發布日期：2022-05-18 點擊率：39
你是否意識到，每當你上傳照片到Facebook上，平臺都會用人臉識別算法來識別圖片中的人物？目前還有一些政府在用人臉識別技術來識別和抓捕罪犯。此外，最常見的應用就是通過自己的臉部解鎖手機。
計算機視覺的子領域應用得非常廣泛，并且全球很多商業活動都已經從中獲益。人臉識別模型的使用在接下來的幾年內還會繼續增長，所以一起來了解如何從零開始構建人臉識別模型吧！
什么是人臉識別技術
人臉識別技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。
人臉識別流程
人臉識別技術原理簡單來講主要是三大步驟：一是建立一個包含大批量人臉圖像的數據庫，二是通過各種方式來獲得當前要進行識別的目標人臉圖像，三是將目標人臉圖像與數據庫中既有的人臉圖像進行比對和篩選。根據人臉識別技術原理具體實施起來的技術流程則主要包含以下四個部分，即人臉圖像的采集與預處理、人臉檢測、人臉特征提取、人臉識別和活體鑒別。
人臉圖像的采集與預處理
人臉圖像的采集與檢測具體可分為人臉圖像的采集和人臉圖像的檢測兩部分內容。
人臉圖像的采集：采集人臉圖像通常情況下有兩種途徑，分別是既有人臉圖像的批量導入和人臉圖像的實時采集。一些比較先進的人臉識別系統甚至可以支持有條件的過濾掉不符合人臉識別質量要求或者是清晰度質量較低的人臉圖像，盡可能的做到清晰精準的采集。既有人臉圖像的批量導入：即將通過各種方式采集好的人臉圖像批量導入至人臉識別系統，系統會自動完成逐個人臉圖像的采集工作。人臉圖像的實時采集：即調用攝像機或攝像頭在設備的可拍攝范圍內自動實時抓取人臉圖像并完成采集工作。
人臉圖像的預處理：人臉圖像的預處理的目的是在系統對人臉圖像的檢測基礎之上，對人臉圖像做出進一步的處理以利于人臉圖像的特征提取。人臉圖像的預處理具體而言是指對系統采集到的人臉圖像進行光線、旋轉、切割、過濾、降噪、放大縮小等一系列的復雜處理過程來使得該人臉圖像無論是從光線、角度、距離、大小等任何方面來看均能夠符合人臉圖像的特征提取的標準要求。在現實環境下采集圖像，由于圖像受到光線明暗不同、臉部表情變化、陰影遮擋等眾多外在因素的干擾，導致采集圖像質量不理想，那就需要先對采集到的圖像預處理，如果圖像預處理不好，將會嚴重影響后續的人臉檢測與識別。研究介紹三種圖像預處理手段，即灰度調整、圖像濾波、圖像尺寸歸一化等。
灰度調整：因為人臉圖像處理的最終圖像一般都是二值化圖像，并且由于地點、設備、光照等方面的差異，造成采集到彩色圖像質量不同，因此需要對圖像進行統一的灰度處理，來平滑處理這些差異?；叶日{整的常用方法有平均值法、直方圖變換法、冪次變換法、對數變換法等。
圖像濾波：在實際的人臉圖像采集過程中，人臉圖像的質量會受到各種噪聲的影響，這些噪聲來源于多個方面，比如周圍環境中充斥大量的電磁信號、數字圖像傳輸受到電磁信號的干擾等影響信道，進而影響人臉圖像的質量。為保證圖像的質量，減小噪聲對后續處理過程的影響， 必須對圖像進行降噪處理。去除噪聲處理的原理和方法很多，常見的有均值濾波，中值濾波等。目前常用中值濾波算法對人臉圖像進行預處理。
圖像尺寸歸一化：在進行簡單的人臉訓練時候，遇到人臉庫的圖像像素大小不一樣時，我們需要在上位機人臉比對識別之前對圖像做尺寸歸一化處理。需要比較常見的尺寸歸一化算法有雙線性插值算法、最近鄰插值算法和立方卷積算法等。
人臉檢測
一張包含人臉圖像的圖片通常情況下可能還會包含其他內容，這時候就需要進行必要的人臉檢測。也就是在一張人臉圖像之中，系統會精準的定位出人臉的位置和大小，在挑選出有用的圖像信息的同時自動剔除掉其他多余的圖像信息來進一步的保證人臉圖像的精準采集。
