国产AV激情无码久久,精品国产YW在线观看,亚洲国产欧美日韩欧美2018,中文字幕一区二区三区在线不卡

更多AI精彩內容，可點擊下文“了解更多” 編者導讀
人臉識別可以說是人工智能領域中成熟較早、落地較廣的技術之一，從機場、火車站的安檢閘機，到平常用戶中的“臉”支付，人臉識別技術已經深入到我們的生活當中。
為了讓各位讀者深入淺出地全面了解人臉識別技術，InfoQ 與蘇寧科技人工智能實驗室進行了約稿，本文就是“人臉識別系列”文章的開篇——《人臉識別發展脈絡》。
本文將全面講述人臉識別發展的幾個重要階段，并整理出了人臉識別領域的一些重要的技術標準、公開測試以及知名廠商，如果你需要深入了解人臉識別技術，可以從本篇文章開始。
1 人臉識別發展概述
人臉識別問題可以描述為，給定某一場景下的靜態圖象或者動態序列，根據預先存儲的人臉數據庫識別或者認證場景中一個或者多個人的身份。
早期的人臉識別多采用傳統機器學算法，經典的算法如特征臉結合線性判別分析。而且研究關注的焦點更多集中在如何提取更有鑒別力的特征上，以及如何更有效的對齊人臉。隨著研究的深入，傳統機器學算法人臉識別在二維圖象上的性能提升逐漸到達瓶頸，于是大多數人開始轉而研究視頻中的人臉識別問題，或者結合三維模型的方法去進一步提升人臉識別的性能，少數學者開始研究三維人臉的識別問題。
圖 1 傳統人臉識別算法發展階段


在 年、 年左右，隨著深度學的方法在手寫字符識別上的性能超越了傳統機器學算法，以及 GPU 并行計算的大規模普及，開始有學者研究基于深度學的人臉識別算法。很快，在最出名的 LFW 公開庫上，深度學算法一舉突破了傳統機器學算法在二維圖像上人臉識別性能的瓶頸，首次將識別率提升到了 97% 以上，一下子引起世人轟動。但是隨著研究的進一步深入，業內形成了一個普遍的共識就是大量的數據是深度學模型提升性能的關鍵。所以深度學發展到現在，走回了傳統機器學算法的路子，就是大家開始轉而研究視頻中的人臉識別，或者追求在識別精度不變的情況下，用更小的模型，更快的速度去識別人臉，甚至重新開始結合三維模型的一些方法，或者轉而研究三維人臉的識別問題。
2 傳統機器學算法
圖 1 是傳統機器學算法下，從原始特征的角度看到的人臉識別經歷的幾個主要的發展階段，分別歷經從幾何特征到表象特征到紋理特征的發展過程。
早期的研究是基于高層特征的幾何參數，包括面部器官的幾何特性，如雙眼間距、頭寬、鼻高，和面部關鍵特征點的相對幾何關系，如兩眼角和鼻尖的距離比等，代表性的工作是 Bledsoe 于 年構建的半自動人臉識別系統。
但是人臉關鍵點（特征點）的精確定位本身就是一個比較困難的問題，容易受到姿態和表情等變化的影響，從而導致特征很不穩定；直到現在，人臉特征點定位仍然是人臉算法最重要的一個研究方向。同時提取到的幾何特征過于簡單，丟失了大量的圖象鑒別信息，降低了不同人之間的可分性。所以基于幾何特征的算法魯棒性很差，總體識別準確率不高，不可能構建有實際應用價值的人臉識別系統。
圖 2 一種基于表象特征和子空間分析的人臉識別算法


