jié)賬付款，是那么的自然，但相信很少有同學深入思考這項技術背后是怎樣一個流程。

前面我們說，計算機視覺是人臉識別關系最緊密的技術。所以我們從這一點入手。

計算機視覺，通俗來說就是利用攝像頭等設備代替人眼，來獲取圖像，利用計算機對圖像信息進行處理，綜合人類的認知模式來建立人類視覺的計算理論。

這其中，最難的無疑是如何處理圖像信息、如何模擬人類的認知模式。

為了解決這些問題，計算機視覺還引入了圖像處理、模式識別、圖像理解、圖像生成等學科的知識。

圖像處理就是把原始圖像轉(zhuǎn)換成計算機更容易識別的圖像；模式識別，就是計算機判斷自己要識別的是什么和怎么識別的過程；圖像理解，就是對圖像中描述的景物進行分析；圖像生成，舉例來說就是當圖像的部分信息缺失時，能夠?qū)⑷笔У男畔⒀a上……

這些都是計算機視覺需要借助的學科技術。這里面我們要著重講的是模式識別，它是一個獨立的理論體系，具體到計算機視覺領域的應用，它表示將計算機表示出來的圖像和一致的類別進行匹配的過程。

有點懂是吧。IT之家為大家通俗解釋一下，所謂“識別”，就是先認識，然后辨別。認識什么？認識的是圖像和從圖像中總結(jié)的目標物體的特征。怎么辨別？就是將總結(jié)出來的特征和自己已經(jīng)掌握的特征庫進行比對，然后才能實現(xiàn)辨別。

我們?nèi)祟愖R別一樣物體也是遵循這個邏輯，先總結(jié)特征，然后比對。至于前面的“模式”，就有點抽象了，你可以理解為一種規(guī)律，它影響著特征和類型比對的結(jié)果。

沒錯，人臉識別本質(zhì)上也是這個過程。

所以，我們沿著模式識別的思路，來看看它的整體過程：分別為預處理、特征提取和分類等。我們畫出如下流程圖：

預處理是第一步，但是這部分工作可能很多很雜，例如減少圖像中的噪聲干擾、提高清晰度、還有包括圖像濾波、變換、轉(zhuǎn)碼、模數(shù)轉(zhuǎn)化等。

特征提取，就是在預處理后的圖像中，提取對識別有明顯作用的特征，并在這個過程中降低模式特征的維數(shù)，令其便于處理。這是一個復雜的過程，后面我們講到具體方法時候會有體現(xiàn)；

分類，就是對提取到的特征值按照一定的準則進行分類，便于決策。

舉個例子，計算機要識別出這張照片中的男人，當它拿到照片時，可能覺得畫面太暗，先提個亮度，然后又發(fā)現(xiàn)噪點太多，再做個降噪……一頓操作后感覺可以了，再將照片轉(zhuǎn)化為數(shù)字信息，這個過程是預處理。

提取出來的特征值會進入單獨的特征空間，因為這樣可以更好地識別和做分類。接下來，就要對特征空間里的數(shù)據(jù)進行分類了，讓它們眼睛歸眼睛，鼻子歸鼻子，頭發(fā)歸頭發(fā)……基于這些分類好的數(shù)據(jù)，計算機才可以進行識別判斷和決策。

當然，為了方便大家理解這個邏輯過程，IT之家在這里只是舉例粗略地說明，可能不準確，實際的步驟也是相當復雜的，還要考慮各種干擾的因素，例如圖像的質(zhì)量不清晰、背景復雜、圖像光照分布不均勻、目標姿勢角度出現(xiàn)扭曲或者佩戴了頭飾、眼鏡以及張了胡須、化了妝等等各種情況。

還有要說明的一點是，這個模式識別的系統(tǒng)是需要一個自我訓練、學習的過程的，其中最重要的是對前面分類錯誤率的訓練（分類器訓練），因為在前面的分類中，我們無法保證分類的結(jié)果是100%正確的，但必須控制在一定的錯誤率之類，這必須通過大量的訓練樣本來不斷修正，令錯誤率符合要求。