人臉檢測是人臉識別中的重要組成部分。人臉檢測是指應用一定的策略對給出的圖片或者視頻來進行檢索，判斷是否存在著人臉，如果存在則定位出每張人臉的位置、大小與姿態的過程。人臉檢測是一個具有挑戰性的目標檢測問題，主要體現在兩方面：人臉目標內在的變化引起：1、人臉具有相當復雜的細節變化和不同的表情(眼、嘴的開與閉等)，不同的人臉具有不同的外貌，如臉形、膚色等；2、人臉的遮擋，如眼鏡、頭發和頭部飾物等。外在條件變化引起：1、由于成像角度的不同造成人臉的多姿態，如平面內旋轉、深度旋轉以及上下旋轉等，其中深度旋轉影響較大；2、光照的影響，如圖像中的亮度、對比度的變化和陰影等；3、圖像的成像條件，如攝像設備的焦距、成像距離等。
人臉檢測的作用，便是在一張人臉圖像之中，系統會精準的定位出人臉的位置和大小， 在挑選出有用的圖像信息的同時自動剔除掉其他多余的圖像信息來進一步的保證人臉圖像 的精準采集。人臉檢測重點關注以下指標：
檢測率：識別正確的人臉/圖中所有的人臉。檢測率越高，檢測模型效果越好； 誤檢率：識別錯誤的人臉/識別出來的人臉。誤檢率越低，檢測模型效果越好； 漏檢率：未識別出來的人臉/圖中所有的人臉。漏檢率越低，檢測模型效果越好； 速度：從采集圖像完成到人臉檢測完成的時間。時間越短，檢測模型效果越好。
目前的人臉檢測方法可分為三類，分別是基于膚色模型的檢測、基于邊緣特征的檢測、基于統計理論方法，下面將對其進行簡單的介紹：
1、基于膚色模型的檢測：膚色用于人臉檢測時，可采用不同的建模方法，主要有高斯模型、高斯混合模型，以及非參數估計等。利用高斯模型和高斯混合模型可以在不同顏色空間中建立膚色模型來進行人臉檢測。通過提取彩色圖像中的面部區域以實現人臉檢測的方法能夠處理多種光照的情況， 但該算法需要在固定攝像機參數的前提下才有效。Comaniciu 等學者利用非參數的核函數概率密度估計法來建立膚色模型，并使用 mean-shift 方法進行局部搜索實現了人臉的檢測和跟蹤。這一方法提高了人臉的檢測速度，對于遮擋和光照也有一定的魯棒性。該方法的不足是和其他方法的可結合性不是很高，同時，用于人臉檢測時，處理復雜背景和多個人臉時存在困難。
為了解決人臉檢測中的光照問題，可以針對不同光照進行補償，然后再檢測圖像中的膚色區域。這樣可以解決彩色圖像中偏光、背景復雜和多個人臉的檢測問題，但對人臉色彩、位置、尺度、旋轉、姿態和表情等具有不敏感性。
2、基于邊緣特征的檢測：利用圖像的邊緣特征檢測人臉時，計算量相對較小，可以實現實時檢測。大多數使用邊緣特征的算法都是基于人臉的邊緣輪廓特性，利用建立的模板（如橢圓模版）進行匹配。也有研究者采用橢圓環模型與邊緣方向特征，實現簡單背景的人臉檢測。Fr?ba 等采用基于邊緣方向匹配（Edge-Orientation Matching，EOM）的方法，在邊緣方向圖中進行人臉檢測。該算法在復雜背景下誤檢率比較高，但是與其他的特征相融合后可以獲得很好的效果。
3、 基于統計理論方法：本文重點介紹基于統計理論方法中的Adaboost人臉檢測算法。Adaboost算法是通過無數次循環迭代來尋求最優分類器的過程。用弱分類器Haar特征中任一特征放在人臉樣本上，求出人臉特征值，通過更多分類器的級聯便得到人臉的量化特征，以此來區分人臉和非人臉。Haar功能由一些簡單黑色白色水平垂直或旋轉45°的矩形組成。目前的Haar特征總的來說廣義地分為三類：邊緣特征、線特征以及中心特征。
這一算法是由劍橋大學的 Paul Viola 和 Michael Jones 兩位學者提出，該算法優點在于不僅計算速度快，還可以達到和其他算法相當的性能，所以在人臉檢測中應用比較廣泛，但也存在著較高的誤檢率。因為在采用 Adaboost 算法學習的過程中，最后總有一些人臉和非人臉模式難以區分，而且其檢測的結果中存在一些與人臉模式并不相像的窗口。
人臉特征提取
目前主流的人臉識別系統可支持使用的特征通常可分為人臉視覺特征、人臉圖像像素統計特征等，而人臉圖像的特征提取就是針對人臉上的一些具體特征來提取的。特征簡單，匹配算法則簡單，適用于大規模的建庫；反之，則適用于小規模庫。特征提取的方法一般包括基于知識的提取方法或者基于代數特征的提取方法。
