人脸识别技术的发展和实现步骤

近年来，由于人工智能（AI）和机器学习（ML）的进步，人脸识别技术得到了飞速发展。目前，日本计划使用面部识别技术来验证将于7月至8月在东京举行的2020年奥运会的运动员身份。

基于识别人脸图像的计算机程序，人脸识别技术在相对较短的时间内就已经达到了惊人的成熟度。执法机构使用它来维护社会安全，零售商使用它来减少盗窃的发生，机场使用来增强旅行者的舒适度和安全性，手机公司使用它来为客户提供新的生物识别安全性。

近年来，由于人工智能（AI）和机器学习（ML）的进步，人脸识别技术得到了飞速发展。由于有足够的高质量训练数据和处理能力，计算机现在可以以高精度和高速度检测，分类和识别面部。人脸的计算机识别为该技术在广泛领域中的日益广泛应用铺平了道路。

随着近几十年来犯罪和恐怖活动的激增，人们感到需要一种复杂的安全系统来识别个人，其中基于面部的应用（例如面部检测和面部识别）可以发挥至关重要的作用。

一、人脸识别技术的发展

面部识别技术的早期采用者包括银行，事件管理器，法医调查员，军事专业人员和执法机构。在过去的几十年中，这是人脸识别技术进步的一些重要里程碑：

这项技术的起源可以追溯到1960年代，当时伍德罗·威尔逊·布莱索（Woodrow Wilson Bledsoe）首次使用电磁脉冲对各种面部特征（包括眼睛，鼻子，发际线和嘴部）进行了手动测量，并将其插入数据库中。随后，在收到新照片后，系统便能够从数据库中检索与该个人最相似的图像。

1970年代，研究人员Goldstein，Harmon和Lesk建立了21个面部测量点，包括嘴唇厚度和头发颜色，以自动识别面部。

在1980年代，Kirby和Sirovich使用线性代数使用了大约100个面部测量点，为面部图像的低维表示铺平了道路。

在1990年代，Turk和Pentland发明了第一个基于图像的粗略自动人脸检测。然后，美国国防高级研究计划局（DARPA）和美国国家标准技术研究院（NIST）推出了人脸识别技术（FERET）程序，该程序涉及创建人脸图像数据库。该数据库在2003年进行了升级，以包含高分辨率的24位彩色图像版本。

在2010年代，Facebook创建了图像身份自动标记人员，这些人员的脸孔可能会出现在FB用户每天更新的照片中。从那时起，每天使用脸部识别功能将一百万张照片上传并标记在FB上。

2011年，巴拿马机场安装了第一个人脸识别监视系统，以减少毒品走私和有组织犯罪。该系统导致逮捕了多个国际刑警嫌疑人。

值得注意的是，2011年，基地组织负责人本·拉登（Osama bin Laden）的尸体在美国突袭中被杀后，使用人脸识别被识别。产生了视觉ID；他使用了几次照片比较和其他面部识别技术，并对面部和身体特征进行了全面的生物特征分析，以识别本·拉登。

2017年，iPhone X成为全球最畅销的带有面部识别访问控制的手机，用于设备安全。

目前，日本计划使用面部识别技术来验证将于7月至8月在东京举行的2020年奥运会的运动员身份。

二、人脸识别的步骤

用人机视觉比喻，照相机像人的眼睛，而计算机像人的大脑。摄像机捕获了世界的图片，并在计算机上进行了进一步的处理和解释。可以采用不同的技术来处理和分析捕获的图像。

人们可以轻松地从一个物体结束的地方识别出该物体，然后从一个物体开始另一个物体。对象的边缘，色差和纹理用于计算机中的识别，这称为分割。

计算机可以看到任何物体，以与人类视觉相同的方式进行识别和图像处理，并生成适当的输出。对观察到的图像进行解释，并进行相应的适当分析和采取措施。

从图像序列的几帧中找到特定对象的轨迹。可以计算特定对象的速度和距离，并可以进行未来的路径预测。

图像之间的不同匹配点，相机的位置和方向，场景中三维形状的重建可以从静止场景的几幅图像中找到。

大致而言，人脸识别技术涉及以下步骤：

人脸检测：一种计算机辅助算法，可以对相机捕获的图像进行预处理。这会导致易于识别的清晰图像。随后，进行定位，并提取脸部特征。

人脸识别：处理检测到的人脸图像，并将其与已知人员的数据库进行比较；将提取的特征与存储的特征进行比较，以找出匹配的可能性。根据相似的特征将它们分组或分类，以识别个人。