20 世紀 80 年代以后主流人臉識別的特征提取方法進入了基于二維人臉表象的階段，并一直持續到深度學出現之前。這類方法提取的不再是具有一定語義信息的特征，而是從圖象中抽取底層物理特征，典型的底層特征包括圖象灰度特征、圖象變換系數或濾波系數（如離散余弦變換、小波變換、Gabor 變換）、局部紋理描述 （如 LBP、HGPP、LGBP、HOG）等。表象原始特征的空間維數很高，不利于訓練和識別；并且提取的原始特征大多是從精細描述的角度出發，保留了對識別不利的噪聲干擾。因此需要進行進一步的特征降維，使鑒別信息得以集中。
在基于表象特征的人臉識別發展階段中，基于神經網絡的方法也曾興起過一陣，但是當時受限于軟硬件的條件，只能采用淺層的線性神經網絡，所以效果并不突出。
除了神經網絡的方法，基于子空間分析的方法也在人臉識別的研究中逐漸占據了主流。子空間分析主要研究的是特征分析與分類算法，企圖在提取到的人臉特征中，通過特征降維、變換等多種手段，提升特征的鑒別能力。從實際角度而言，后期基于傳統機器學算法的人臉識別通常會將基于表象特征和子空間分析的方法結合起來，共同提升人臉識別的性能。
圖 3 人臉的表象特征