以基于知識的人臉識別提取方法中的一種為例，因為人臉主要是由眼睛、額頭、鼻子、耳朵、下巴、嘴巴等部位組成，對這些部位以及它們之間的結構關系都是可以用幾何形狀特征來進行描述的，也就是說每一個人的人臉圖像都可以有一個對應的幾何形狀特征，它可以幫助我們作為識別人臉的重要差異特征，這也是基于知識的提取方法中的一種。
人臉識別
我們可以在人臉識別系統中設定一個人臉相似程度的數值，再將對應的人臉圖像與系統數據庫中的所有人臉圖像進行比對，若超過了預設的相似數值，那么系統將會把超過的人臉圖像逐個輸出，此時我們就需要根據人臉圖像的相似程度高低和人臉本身的身份信息來進行精確篩選，這一精確篩選的過程又可以分為兩類：其一是一對一的篩選，即對人臉身份進行確認過程；其二是一對多的篩選，即根據人臉相似程度進行匹配比對的過程。
活體鑒別
生物特征識別的共同問題之一就是要區別該信號是否來自于真正的生物體，比如，指紋識別系統需要區別帶識別的指紋是來自于人的手指還是指紋手套，人臉識別系統所采集到的人臉圖像，是來自于真實的人臉還是含有人臉的照片。因此，實際的人臉識別系統一般需要增加活體鑒別環節，例如，要求人左右轉頭，眨眼睛，開開口說句話等。
2、 人臉識別主要方法
人臉識別技術的研究是一個跨越多個學科領域知識的高端技術研究工作，其包括多個學科的專業知識，如圖像處理、生理學、心理學、模式識別等知識。在人臉識別技術研究的領域中，目前主要有幾種研究的方向，如：一種是根據人臉特征統計學的識別方法，其主要有特征臉的方法以及隱馬爾科夫模型（HMM，Hidden Markov Model）方法等；另一種人臉識別方法是關于連接機制的，主要有人工神經網絡（ANN，Artificial Neural Network）方法和支持向量機（SVM，Support Vector Machine）方法等；還有一個就是綜合多種識別方式的方法。
基于特征臉的方法
特征臉的方法是一種比較經典而又應用比較廣的人臉識別方法，其主要原理是把圖像做降維算法，使得數據的處理更容易，同時，速度又比較快。特征臉的人臉識別方法，實際上是將圖像做 Karhunen-Loeve 變換，把一個高維的向量轉化為低維的向量，從而消除每個分量存在的關聯性，使得變換得到的圖像與之對應特征值遞減。在圖像經過 K-L 變換后，其具有很好的位移不變性和穩定性。所以，特征臉的人臉識別方法具有方便實現，并且可以做到速度更快，以及對正面人臉圖像的識別率相當高等優點。但是，該方法也具有不足的地方， 就是比較容易受人臉表情、姿態和光照改變等因素的影響，從而導致識別率低的情況。
基于幾何特征的方法
基于幾何特征的識別方法是根據人臉面部器官的特征及其幾何形狀進行的一種人臉識別方法，是人們最早研究及使用的識別方法，它主要是采用不同人臉的不同特征等信息進行匹配識別，這種算法具有較快的識別速度，同時，其占用的內存也比較小，但是，其識別率也并不算高。該方法主要做法是首先對人臉的嘴巴、鼻子、眼睛等人臉主要特征器官的位置和大小進行檢測，然后利用這些器官的幾何分布關系和比例來匹配，從而達到人臉識別。
基于幾何特征識別的流程大體如下：首先對人臉面部的各個特征點及其位置進行檢測， 如鼻子、嘴巴和眼睛等位置，然后計算這些特征之間的距離，得到可以表達每個特征臉的矢量特征信息，例如眼睛的位置，眉毛的長度等，其次還計算每個特征與之相對應關系，與人臉數據庫中已知人臉對應特征信息來做比較，最后得出最佳的匹配人臉?；趲缀翁卣鞯姆椒ǚ先藗儗θ四樚卣鞯恼J識，另外，每幅人臉只存儲一個特征，所以占用的空間比較小； 同時，這種方法對光照引起的變化并不會降低其識別率，而且特征模板的匹配和識別率比較高。但是，基于幾何特征的方法也存在著魯棒性不好，一旦表情和姿態稍微變化，識別效果將大打折扣。
基于深度學習的方法
深度學習的出現使人臉識別技術取得了突破性進展。人臉識別的最新研究成果表明，深度學習得到的人臉特征表達具有手工特征表達所不具備的重要特性，例如它是中度稀疏的、對人臉身份和人臉屬性有很強的選擇性、對局部遮擋具有良好的魯棒性。這些特性是通過大數據訓練自然得到的，并未對模型加入顯式約束或后期處理，這也是深度學習能成功應用在人臉識別中的主要原因。
