一文看懂人臉識別技術(shù)流程

文章出處：http://psychicreadingswithdeb.com 作者：IT之家 人氣： 發(fā)表時(shí)間：2020年07月20日

舉個(gè)例子，十多年前大家還在普遍用現金的時(shí)代，小編在商店買(mǎi)東西排隊結賬，每當看到收銀員找零時(shí)手忙腳亂的樣子就會(huì )心急如焚，只恨不能拿了東西直接走人。那時(shí)候年幼的小編就攥緊拳頭夢(mèng)想著(zhù)以后一定要發(fā)明一種不用找零錢(qián)的方法。

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

再后來(lái)，連手指都不用動(dòng)了，因為出現了“刷臉支付”，配合手上iPhone的卓越體驗，不得不說(shuō)小編愛(ài)死了這個(gè)功能。

嗯，刷臉支付將小編從付錢(qián)時(shí)漫長(cháng)等待的焦躁和不安中解救了出來(lái)，所以在IT之家編輯部的科技氛圍里淫浸多年后，小編覺(jué)得有必要為大家講一講“刷臉”到底是個(gè)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(guān)鍵技術(shù)：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(shí)人臉識別技術(shù)最早的研究還要追溯到20世紀50年代，當時(shí)已經(jīng)有科學(xué)家在研究人臉輪廓的提取方法，但受限于技術(shù)水平，這項技術(shù)的相關(guān)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(xué)、腦神經(jīng)學(xué)、視覺(jué)等相關(guān)知識被引入，人臉識別進(jìn)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(shù)，而是融合了神經(jīng)生理學(xué)、腦神經(jīng)學(xué)、計算機視覺(jué)等多方面學(xué)科的技術(shù)。不過(guò)，本質(zhì)上它還是一項計算機視覺(jué)技術(shù)。

當然，IT之家做這篇文章的重點(diǎn)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(shù)系統的基本邏輯架構

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

前面我們說(shuō)，計算機視覺(jué)是人臉識別關(guān)系最緊密的技術(shù)。所以我們從這一點(diǎn)入手。

計算機視覺(jué)，通俗來(lái)說(shuō)就是利用攝像頭等設備代替人眼，來(lái)獲取圖像，利用計算機對圖像信息進(jìn)行處理，綜合人類(lèi)的認知模式來(lái)建立人類(lèi)視覺(jué)的計算理論。

這其中，最難的無(wú)疑是如何處理圖像信息、如何模擬人類(lèi)的認知模式。

為了解決這些問(wèn)題，計算機視覺(jué)還引入了圖像處理、模式識別、圖像理解、圖像生成等學(xué)科的知識。

圖像處理就是把原始圖像轉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(guò)程；圖像理解，就是對圖像中描述的景物進(jìn)行分析；圖像生成，舉例來(lái)說(shuō)就是當圖像的部分信息缺失時(shí)，能夠將缺失的信息補上……

這些都是計算機視覺(jué)需要借助的學(xué)科技術(shù)。這里面我們要著(zhù)重講的是模式識別，它是一個(gè)獨立的理論體系，具體到計算機視覺(jué)領(lǐng)域的應用，它表示將計算機表示出來(lái)的圖像和一致的類(lèi)別進(jìn)行匹配的過(guò)程。

有點(diǎn)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的目標物體的特征。怎么辨別？就是將總結出來(lái)的特征和自己已經(jīng)掌握的特征庫進(jìn)行比對，然后才能實(shí)現辨別。

我們人類(lèi)識別一樣物體也是遵循這個(gè)邏輯，先總結特征，然后比對。至于前面的“模式”，就有點(diǎn)抽象了，你可以理解為一種規律，它影響著(zhù)特征和類(lèi)型比對的結果。

沒(méi)錯，人臉識別本質(zhì)上也是這個(gè)過(guò)程。

所以，我們沿著(zhù)模式識別的思路，來(lái)看看它的整體過(guò)程：分別為預處理、特征提取和分類(lèi)等。我們畫(huà)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、轉碼、模數轉化等。

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(gè)過(guò)程中降低模式特征的維數，令其便于處理。這是一個(gè)復雜的過(guò)程，后面我們講到具體方法時(shí)候會(huì )有體現；

分類(lèi)，就是對提取到的特征值按照一定的準則進(jìn)行分類(lèi)，便于決策。

舉個(gè)例子，計算機要識別出這張照片中的男人，當它拿到照片時(shí)，可能覺(jué)得畫(huà)面太暗，先提個(gè)亮度，然后又發(fā)現噪點(diǎn)太多，再做個(gè)降噪……一頓操作后感覺(jué)可以了，再將照片轉化為數字信息，這個(gè)過(guò)程是預處理。