好了，基于以上對計算機視覺模式識別的討論，我們就可以給出人臉識別系統(tǒng)的主要功能模塊了：

可能有小伙伴覺得上面這個舉出功能模塊太簡單了，所以我們再精確一些，給出下面的邏輯架構(gòu)圖，相信不難理解：

人臉識別的主流方法

在上面一部分，我們主要介紹了人臉識別的基本邏輯流程，其實人臉識別的基本思想是比較類似的，都是要將圖像中的特征提取出來，轉(zhuǎn)換到一個合適的子空間里，然后在這個子空間里衡量類似性或分類學習。但問題在于，對客觀世界采用怎樣協(xié)調(diào)統(tǒng)一且有成效的表示法？我們要找到怎樣合適的子空間，怎樣去分類，才能區(qū)分不同類，聚集相似的類別？為解決這些問題，衍生出了很多種方法和解決方案。

所以說，我們所說的人臉識別技術是籠統(tǒng)的，事實上，這是一個很多技術和方法的集合。

我們不妨依據(jù)上面的邏輯結(jié)構(gòu)圖來逐步說明。

1、預處理

人臉圖像的預處理，這一步?jīng)]有太多可說的，主要包括消除噪聲、灰度歸一化、幾何校正等，這些操作一般有現(xiàn)成的算法可以實現(xiàn)，屬于比較基本的操作。不過要說明的是，這里主要說的是靜態(tài)人臉圖像的預處理，如果是動態(tài)人臉圖像的預處理，就比較復雜了，一般是要先將動態(tài)人臉圖像分割成一組靜態(tài)人臉圖像，然后對人臉進行邊緣檢測和定位，在做一系列的處理，這里就不展開了。

2、特征提取

圖像特征的提取是比較關鍵的一步（上文所說的模式空間向特征空間的跨越），但對于圖像處理來說也是比較初級的一步。目前關于圖像特征提取的方法有很多，但其實我們想一想，通常而言圖像的特征還是可以歸類的，例如顏色特征、紋理特征、空間關系特征、形狀特征等，每一種特征都有匹配的方法，其中有一些比較經(jīng)典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，小編當然不可能一一講解，所以這里選取其中一種——HOG特征法。

HOG特征也叫方向梯度直方圖，它是由Navneet Dalal和Bill Triggs在2005年的一篇博士論文中提出的。我們簡單來看它是怎么進行的。

我們以這張照片為例，第一步是要將它變成黑白的照片，因為色彩信息在這里對識別并沒有幫助。

在這張黑白照片中，我們從單個像素看起，觀察它周圍的像素，看它是往哪個方向逐漸變暗的，然后用箭頭表示這個像素變暗的方向。

如果對每個像素執(zhí)行這樣的操作，這樣所有像素都會被這樣的箭頭取代，它們表示了像素明暗變化的方向。每一個這樣的箭頭表示明暗梯度。

事實上，對于每一個像素，給定坐標系，我們能夠求出它的梯度方向值。計算的方法比較復雜，我們不需要了解，只需要知道這一步是為了捕獲目標的輪廓信息，同時進一步弱化光照的干擾。

如果是以這樣的方式做提取的話，計算量會很大。所以我們會把圖像分割成8x8像素的小方塊，叫做一個Cell，然后對每個Cell計算梯度信息，包括梯度的大小和方向。得到的是這個Cell的9維特征向量。

相信到這里大家有些不懂了。IT之家再為小伙伴們稍微解釋一下，其實這一步的目的是為每個Cell構(gòu)建梯度方向直方圖，直方圖就是我們大家熟知的條形統(tǒng)計圖，這個直方圖中，X軸是將方向劃分的區(qū)間，Navneet Dalal等人研究表示劃分9個區(qū)間效果是最好的，如果是180°的方向，每個區(qū)間就代表20°。y軸表示某個方向區(qū)間內(nèi)的梯度大小。這樣就等于是每個Cell的特征描述符。