深度學習在人臉識別上有 7 個方面的典型應用：基于卷積神經網絡(CNN)的人臉識別方法，深度非線性人臉形狀提取方法，基于深度學習的人臉姿態魯棒性建模，有約束環境中的全自動人臉識別，基于深度學習的視頻監控下的人臉識別，基于深度學習的低分辨率人臉識別及其他基于深度學習的人臉相關信息的識別。
其中，卷積神經網絡（Convolutional Neural Networks,CNN）是第一個真正成功訓練多層網絡結構的學習算法，基于卷積神經網絡的人臉識別方法是一種深度的監督學習下的機器學習模型，能挖掘數據局部特征，提取全局訓練特征和分類，其權值共享結構網絡使之更類似于生物神經網絡，在模式識別各個領域都得到成功應用。CNN 通過結合人臉圖像空間的局部感知區域、共享權重、在空間或時間上的降采樣來充分利用數據本身包含的局部性等特征，優化模型結構，保證一定的位移不變性。
利用 CNN 模型，香港中文大學的 Deep ID 項目以及 Facebook 的 Deep Face 項目在 LFW 數據庫上的人臉識別正確率分別達 97.45%和 97.35%只比人類視覺識別 97.5%的正確率略低。在取得突破性成果之后，香港中文大學的 DeepID2 項目將識別率提高到了 99.15%。Deep ID2 通過學習非線性特征變換使類內變化達到最小，而同時使不同身份的人臉圖像間的距離保持 恒定，超過了目前所有領先的深度學習和非深度學習算法在 LFW 數據庫上的識別率以及人類在該數據庫的識別率。深度學習已經成為計算機視覺中的研究熱點，關于深度學習的新算 法和新方向不斷涌現，并且深度學習算法的性能逐漸在一些國際重大評測比賽中超過了淺層 學習算法。
基于支持向量機的方法
將支持向量機（SVM）的方法應用到人臉識別中起源于統計學理論，它研究的方向是如何構造有效的學習機器，并用來解決模式的分類問題。其特點是將圖像變換空間，在其他空間做分類。
支持向量機結構相對簡單，而且可以達到全局最優等特點，所以，支持向量機在目前人臉識別領域取得了廣泛的應用。但是，該方法也和神經網絡的方法具有一樣的不足，就是需要很大的存儲空間，并且訓練速度還比較慢。
其他綜合方法
以上幾種比較常用的人臉識別方法，我們不難看出，每一種識別方法都不能做到完美的識別率與更快的識別速度，都有著各自的優點和缺點，因此，現在許多研究人員則更喜歡使用多種識別方法綜合起來應用，取各種識別方法的優勢，綜合運用，以達到更高的識別率和識別效果。
人臉識別三大經典算法
特征臉法（Eigenface）
征臉技術是近期發展起來的用于人臉或者一般性剛體識別以及其它涉及到人臉處理的一種方法。使用特征臉進行人臉識別的方法首先由 Sirovich 和 Kirby（1987）提出（《Low- dimensional procedure for the characterization of human faces》），并由 Matthew Turk 和 Alex Pentland 用于人臉分類（《Eigenfaces for recognition》）。首先把一批人臉圖像轉換成一個特征向量集，稱為“Eigenfaces”，即“特征臉”，它們是最初訓練圖像集的基本組件。識別的過程是把一副新的圖像投影到特征臉子空間，并通過它的投影點在子空間的位置以及投影線的長度來進行判定和識別。
將圖像變換到另一個空間后，同一個類別的圖像會聚到一起，不同類別的圖像會聚力比較遠，在原像素空間中不同類別的圖像在分布上很難用簡單的線或者面切分，變換到另一個空間，就可以很好的把他們分開了。Eigenfaces 選擇的空間變換方法是 PCA（主成分分析）， 利用 PCA 得到人臉分布的主要成分，具體實現是對訓練集中所有人臉圖像的協方差矩陣進行本征值分解，得到對應的本征向量，這些本征向量就是“特征臉”。每個特征向量或者特征臉相當于捕捉或者描述人臉之間的一種變化或者特性。這就意味著每個人臉都可以表示為這些特征臉的線性組合。