在子空間分析的方法中，對表象特征進行壓縮處理成為了主流的方案。特征壓縮不僅是降低維數的需要，也是提取鑒別信息的需要。在心理學研究和計算機視覺研究的促進下，人們開始認識到人臉類別本身僅僅占據原始特征高維空間的一個低維子空間 [38-42]，這是由人臉拓撲結構的高度統一性和人臉圖象象素之間的高度相關性所決定的。
人臉認知的問題之一就是尋找這一低維子空間，在認知研究中研究者大量采用主成分分析 (Principal Component Analysis, PCA) 來重構人臉。相應的子空間方法也成為人臉識別的主流方法之一 [43]。Turk 和 Pentlend 在 年首先將 PCA 應用于人臉識別，提出了具有里程碑意義的本征臉算法 (Eigenface)[44-45]。受此啟發，研究者將統計分析、信號處理、機器學等多個領域的成果用于人臉識別，又演繹出了鑒別主成分分析 [46]（Discriminant KarhunenLoéve）、線性鑒別分析 [47] (Linear Discriminant Analysis, LDA)、局部特征分析 [48]（Local Feature Analysis, LFA）、獨立主成分分析 [49]（Independent ComponentAnalysis, ICA）、核主成分分析 / 線性鑒別分析 [50-51] (Kernel PCA/LDA)、非負矩陣分解 [52-53]（Non-negative Matrix Factorization, NMF）、局部線性嵌入 [54]（Locally Linear Embedding, LLE）、局部保持映射 [55]（Locality Preserving Projection, LPP）等子空間分析法。根據在構建子空間時是否使用類別信息，這些方法可以分為監督和非監督兩大類。它們描述了人臉樣本的統計變化，試圖將對表示或對識別最關鍵的信息保留在降維后的低維空間中，同時也可以緩解維數危機。
隨著傳統算法的性能趨于飽和，研究者們開始從信息源的角度，將人臉識別從二維靜止圖象向三維人臉和視頻人臉拓展。前面提到的方法都是在二維圖象上提取特征。90 年代中期以后，由于三維采集技術的發展，基于三維的人臉識別算法逐漸出現。一類算法直接基于三維掃描儀獲得的三維數據進行識別，其中三維數據的表示格式主要有三維點集、曲面網格、深度圖和 EGI (Extended Gaussian Image) 幾種，匹配的方法大致可以分為空域直接匹配、局部特征匹配、整體特征匹配，此外還出現了將 2D 和 3D 融合的人臉識別算法。由于三維數據采集仍然比較困難而且耗時較長，三維數據的處理也較為復雜，因此這類方法還無法投入實際應用。
另外一類可以稱為三維輔助的二維方法。算法借助三維模型的輔助，從二維圖象學其在不同姿態、光照條件下的表象變化，以達到算法對姿態、光照魯棒目的。這類方法兼具二維方法的速度優勢和三維方法的性能優勢，成為一個新興的研究方向。這類研究認為，對人臉進行精細分析時還需要利用人臉不同器官的信息，而僅基于人臉表象的方法雖然得到人臉的整體信息但對細節信息的描述存在不足，因此從 20 世紀 90 年代起，研究者提出了一些對人臉的形狀和紋理聯合建模方法。
類是基于圖模型來描述人臉形狀，彈性束圖匹配 [56]（Elastic Bunch Graph Matching, EBGM）方法是在此期間出現的典型算法。這種方法將人臉描述為一個屬性拓撲圖，拓撲圖本身可以進行一定的彈性形變，圖中每個節點的屬性是通過統計學得到的局部表象特性。在匹配時，人臉形狀的形變以節點的匹配程度為指導，以達到整個人臉和圖模型的最佳匹配。
另一類是參數化模型方法，這類方法對人臉形狀的描述不是采用彈性模板，而是利用大量樣本訓練得到的點分布模型 [57]（Point DistributionModel, PDM）。這類方法在人臉的檢測定位和識別中得到了廣泛應用，典型算法如柔性表象模型 [58]（Flexible Appearance Mode, FAM）、主動形狀模型 [59] （Active Shape Model, ASM）和主動表象模型 [60-61]（Active Appearance Model, AAM）等。
隨著視頻監控技術在安全等領域的廣泛應用， 年以后開始興起了對視頻中人臉識別的研究。相對靜止圖象而言，視頻圖象序列包含了更為豐富的表象信息，而視頻中的時空信息比如身份的連續性，人臉姿態、表情變化的連續性，在整個圖象區域空間上的連續性也可以用以提高識別的準確性。這就使得人臉識別的研究進入了一個利用多模態信息和多生物特征融合的新的發展階段。
這些研究可以根據應用中目標集和查詢集的不同粗略分為三類：圖象（多幅圖象）對視頻、視頻對圖象（多幅圖象）和視頻對視頻的算法。一般對視頻序列要利用其時空狀態信息，有選擇性地學建立樣本分布的類別模型，采用某些融合策略融合多幀識別結果。
綜上所述，人臉識別的研究在原始特征層次從早期幾何特征逐漸發展為主流的表象特征；在信息源層次從基于二維靜止圖象的人臉識別在向三維人臉識別和視頻人臉識別的方向擴展；在特征壓縮層次逐漸發展為子空間為主流；基于人臉三維形狀和紋理聯合建模方法為人臉識別和分析提供了另一種思路。 更多AI精彩內容，可點擊下文“ 了解更多”
3 基于深度學算法
自從進入深度學的時代以來，各家的人臉識別算法就逐漸趨于一致，基本上沒有什么特別的亮點，不像傳統機器學時代呈現出百花齊放的色彩。普遍的思路就是利用 CNN 網絡建立的高維模型，直接從輸入的人臉圖像上提取有效的鑒別特征，直接計算余弦距離來進行人臉識別，算法結構趨同。不過，從大體上來說，基于深度學的人臉識別發展仍然可以分為三個階段。
個階段為深度學在人臉識別研究中應用的早期階段，從最開始的 VGG 網絡到 Inception 網絡再到 Resnet 網絡，網絡模型總體上呈現出更深，更寬的趨勢。在一些學術上的公開數據集如 LFW、MegaFace 上面，只要進行針對性的結構設計以及參數調整，適當擴大數據集合或者進行數據增強，都能取得差不多很好的效果。但是從實際應用的角度來說，普遍泛化性能不好，不具有實際應用的價值。
第二階段發展就是以曠視、商湯為代表的在學術公開競賽中取得好成績的這些廠商，開始發展實際業務為起點，通過不斷擴大他們的實際數據集合，算法性能也在逐漸的提升。到 年左右，基于深度學的算法無論在學術測試集合上還是在實際應用上，表現都遠遠超越了基于傳統機器學的算法。人臉識別算法到此完成了深度學算法的大一統。
到了第三階段，除了進一步增加數據量以提升算法性能以外，與階段相反，大家開始在不降低識別性能的基礎上，研究網絡的輕量化。輕量化的主要目的有兩個，一個是提升算法的速度，甚至能夠部署到移動端；另外一個就是便于硬件實現，從而將人臉識別算法直接做成一個硬件模塊。
同時，與傳統機器學算法類似，各家也開始研究視頻中的人臉識別（監控場景），同時開始結合一些三維信息去進一步提升識別性能。
未來，人臉識別的發展應當仍然分成上述兩個方向，一個方向從有效挖掘海量人臉數據的角度出發，進一步提升模型性能；另外一個方向則是將人臉識別模型輕量化以便實現移動端部署或者做成一個芯片模組。
我個人認為未來的人臉識別算法一定是嵌入到硬件中，成為一個標準化的生物特征認證模組。
4 人臉識別領域的標準制定的情況
4.1 國內標準制定
?GA/T— 近紅外人臉識別設備技術要求
?GA/T922.2— 安防人臉識別應用系統 第 2 部分: 人臉圖像數據
?GA/T394— 出入口控制系統技術要求
正在制定中的公安行業標準與國家標準
?安防生物特征活體檢測技術要求
?安防人臉識別應用系統 第 5 部分：設備接口技術要求
?GB/T - 安全防范系統 視頻監控人臉識別系統技術要求
?人臉識別信息交換規范
?人臉識別系統術語
?人臉特征規范
?文字數據項規范和格式
?人臉識別系統功能
?人臉識別系統性能指標
?人臉識別系統代碼
?人臉識別系統測試標準
4.2 國際標準制定
目前，國際上與人臉識別以及本平臺有關的標準主要有：
* ISO/IEC -37: 信息技術 術語 第 37 部分：生物特征識別