通过身份识别记录中未知人与面部图像的一对一匹配，可以自动验证个人身份。通过对未知人群的身份进行编码，并将其与包含已知人群的已编码图像的数据库进行比较，以进行身份识别。

三、人脸识别技术的用途和应用

人脸识别已在各个领域中发挥了重要作用，例如安全性验证和人机交互。结果，它已经成为模式识别领域的研究热点。研究人员正在成功地在计算机视觉领域实施可工作的面部识别系统。可以在边界控制和钥匙锁机构更换等领域中设想这种技术的无限潜力。

类似于当今已成为各种产品不可或缺的一部分的Internet，GPS和许多其他技术，人脸识别的根源扎根于国防和执法部门，在图像验证和识别方面非常有用。

执法机构广泛使用面部识别技术。监视场所的摄像机实时，连续地捕获所有对象的图像，最重要的是，无需任何人的注意即可捕获所有对象的图像。

面部识别监控可以识别所有在日常生活中移动的人。尽管实时识别个人的能力已经成为现实，但在像美国这样的西方国家，由于先前的犯罪记录，大多数人都被包含在有证件的人脸识别数据库中。例如，当零售商想要逮捕试图从其商店中偷窃的人时，他们依靠这些人的照片上传到私人面部识别数据库中。由于入店行窃者大多是强迫罪犯，因此警报可以指示店内保安人员在这些人重新进入商店时对其进行观察。这样可以减少盗窃的发生率，并减少发生暴力的机会。

伦敦大都会警察正在使用面部识别技术来查找通缉犯和失踪人员。该技术已部署在“特定位置”，每个位置都有通缉犯的“量身定做的监视清单”，通常是暴力罪犯。

随着全国各地的警察部队计划用技术驱动的解决方案代替人工流程，印度正朝着在执法中增加使用新兴技术的方向迈进。工程学院正在帮助警察利用AI，社交媒体分析和图像处理来识别罪犯，进行交通管理并防止恐怖活动。

印度的警察部队开始采用技术，并与数字领导者合作打击犯罪。他们已经实现了以电子方式提交第一信息报告（FIR）的系统，以通过应用程序，网站甚至是物联网（IoT）设备提交信息来减少人员参与。警察采取的综合策略包括使用AI和ML识别和捕获数字和非数字证据，面部识别以及虚拟地预测犯罪。这些举措导致使用基于AI的人脸检测（ABHED）建立犯罪数据库。当警察发现可疑人物时，他们应该拿出智能手机，单击图片，然后进入数据库以确定他/她是否是罪犯。

该技术可能不是100％可靠的，但是它使警察工作变得更加容易。它播下了一支高科技部队的种子，该部队可以随时获得照片，犯罪活动和成千上万罪犯的身体细节。早些时候，这些数据是在各个州分区分别编译的，并且保留了不同的物理记录。所有这些使预防犯罪成为一项繁重的任务，因为警察无法快速访问它。

最近，在北方邦的70个监狱中安装了基于AI的监狱监视系统。AI算法会分析安装在监狱中的数百台摄像机的反馈信息，以实时检测暴力行为，监狱违规行为和未经授权的访问，以及时向当局发出警报。

现在也几乎没有必要设置警察路障并在车内窥视以抓捕罪犯。泰米尔纳德邦（Tamil Nadu）通过安装基于AI的系统Tollscope建立了一个在线车辆基地，该系统已与30个收费广场相连。如果用于犯罪的车辆越过任何一个广场，都会立即向当局发出警报。泰米尔纳德邦（Tamil Nadu）还与Telangana警方合作，开发了基于AI的自动化系统，对没有头盔的两轮摩托车驾驶员处以罚款。国家犯罪记录局已开始在全国范围内部署自动面部识别系统，以识别太平间中的罪犯，失踪人员和无人认领的尸体。

四、人脸识别应用中的挑战

在最近的过去，由于其可靠的识别能力和与现有技术的容易兼容性，生物识别领域受到了最大的关注。由于其他识别系统存在漏洞，因此在生物识别领域进行了广泛的研究。研究人员正在努力开发一种更加用户友好的系统，以追求安全系统的要求，这需要更准确的结果来保护隐私和资产。