局部二值模式（Local Binary Patterns，LBP）
局部二值模式（Local Binary Patterns LBP）是計算機視覺領域里用于分類的視覺算子。LBP 一種用來描述圖像紋理特征的算子，該算子由芬蘭奧盧大學的 T.Ojala 等人在 1996 年提 出 （ 《 A comparative study of texture measures with classification based on featured distributions》）。2002 年， T.Ojala 等人在 PAMI 上又發表了一篇關于 LBP 的文章（《Multiresolution gray-scale and rotation invariant texture classification with local binary patterns》）。這一文章非常清楚的闡述了多分辨率、灰度尺度不變和旋轉不變、等價模式的改進的 LBP 特征。LBP 的核心思想就是：以中心像素的灰度值作為閾值，與他的領域相比較得到相對應的二進制碼來表示局部紋理特征。
LBP 是提取局部特征作為判別依據的。LBP 方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比于特征臉方法，LBP 的識別率已經有了很大的提升。
Fisherface
線性鑒別分析在降維的同時考慮類別信息，由統計學家 Sir R. A. Fisher1936 年發明（《The use of multiple measurements in taxonomic problems》）。為了找到一種特征組合方式，達到最大的類間離散度和最小的類內離散度。這個想法很簡單：在低維表示下，相同的類應該緊緊的聚在一起，而不同的類別盡量距離越遠。1997 年，Belhumer 成功將 Fisher 判別準則應用于人臉分類，提出了基于線性判別分析的 Fisherface 方法（《Eigenfaces vs. fisherfaces: Recognition using class specific linear projection》）。
經典論文
Sirovich,L.,&Kirby,M.(1987).Low-dimensional procedure for the characterization of human faces.Josa a,4(3),519-524. 研究證明任何的特殊人臉都可以通過稱為 Eigenpictures 的坐標系統來表示。Eigenpictures 是面部集合的平均協方差的本征函數。
Turk,M.,&Pentland,A.(1991).Eigenfaces for recognition.Journal of cognitive neuroscience, 3(1), 71-86. 研究開發了一種近實時的計算機系統，可以定位和追蹤人的頭部，然后通過比較面部特征和已知個體的特征來識別該人。該方法將面部識別問題視為二維識別問題。識別的過程是把一副新的圖像投影到特征臉子空間，該特征空間捕捉到已知面部圖像之間的顯著變化。重要特征稱為特征臉，因為它們是面集的特征向量。
Ojala,T.,Pietik?inen,M.,&Harwood,D.(1996).A comparative study of texture measures with classification based on featured distributions.Pattern recognition,29(1),51-59. 研究對不同的圖形紋理進行比較，并提出了用來描述圖像紋理特征的 LBP 算子。