* ISO/IEC 系列，信息技術 生物特征識別應用程序接口

* ISO/IEC 系列，信息技術 公用生物特征識別交換格式框架

* ISO/IEC -1: 和 ISO/IEC -1: 信息技術 生物特征識別數據交換格式 第 1 部分 框架（06 版和 11 版）

* ISO/IEC -5: 和 ISO/IEC -5: 信息技術 生物特征識別數據交換格式 第 5 部分 人臉圖像數據（05 版和 11 版，國標對應 11 版）

* ISO/IEC 系列，信息技術 生物特征識別性能測試和報告，該系列對應國家標準 GB/T 系列

* ISO/IEC : 信息技術 生物特征識別 BioAPI 互通協議

* ISO/IEC 系列，信息技術 生物特征識別應用程序接口（BioAPI）的符合性測試

* ISO/IEC -1: 信息技術 ISO/IEC 中定義的生物特征數據交換格式的符合性測試方法 第 1 部分：通用符合性測試方法

* ISO/IEC -5: 信息技術 ISO/IEC 中定義的生物特征數據交換格式的符合性測試方法 第 5 部分：人臉圖像數據（該標準對應 ISO/IEC -5:，ISO/IEC -5: 的符合性測試方法在該標準的附錄中）

* ISO/IEC -1: 信息技術 生物特征樣本質量 第 1 部分：框架

* ISO/IEC TR -5: 信息技術 生物特征樣本質量 第 5 部分：人臉圖像數據

* ISO/IEC -1: 信息技術 生物特征識別呈現攻擊檢測 第 1 部分：框架

5 人臉識別領域的知名廠商
在原來基于傳統機器學算法進行人臉識別的廠商中，國內比較有名的公司主要有北京海鑫、上海銀晨、中科奧森、漢王科技；國內有名的研究者主要有中科院李子青老師，以及清華的丁曉青和蘇光大兩位老師。
近幾年由于人臉識別算法的提升，涌進許多新鮮血液的互聯網模式公司。這些公司無論從算法性能還是算法迭代更新的速度上，都遠遠超越前面提到的那些傳統廠商。在這眾多的公司當中，排在集團的應當是上海依圖、曠視科技、、商湯科技和云從科技這四家公司。
傳統機器學算法年代，國外比較有名的公司主要有 NEC，而到了深度學的時代，可以說國外廠商的人臉識別性能普遍不如國內公司，主要原因就是他們沒有那么多的人臉數據以供訓練，市場也不如國內大。目前比較有名的公司如俄羅斯的 Vocord 公司，目前應該是在 NIST 測試中獲得了比較好的名次，目前該測試應該是上海依圖。而類似谷歌、Facebook 等企業，都不是專業的人臉識別企業。
對各個廠家做個簡要說明如表 1.