▲大致就是這個意思（圖片來源：加州大學舊金山分校圖像處理論文）

這里還有一步，就是如果你的圖像受到光照的影響比較大，那么還可以將一定的Cell組成一個block，例如2x2個Cell，這樣每個block上就是36維的特征向量，然后對這36維特征向量做規(guī)范化（具體怎樣規(guī)范，涉及到高等數(shù)學的知識，大家也不需要知道）。

如果我們輸入的圖像大小是256x512像素，那么就有32x64=2048個Cell，有31x63=1953個block，每個block有36維向量，那么這個圖像就有1953x36=70308維向量。這70308維向量就是這個圖像的HOG特征向量了。

當然，上面這些步驟你也可都不了解，你只需要知道，最后原始的圖像被表示成了HOG的形式，如下圖：

然后根據(jù)這個HOG形式，在我們的庫中找到與已知的一些HOG樣式中，看起來最相似的部分。

3、圖像識別

人臉識別技術經(jīng)過科學家多年的研究和發(fā)展，已經(jīng)形成了多種研究方向和更多種的研究方法，如果我們梳理一下，主要包括基于幾何特征的方法、基于模板的方法、基于模型的方法以及其他方法。

基于幾何特征的方法是比較早期、傳統(tǒng)的方法了，它主要是研究人臉眼睛、鼻子等器官的形狀和結(jié)構(gòu)關系的幾何描述，以此作為人臉識別的重要特征。

基于模板的方法基本思想是拿已有的模板和圖像中同樣大小的區(qū)域去比對，包括基于相關匹配的方法、特征臉方法、線性判別分析方法、神經(jīng)網(wǎng)絡方法等。

基于模型的方法的方向是對人臉的顯著特征進行特征點定位，然后進行人臉的編碼，再利用相應的模型進行處理實現(xiàn)人臉識別，例如隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。

在人臉識別領域，有一些比較經(jīng)典的算法，例如特征臉法（Eigenface）、局部二值模式法、Fisherface等，不過IT之家在這里還是還是覺得與時俱進比較好，所以選擇一個目前應用比較廣泛且流行的方法作為示例，叫做OpenFace。當然，我們不做實際的測試，只是通過它來了解識別的原理。

OpenFace屬于基于模型的方法，它是一個開源庫，包含了landmark，head pose，Actionunions，eye gaze等功能，以及訓練和檢測所有源碼的開源人臉框架。

在前面的步驟中，IT之家已經(jīng)為大家介紹如何通過HOG的方法將圖像中人臉的特征數(shù)據(jù)提取出來，也就是成功檢測到了人臉。

這時又有一個問題，就是這個人臉的姿勢好像不是那么“正”，同樣一個人，如果她的姿勢，面部的朝向不同，人類仍然能認出她來，而計算機可能就認不出了。

解決這個問題，有一個辦法，就是檢測人臉主要特征的特征點，然后根據(jù)這些特征點對人臉做對齊校準。這是Vahid Kazemi和Josephine Sullivan在2014年發(fā)明的方法，他們給人臉的重要部分選取68個特征點（Landmarks），這68個點的位置是固定的，所以只需要對系統(tǒng)進行一些訓練，就能在任何臉部找到這68個點。

有了這68個點，就可以對人臉進行校正了，主要是通過仿射變換將原來比較歪的臉擺正，盡量消除誤差。這里的仿射變換主要還是進行一些旋轉(zhuǎn)、放大縮小或輕微的變形，而不是夸張的扭曲，那樣就不能看了。