Ojala,T.,Pietikainen,M.,&Maenpaa,T.(2002).Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE Transactions on pattern analysis and machine intelligence,24(7),971-987. 研究提出了一種理論上非常簡單而有效的灰度和旋轉不變紋理分類方法，該方法基于局部二值模式和樣本和原型分布的非參數判別。該方法具有灰度變化穩健、計算簡單的特點。
Fisher,R.A.(1936).The use of multiple measurements in taxonomic problems.Annals of eugenics,7(2),179-188. 研究找到一種特征組合方式，以達到最大的類間離散度和最小的類內離散度。解決方式為：在低維表示下，相同的類應該緊緊的聚在一起，而不同的類別盡量距離越遠。
Belhumeur,P.N.,Hespanha,J.P.,&Kriegman,D.J.(1997).Eigenfaces vs.fisherfaces:Recognition using class specific linear projection. Yale University New Haven United States. 研究基于 Fisher 的線性判別進行面部投影，能夠在低維子空間中產生良好分離的類，即使在光照和面部表情的變化較大情況下也是如此。廣泛的實驗結果表明， 所提出的“Fisherface”方法的誤差率低于哈佛和耶魯人臉數據庫測試的特征臉技術。
常用的人臉數據庫
主要介紹以下幾種常用的人臉數據庫：
ERET人臉數據庫
http://www.nist.gov/itl/iad/ig/colorferet.cfm
由 FERET 項目創建，此圖像集包含大量的人臉圖像，并且每幅圖中均只有一個人臉。該集中，同一個人的照片有不同表情、光照、姿態和年齡的變化。包含 1 萬多張多姿態和光照的人臉圖像，是人臉識別領域應用最廣泛的人臉數據庫之一。其中的多數人是西方人，每個人所包含的人臉圖像的變化比較單一。
CMU Multi-PIE人臉數據庫
http://www.flintbox.com/public/project/4742/
由美國卡耐基梅隆大學建立。所謂“PIE”就是姿態（Pose），光照（Illumination）和表情（expression）的縮寫。CMU Multi-PIE 人臉數據庫是在 CMU-PIE 人臉數據庫的基礎上發展起來的。包含 337 位志愿者的 75000 多張多姿態，光照和表情的面部圖像。其中的姿態和光照變化圖像也是在嚴格控制的條件下采集的，目前已經逐漸成為人臉識別領域的一個重要的測試集合。
YALE人臉數據庫（美國，耶魯大學）
http://cvc.cs.yale.edu/cvc/projects/yalefaces/yalefaces.html
由耶魯大學計算視覺與控制中心創建，包含 15 位志愿者的 165 張圖片，包含光照、表情和姿態的變化。
Yale 人臉數據庫中一個采集志愿者的 10 張樣本，相比較 ORL 人臉數據庫 Yale 庫中每個對象采集的樣本包含更明顯的光照、表情和姿態以及遮擋變化。
YALE人臉數據庫 B
ttps://computervisiononline.com/dataset/1105138686
包含了 10 個人的 5850 幅在 9 種姿態，64 種光照條件下的圖像。其中的姿態和光照變化的圖像都是在嚴格控制的條件下采集的，主要用于光照和姿態問題的建模與分析。由于采集人數較少，該數據庫的進一步應用受到了比較大的限制。
MIT人臉數據庫
由麻省理工大學媒體實驗室創建，包含 16 位志愿者的 2592 張不同姿態（每人 27 張照片），光照和大小的面部圖像。
ORL人臉數據庫
https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