提取出來(lái)的特征值會(huì )進(jìn)入單獨的特征空間，因為這樣可以更好地識別和做分類(lèi)。接下來(lái)，就要對特征空間里的數據進(jìn)行分類(lèi)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(lèi)好的數據，計算機才可以進(jìn)行識別判斷和決策。

當然，為了方便大家理解這個(gè)邏輯過(guò)程，IT之家在這里只是舉例粗略地說(shuō)明，可能不準確，實(shí)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(shuō)明的一點(diǎn)是，這個(gè)模式識別的系統是需要一個(gè)自我訓練、學(xué)習的過(guò)程的，其中最重要的是對前面分類(lèi)錯誤率的訓練（分類(lèi)器訓練），因為在前面的分類(lèi)中，我們無(wú)法保證分類(lèi)的結果是100%正確的，但必須控制在一定的錯誤率之類(lèi)，這必須通過(guò)大量的訓練樣本來(lái)不斷修正，令錯誤率符合要求。

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

可能有小伙伴覺(jué)得上面這個(gè)舉出功能模塊太簡(jiǎn)單了，所以我們再精確一些，給出下面的邏輯架構圖，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(shí)人臉識別的基本思想是比較類(lèi)似的，都是要將圖像中的特征提取出來(lái)，轉換到一個(gè)合適的子空間里，然后在這個(gè)子空間里衡量類(lèi)似性或分類(lèi)學(xué)習。但問(wèn)題在于，對客觀(guān)世界采用怎樣協(xié)調統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(lèi)，才能區分不同類(lèi)，聚集相似的類(lèi)別？為解決這些問(wèn)題，衍生出了很多種方法和解決方案。

所以說(shuō)，我們所說(shuō)的人臉識別技術(shù)是籠統的，事實(shí)上，這是一個(gè)很多技術(shù)和方法的集合。

我們不妨依據上面的邏輯結構圖來(lái)逐步說(shuō)明。

1、預處理

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

2、特征提取

圖像特征的提取是比較關(guān)鍵的一步（上文所說(shuō)的模式空間向特征空間的跨越），但對于圖像處理來(lái)說(shuō)也是比較初級的一步。目前關(guān)于圖像特征提取的方法有很多，但其實(shí)我們想一想，通常而言圖像的特征還是可以歸類(lèi)的，例如顏色特征、紋理特征、空間關(guān)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(jiǎn)單來(lái)看它是怎么進(jìn)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(méi)有幫助。

在這張黑白照片中，我們從單個(gè)像素看起，觀(guān)察它周?chē)南袼?，看它是往哪個(gè)方向逐漸變暗的，然后用箭頭表示這個(gè)像素變暗的方向。

如果對每個(gè)像素執行這樣的操作，這樣所有像素都會(huì )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(gè)這樣的箭頭表示明暗梯度。

事實(shí)上，對于每一個(gè)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(shí)進(jìn)一步弱化光照的干擾。

如果是以這樣的方式做提取的話(huà)，計算量會(huì )很大。所以我們會(huì )把圖像分割成8x8像素的小方塊，叫做一個(gè)Cell，然后對每個(gè)Cell計算梯度信息，包括梯度的大小和方向。得到的是這個(gè)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(shí)這一步的目的是為每個(gè)Cell構建梯度方向直方圖，直方圖就是我們大家熟知的條形統計圖，這個(gè)直方圖中，X軸是將方向劃分的區間，Navneet Dalal等人研究表示劃分9個(gè)區間效果是最好的，如果是180°的方向，每個(gè)區間就代表20°。y軸表示某個(gè)方向區間內的梯度大小。這樣就等于是每個(gè)Cell的特征描述符。

▲大致就是這個(gè)意思（圖片來(lái)源：加州大學(xué)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(gè)block，例如2x2個(gè)Cell，這樣每個(gè)block上就是36維的特征向量，然后對這36維特征向量做規范化（具體怎樣規范，涉及到高等數學(xué)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(gè)Cell，有31x63=1953個(gè)block，每個(gè)block有36維向量，那么這個(gè)圖像就有1953x36=70308維向量。這70308維向量就是這個(gè)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：

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

3、圖像識別

人臉識別技術(shù)經(jīng)過(guò)科學(xué)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、傳統的方法了，它主要是研究人臉眼睛、鼻子等器官的形狀和結構關(guān)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域去比對，包括基于相關(guān)匹配的方法、特征臉?lè )椒?、線(xiàn)性判別分析方法、神經(jīng)網(wǎng)絡(luò )方法等。

基于模型的方法的方向是對人臉的顯著(zhù)特征進(jìn)行特征點(diǎn)定位，然后進(jìn)行人臉的編碼，再利用相應的模型進(jìn)行處理實(shí)現人臉識別，例如隱馬爾柯夫模型，主動(dòng)形狀模型和主動(dòng)外觀(guān)模型的方法等。