由于恐怖活动的大量增加，建立更加先进的安全系统以识别个人的重要性迅速增加。研究人员提出了许多方法来从图像和视频中识别人脸。以下是与人脸识别系统相关的一些挑战：

身体变化：老化；面部表情变化 个人外观（面部头发，化妆，发型，眼镜，伪装）。

采集中的几何变化：比例的变化，面部（面向相机）的面内旋转和位置在采集中产生几何变化。旋转（如倾斜的相机）或轮廓的呈现和全额正面的不可用等深度，也会在采集中造成几何形状变化。

成像变化：摄像机变化，照明变化，频道特征（尤其是广播或压缩图像中的变化）。

可靠性和成本效益是当前面部识别系统的主要挑战因素。许多研究人员针对不同方面，例如处理面部检测和面部识别本身中的某些问题的算法。来自真实环境的自然场景可能包括几个因素，例如背景噪声，雷电条件变化和姿势变化，这些因素可能不会出现在预收集的图像中。

研究还表明，总体结果在面部识别方面存在性能问题。因此，对于所有技术而言，非常需要多个样本。这些技术在诸如身份证验证和护照验证之类的特殊情况下可能会失败，因为一个人只有一张图像。

从侧面图像或从某个显着角度拍摄的图像很难检测到人。具有暗度，部分比面部其余部分明亮，模糊，阴影或带眼镜的面部的面部图像在检测任何单个面部时都非常困难。

尽管取得了飞速的进步，但是人脸识别还远远不够完美，并且容易出错。即使面部识别系统的准确率达到99.7％，由于0.3％的错误率，始终存在抓错人的风险。几种环境因素会影响面部识别系统的准确性。相应地，旧金山和波特兰禁止公共机构在监控摄像头中使用面部识别。

事实证明，这项技术是有争议的，部分原因是它具有侵犯人们隐私的能力，而且还因为没有不同的培训数据，它对于某些类型的人（主要是白人）可能比其他人更有效。

五、有关人脸识别使用的担忧

毫无疑问，执法在调查过程中依赖情报收集。任何警察机构收集信息的直觉都是不可抗拒的，并且实际上是其培训和标准操作程序的一部分。期望大多数追求公共安全的人员对信息，尤其是面部识别技术可以收集的信息量，采取合理的限制措施。

结合公共摄像机使用面部识别进行大规模监视没有任何危害。但是，也可以以被动方式使用它，而无需受试者的知识，同意或参与。最重大的危险是将该技术用于一般的，无怀疑的监视系统时。

国家机动车机构拥有的公民照片可以很容易地与公共监视或其他摄像机结合起来，以建立一个全面的识别和跟踪系统。任何本质上个人和个人信息的“批量”收集都是一个令人关注的问题。“合理的隐私期望”和“作为公共安全基础的信息”道德之间的微妙平衡很难维持。在没有任何明确的使用或目的计划的情况下可获得大量信息，这使它应对应引起全体公民注意的滥用行为负责。

不幸的是，威权国家的人脸识别正在迅速成为警察和政府控制的常规工具。警察扫描无辜的旁观者的脸来寻找罪犯的做法与人们对公共场所隐私的期望背道而驰。将该技术传播到最终覆盖街道的摄像机网络并不是不可能的。

实际上，自从1960年代发明人脸识别技术以来，没有任何其他技术比人脸识别技术更能引起人们的兴趣和对滥用的恐惧。人权活动家担心，作为一种非常侵入性的监视技术，它可能会以国防为幌子提供破坏民主的新机会。

在我们对隐私的合理期望与规定的《宪法》所设想的信息收集需求之间需要保持平衡。不断扩大的监视技术新浪潮不应使个人隐私试金石失败。

在功效方面，需要开发一种有效的实时面部识别系统，该系统可以在具有针对每个人的单个图像的训练数据库的系统上工作。以前的大多数研究都是基于多张图像。此外，大多数研究人员的工作都是基于某些前提条件，这导致了许多限制。由于这些限制和性能问题，在真实环境中实际实现人脸识别非常具有挑战性。

这些问题导致我们需要开发实时，更高效的人脸识别应用程序，以及需要人工干预的异构数据匹配系统。近来，已经提出了一种用于混合面部识别技术的新颖方法。该人脸识别系统是使用主成分分析（PCA）和支持向量机（SVM）开发的。在Oracle研究实验室（ORL）数据库以及实际环境中都对其进行了检查。通过基于单个图像的该方法，就准确性而言，提高了面部识别性能。值得注意的是，名为OpenCV的开源计算机视觉已经成为一种编程功能库。整个库是一个提供实时图像处理的跨平台。