由英國劍橋大學 AT&T 實驗室創建，包含 40 人共 400 張面部圖像，部分志愿者的圖像包括了姿態,表情和面部飾物的變化。該人臉庫在人臉識別研究的早期經常被人們采用，但由于變化模式較少，多數系統的識別率均可以達到 90%以上，因此進一步利用的價值已經不大。
ORL 人臉數據庫中一個采集對象的全部樣本庫中每個采集對象包含10 幅經過歸一化處理的灰度圖像，圖像尺寸均為 92×112 ，圖像背景為黑色。其中采集對象的面部表情和細節均有變化，例如笑與不笑、眼睛睜著或閉著以及戴或不戴眼鏡等，不同人臉樣本的姿態也有變化，其深度旋轉和平面旋轉可達 20 度。
BioID人臉數據庫
https://www.bioid.com/facedb/
包含在各種光照和復雜背景下的 1521 張灰度面部圖像，眼睛位置已經被手工標注。
UMIST圖像集
由英國曼徹斯特大學建立。包括 20 個人共 564 幅圖像，每個人具有不同角度、不同姿態的多幅圖像。
年齡識別數據集IMDB-WIKI
https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/
包含 524230 張從 IMDB 和 Wikipedia 爬取的名人數據圖片。應用了一個新穎的化回歸為分類的年齡算法。本質就是在 0-100 之間的 101 類分類后，對于得到的分數和 0-100 相乘， 并將最終結果求和，得到最終識別的年齡。
人臉識別技術的利與弊
利
在公共領域，應用人臉識別技術可以及時抓獲潛逃多年的犯罪嫌疑人，可以及時尋找到失散多年的被拐賣婦女兒童，執法效率和社會公共安全得以大幅提高。
在商業領域，應用人臉識別技術不僅可以大大節約企業運營成本，提高管理效率，還可以開發更多的智能產品和智能服務，從而獲得新的利潤增長點。
對于個人來說，應用人臉識別技術不僅可以提供便利性，減少輸入密碼或刷卡的繁瑣性，還可以提高安全性，減少竊密、造假、冒用、頂替等違法行為的產生。
弊
首先，人臉識別技術可能侵犯隱私。人臉信息可能被不當收集，甚至用來非法交易。只要擁有人臉信息，個人行蹤軌跡和行為內容就可能一直被監控。
其次，如果人臉識別被用于深度偽造，不僅可能侵犯肖像權、名譽權、知識產權等權利，還可能被用于詐騙等犯罪活動。再次，人臉識別技術可能導致歧視，造成新的不平等。通過人臉識別出不同的種族、性別、身份等信息，個人可能受到不公平對待，算法歧視問題可能更嚴重。
最后，如果一國的大規模人臉信息不當出境，沒有遵守個人信息出境安全評估的要求，還可能影響國家安全。
誠然，“人臉識別技術”的發展和應用正有效地推動著大量行業的進步，但隨之暴露出的很多潛在風險也應當引起足夠的重視。“用戶面部特征采集的安全性與隱私性”、“用戶信息的泄露與惡意買賣”、“法律法規不健全”等等問題，“刷臉”真正實現普及還有很長的路要走。
疫情促進人臉識別技術在日應用
日本的人臉識別應用最早見諸報端的是機場的刷臉。從2017年10月開始，先后在東京羽田機場、東京成田機場、大阪關西國際機場以及名古屋中部國際機場導入人臉識別系統。專利申請數據顯示，在人臉識別相關技術方面，日本廠商擁有很多專利。其中NEC、NTT、日立、富士通、歐姆龍、佳能、東芝等排在前列。
為應對新冠肺炎疫情，日本的人臉識別應用報道了兩個實例：其一，日本的計數器廠商——GLORY公司研發了一套“可識別佩戴口罩人臉”的系統。這一人臉識別系統，即使識別對象佩戴口罩或墨鏡，也能根據眼睛、額頭及鼻梁等部位的特征進行識別。
其二，總務省導入的利用人臉識別的體溫測定系統，設置在中央聯合大樓2號樓與總務省2號大樓。利用紅外線照相機，即使距離測定對象1.5米以上，也能在0.5秒內以正負0.3度的精度檢測到來訪者的體溫異常，并及時向管理者發送通知，即使戴著口罩也能正確測量。
來源：數據派THU， 智電網，環球網
下一篇： PLC、DCS、FCS三大控
上一篇： 什么是納米機器人？納
