人脸识别概述整理

国内外在该方向的研究现状及分析

近年来，随着计算机技术的迅速发展，人脸自动识别技术得到广泛研究与开发，人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。人脸识别作为一种显著的生物特征识别技术， 相较于其他的识别系统而言，具有非接触和相对友好的特点, 广泛应用于军事，金融，安全，日常生活，互联网电子类产品中。

人脸识别类型分为人脸验证和人脸识别，人脸验证(1:1人脸识别)，主要用于身份核实，常用手机人脸解锁，或者一些其他场景的身份核实。人脸识别1:N,主要指系统采集用户的一张人脸数据后，需要从系统的N张注册身份中识别出当前人脸，通常情况下人脸识别的难度高于人脸验证，目前阶段人脸验证的应用场景较为广泛。

常用的人脸数据库

在过去的30年里，出现了许多人脸数据库，这些数据库呈现出从小规模到大规模、从单一来源到多样化来源、从实验室到真实世界无约束的明显趋势。同样伴随着人脸识别随着在一些数据库(如LFW[52])的性能趋于饱和，越来越多的复杂数据库被不断开发出来，以方便FR的研究。也可以说，人脸数据库的发展过程在很大程度上引领了FR研究的方向。

毫无疑问，基于deep人脸识别需要大量的数据进行训练,为解决此类问题，陆续不少学者为此也做了不少贡献， 2014年李子青实验室公开的人脸识别数据集CASIA-Webface，此数据集主要收集来自网络人脸图片,包含10575id，494414张图像。VGGFace2 提供大规模的深度训练数据(单个ID图像数量多)，其包含331万图片，9131个ID，平均图片个数为362.6。该数据集是从谷歌中下载的，包含不同姿态、年龄、光照和背景的人脸图片，其中约有59.7%的男性。除了身份信息之外，数据集还包括人脸框，5个关键点、以及估计的年龄和姿态信息。MS-Celeb-1M和Mageface提供了大规模的广度训练数据集(人群覆盖面广)，其中包含许多场景，但每个场景的图像有限。数据集的宽度确保了训练的模型能够覆盖各种人的不通场景下的变化。(如fig1，参考文献[51]给出的fr数据集的时间线)

Fig.1(fr数据集演化时间线[51],2007年以前，fr主要集中在小规模数据集上，2007年无约束人脸数据LFW，2014年，casia-webface提供第一个大规模公共数据集)

       

   Fig.2(常用的一些fr数据集,及数据特点特征[51])

 

人脸识别技术发展

基于人脸识别的技术发展经历由传统方法到深度学习方法的演化，上个世纪90年代，一度比较流行的特征脸[1]的方法,传统的方法通常依赖于手工设计的特征，如线性子空间[2],流行[3],稀疏表示[4],LBP[5],sift[6]等全局或局部特征，后通过PCA分析或线性判别器LDA或者svm等分类的方式，实现人脸的分类，这种传统的方法比较难以在实际场景中应用，主要是手工设计的特征很难准确描述人脸的变化，如姿态，光照，表情，化妆等，且设计手工特征本身过于依赖设计者本身的经验，导致在很长一段时间，人脸识别技术更多局限于实验室方面技术的提升，距离实用化差距较大。

2012年，AlexNet[7]以比较大的优势赢得ImageeNet物体分类竞赛，大家逐渐将注意力转到深度学习方法上，用来解决一些传统方法等效果不尽理想的领域如目标检测，物体识别，场景分割等也包括人脸识别，深度学习的方法也在如上的技术领域展现出巨大的优势，

在2014CVPR会议上,FaceBook提出的deepface[8]方法，首次将深度学习的方法成功运用在人脸识别技术中，这也算是深度神经网络在人脸识别领域的奠基之作，首次机器的识别率在非约束场景下(LFW的数据集)逼近了人类的水平(DeepFace:97.35% vs Human:97.53%)，deepface通过一9层的深度神经网络，400万张人脸训练数据训练得到，使用了3D人脸建模来解决人脸对齐的问题。

      &nb