▲過程大約是這樣，原來的臉被進行了一定程度的校正（圖片來源：OpenFace github說明頁面）

這樣我們把原始的人臉圖像以及HOG的特征向量輸入，能夠得到一張姿勢正確的只含有人臉的圖像。

注意，到這一步我們還不能直接拿這張人臉圖像去進行比對，因為工作量太大，我們要做的是繼續(xù)提取特征。

接著，我們將這個人臉圖像再輸入一個神經(jīng)網(wǎng)絡系統(tǒng)，讓它為這個臉部生成128維的向量，也可以說是這個人臉的128個測量值，它們可以表示眼睛之間的距離，眼睛和眉毛的距離、耳朵的大小等等。這里只是方便大家理解而舉例，實際上具體這128維的向量表示了哪些特征，我們不得而知。

當然，這一步說起來簡單，其實難點在于如何訓練這樣的一個卷積神經(jīng)網(wǎng)絡。具體的訓練方法不是我們需要了解的，但我們可以了解一下訓練的思路。訓練時我們可以輸入一個人臉圖像的向量表示、同一人臉不同姿態(tài)的向量表示和另一人臉的向量表示，反復進行類似的操作，并不斷調(diào)整，調(diào)整的目標是讓同一類對應的向量表示盡可能接近，其實也就是同一個人的向量表示盡可能距離較近，同理，不同類別的向量表示距離盡可能遠。至于人工智能神經(jīng)網(wǎng)絡訓練的基本原理，大家可以查看IT之家之前發(fā)布的《AI不是科幻電影里的洪水猛獸，而是被慢慢變革的生活方式》這篇文章。

其實訓練的思路也很好理解，因為一個人的人臉不管姿態(tài)怎么變，在一段時間內(nèi)有些東西是固定的，比如眼睛間的距離、耳朵的大小、鼻子的長度等。

在得到這128個測量值后，最后一步就簡單了，就是將這128個測量值和我們訓練、測試過的所有面部數(shù)據(jù)做比對，測量值最接近的，就是我們要識別的那個人了。

這樣就可以完成一次人臉的識別。

總結(jié)

人臉識別技術經(jīng)過70多年的發(fā)展，到今天已經(jīng)發(fā)展成為一門以計算機視覺數(shù)字信息處理為中心，糅合信息安全學、語言學、神經(jīng)學、物理學、AI等多學科交合的綜合性技術學科，內(nèi)涵已極為豐富，并且發(fā)展快速。而IT之家在本文試圖為大家講解的，只是人臉識別最基礎和通俗的原理以及相對單一的用例分析，顯然無法涵蓋人臉識別領域所有的內(nèi)容，只是希望借此對大家理解、認識如今我們已經(jīng)習慣使用的人臉識別功能有所幫助。

國際調(diào)研機構(gòu)Gen Market Insights發(fā)布的數(shù)據(jù)顯示，到2025年底全球人臉識別設備市場價值將達到71.7億美元，智能手機上對人臉識別技術的廣泛應用，只是為我們了解這項技術提供了一個契機，未來，隨著5G萬物互聯(lián)時代的到來，智能硬件市場將得到極大擴展，那才是人臉識別技術真正大展身手的天地。

嗯，不錯，期待這個時代早日到來，到時候小編這張盛世美顏終于能做點有意義的事情了，也算不負父母恩澤。

本文參考資料：

沈理、劉翼光，熊志勇，2015-11-16，《人臉識別原理及算法：動態(tài)人臉識別系統(tǒng)研究》

CSU985，CSDN，2018-10-06，《圖像特征提取總結(jié)》

人工智障v，簡書，2018-07-30，《HOG特征——行人識別》

laolaonuonuo，CSDN，2018-03-10，《人臉識別主要算法》

大數(shù)據(jù)v，CSDN，2018-08-23，《深度干貨！一文讀懂人臉識別技術(建議收藏)》

leon1741，CSDN，2018-08-02，《深入淺出人臉識別原理》

zouxy09，CSDN，2015-04-25，《人臉識別之特征臉方法（Eigenface）》

csdn研發(fā)技術，CSDN，2018-01-26，《看OpenFace如何做到精準人臉識別