在人臉識別領(lǐng)域，有一些比較經(jīng)典的算法，例如特征臉?lè )ǎ‥igenface）、局部二值模式法、Fisherface等，不過(guò)IT之家在這里還是還是覺(jué)得與時(shí)俱進(jìn)比較好，所以選擇一個(gè)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(shí)際的測試，只是通過(guò)它來(lái)了解識別的原理。

OpenFace屬于基于模型的方法，它是一個(gè)開(kāi)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(kāi)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(guò)HOG的方法將圖像中人臉的特征數據提取出來(lái)，也就是成功檢測到了人臉。

這時(shí)又有一個(gè)問(wèn)題，就是這個(gè)人臉的姿勢好像不是那么“正”，同樣一個(gè)人，如果她的姿勢，面部的朝向不同，人類(lèi)仍然能認出她來(lái)，而計算機可能就認不出了。

解決這個(gè)問(wèn)題，有一個(gè)辦法，就是檢測人臉主要特征的特征點(diǎn)，然后根據這些特征點(diǎn)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(gè)特征點(diǎn)（Landmarks），這68個(gè)點(diǎn)的位置是固定的，所以只需要對系統進(jìn)行一些訓練，就能在任何臉部找到這68個(gè)點(diǎn)。

有了這68個(gè)點(diǎn)，就可以對人臉進(jìn)行校正了，主要是通過(guò)仿射變換將原來(lái)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(jìn)行一些旋轉、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(guò)程大約是這樣，原來(lái)的臉被進(jìn)行了一定程度的校正（圖片來(lái)源：OpenFace github說(shuō)明頁(yè)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(jìn)行比對，因為工作量太大，我們要做的是繼續提取特征。

接著(zhù)，我們將這個(gè)人臉圖像再輸入一個(gè)神經(jīng)網(wǎng)絡(luò )系統，讓它為這個(gè)臉部生成128維的向量，也可以說(shuō)是這個(gè)人臉的128個(gè)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(shí)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(shuō)起來(lái)簡(jiǎn)單，其實(shí)難點(diǎn)在于如何訓練這樣的一個(gè)卷積神經(jīng)網(wǎng)絡(luò )。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(shí)我們可以輸入一個(gè)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(jìn)行類(lèi)似的操作，并不斷調整，調整的目標是讓同一類(lèi)對應的向量表示盡可能接近，其實(shí)也就是同一個(gè)人的向量表示盡可能距離較近，同理，不同類(lèi)別的向量表示距離盡可能遠。至于人工智能神經(jīng)網(wǎng)絡(luò )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(shí)訓練的思路也很好理解，因為一個(gè)人的人臉不管姿態(tài)怎么變，在一段時(shí)間內有些東西是固定的，比如眼睛間的距離、耳朵的大小、鼻子的長(cháng)度等。

在得到這128個(gè)測量值后，最后一步就簡(jiǎn)單了，就是將這128個(gè)測量值和我們訓練、測試過(guò)的所有面部數據做比對，測量值最接近的，就是我們要識別的那個(gè)人了。

這樣就可以完成一次人臉的識別。

總結

人臉識別技術(shù)經(jīng)過(guò)70多年的發(fā)展，到今天已經(jīng)發(fā)展成為一門(mén)以計算機視覺(jué)數字信息處理為中心，糅合信息安全學(xué)、語(yǔ)言學(xué)、神經(jīng)學(xué)、物理學(xué)、AI等多學(xué)科交合的綜合性技術(shù)學(xué)科，內涵已極為豐富，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(wú)法涵蓋人臉識別領(lǐng)域所有的內容，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。

國際調研機構Gen Market Insights發(fā)布的數據顯示，到2025年底全球人臉識別設備市場(chǎng)價(jià)值將達到71.7億美元，智能手機上對人臉識別技術(shù)的廣泛應用，只是為我們了解這項技術(shù)提供了一個(gè)契機，未來(lái)，隨著(zhù)5G萬(wàn)物互聯(lián)時(shí)代的到來(lái)，智能硬件市場(chǎng)將得到極大擴展，那才是人臉識別技術(shù)真正大展身手的天地。

嗯，不錯，期待這個(gè)時(shí)代早日到來(lái)，到時(shí)候小編這張盛世美顏終于能做點(diǎn)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(dòng)態(tài)人臉識別系統研究》

CSU985，CSDN，2018-10-06，《圖像特征提取總結》

人工智障v，簡(jiǎn)書(shū)，2018-07-30，《HOG特征——行人識別》

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

大數據v，CSDN，2018-08-23，《深度干貨！一文讀懂人臉識別技術(shù)(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?lè )椒ǎ‥igenface）》

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