當然，我們蘇寧在人臉識別領域也展開的許多卓有成效的工作。只是過去我們在人臉識別領域所開展的研究主要服務于自身的業務場景，并沒有對外進行過多的宣傳，所以很多人并不知道在蘇寧還有一個非常精干且有能力的人臉識別研發團隊。
年 3 月，蘇寧的人臉識別在 LFW 上的精度達到了 99.83%，， MegaFace 的 Challenge 1 中的 FaceScrub 測試集上也拿到了第三名，超越國內外眾多知名公司。我們會在系列二中詳細介紹蘇寧的人臉識別及最新進展。
6 人臉識別領域的公開測試
6.1 國際測試
國際上多以美國國立標準技術研究所（簡稱 NIST）組織的測試為準。NIST 測試對大學、研究機構和商業公司開放，提供了指紋、人臉、虹膜等多生物特征方面的測試。參加者提供算法 SDK 給 NIST 以參加測試，人臉識別方面主要有兩個：
1）NIST-FRVT 靜態人臉識別測試
2）NIST-FIVE 視頻人臉識別測試
NIST 測試的主要目標，既可以為行業提供標準，并為技術發展提供導向，又可以為用戶提供一個選擇的依據。
NIST 測試的流程大概如下：
* 提交申請并郵件手寫簽名申請表。

* 按當年 NIST 要求封裝 SDK，在公開驗證庫上生成特征比對，將特征、比對結果加密方式發到指定工作人，進行初步測試評估。

* 初測要求，環境是 Linux 的系統下，不允許多線程調用，官方對系統、庫的版本、命名、接口等進行符合性驗證。

* 通過初測后，將封裝好的 SDK 發過去做詳細測試，測試數據集不公開。

* 等待測試結果報告，報告網站公開發布，參測廠商以代號形式出現在報告中。

6.2 國內測試
國內有一些測試是參考國標 (安防) 和企標來執行，多是委托性測試。以海鑫參加過的人臉識別系統企業標準測試的情況為例說明大概流程如下：
* 意向單位，撰寫產品企標，及企標測試方法。

* 提交申請至相關部門進行審核及評估（企標和測試方法）。

* 產品包進行打包送檢驗證（名稱、版本號、系統運行平臺等）信息驗證。

* 現場搭建調試運行及按撰寫企標詳細測試。

* 等待測試結果報告。一般以軟件測試紙質報告形式提供給受測單位。

6.3 學術測試
LFW、MegaFace 等，這些由大學等研究機構組織，測試樣本集可公開下載，測試流程不嚴格，測試結果權威性不高。
* 測試數據集合公開下載。

* 在測試集合上測試完畢，將結果提交學術機構并在網上公布，無需提供 SDK。

7 總結
作為本系列文章的篇，我們主要從人臉識別的發展歷史入手給大家稍微梳理了一下人臉識別技術的發展、國內外的主要廠商以及一些比較有名的測試。在后續的文章中，我們會進一步給大家詳細介紹現在人臉識別的主流算法及相關技術細節、業內應用人臉識別算法的主要方式以及我們蘇寧在人臉識別方向做出了哪些有益的探索。 作者簡介
蘇寧科技人工智能實驗室 圖像技術專家何智翔
畢業于清華大學 THOCR 實驗室，師從國內著名人工智能專家 IEEE fellow 丁曉青教授，十余年來一直從事人臉相關算法的研究。現任蘇寧科技人工智能實驗室圖像技術專家，主要研究方向為人臉屬性的識別、商品的檢測和識別。 更多AI精彩內容，可點擊下文“ 了解更多” svserve.com svserve.com