為什麼面部識別成為主流

1. 人臉識別有什麼用途

人臉識別主要用於身份識別。由於視頻監控正在快速普及，眾多的視頻監控應用迫切需要一種遠距離、用戶非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智能預警。

人臉識別技術無疑是最佳的選擇，採用快速人臉檢測技術可以從監控視頻圖像中實時查找人臉，並與人臉資料庫進行實時比對，從而實現快速身份識別。

如今，人臉識別產品已廣泛應用於金融、司法、軍隊、公安、邊檢、政府、航天、電力、工廠、教育、醫療及眾多企事業單位等領域。隨著技術的進一步成熟和社會認同度的提高，人臉識別技術將應用在更多的領域。

(1)為什麼面部識別成為主流擴展閱讀：

發展歷史：

人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；

人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；

「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。

2. 人臉識別技術是什麼時候發明的、

人臉識別最初在20世紀60年代已經有研究人員開始研究，真正進入初級的應用階段是在90年代後期，發展至今其技術成熟度已經達到較高的程度。整個發展過程可以分為機械識別、半自動化識別、非接觸式識別及互聯網應用階段。

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。
人臉識別技術屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。
人臉識別技術是基於人的臉部特徵，對輸入的人臉圖像或者視頻流 . 首先判斷其是否存在人臉 , 如果存在人臉，則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。並依據這些信息，進一步提取每個人臉中所蘊涵的身份特徵，並將其與已知的人臉進行對比，從而識別每個人臉的身份。
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。
功能模塊
人臉捕獲與跟蹤功能
人臉捕獲是指在一幅圖像或視頻流的一幀中檢測出人像並將人像從背景中分離出來，並自動地將其保存。人像跟蹤是指利用人像捕獲技術，當指定的人像在攝像頭拍攝的范圍內移動時自動地對其進行跟蹤。
人臉識別比對
人臉識別分核實式和搜索式二種比對模式。核實式是對指將捕獲得到的人像或是指定的人像與資料庫中已登記的某一對像作比對核實確定其是否為同一人。搜索式的比對是指，從資料庫中已登記的所有人像中搜索查找是否有指定的人像存在。
人臉的建模與檢索
可以將登記入庫的人像數據進行建模提取人臉的特徵，並將其生成人臉模板（人臉特徵文件）保存到資料庫中。在進行人臉搜索時（搜索式），將指定的人像進行建模，再將其與資料庫中的所有人的模板相比對識別，最終將根據所比對的相似值列出最相似的人員列表。
真人鑒別功能
系統可以識別得出攝像頭前的人是一個真正的人還是一幅照片。以此杜絕使用者用照片作假。此項技術需要使用者作臉部表情的配合動作。
圖像質量檢測
圖像質量的好壞直接影響到識別的效果，圖像質量的檢測功能能對即將進行比對的照片進行圖像質量評估，並給出相應的建議值來輔助識別。

3. 人臉識別可以用到那些領域安全性高嗎

目前國內人臉識別技術已經很成熟了，應用也越來越廣泛（運營商、駕校、考勤、銀行、公安、門禁等），人臉識別也越來越多人關注，安全方面中安人賣旅臉還有活體檢測技術，主要就是確定本人操作，安全系數很高，像金中差凳融行業的APP必須得完成指令動作確保不是他人冒用，可有效抵禦照片、換臉、面具、遮擋以及屏幕翻拍等常見的攻擊手段，從而幫助用戶辨別欺詐行為，保障慶備用戶的利益。像歌神演唱會抓捕逃犯，就是通過人臉識別跟國家的在逃犯庫對比然後一致抓捕的，應用范圍很廣。

4. 人臉識別系統主要應用在哪些領域

人臉識別應用廣泛，可應用於自動門禁系統、身份證件的鑒別、銀行、ATM 取款機以鄭譽兄及家庭安全等領域。具體來看主要有：
1,公共安全：公安刑偵追逃、罪犯識別、邊防安全檢查；2,信息安全：計算機和網路的登錄、文件的加密和解密；3,政府職能：電子政務、戶籍管理、社會福利和保險；4,商業企業：電子商務、電子貨幣和支付、考勤、市場營銷；5,場所進出：軍事機要部門、金融機構的門禁控制和進出管理等。目前成熟的商業應用人臉識別主要在門禁、市場營銷、商業銀行防範網路虛斗風險中，能夠很好的體現應用價值。目前市面上主流的一些人臉識別公司在引用國內外知名的喊襲人臉圖像資料庫進行測試時，其人臉識別的精準性一般都可以達到95%以上。

5. 人臉識別的發展歷史是怎樣的

人物困臉識別是一個被廣泛研究著的熱門問題，大量的研究論文層出不窮，在一定程度上有泛濫成「災」之嫌。

為了更好地對人臉識別研究的歷史和現狀進行介紹，本文將AFR的研究歷史按照研究內容、技術方法等方面的特點大體劃分為三個時間階段，如表1所示。

該表格概括了人臉識別研究的發展簡史及其每個歷史階段代表性的研究工作及其技術特點。

下面對三個階段的研究進展情況作簡單介紹：

第一階段(1964年~1990年)

這一階段人臉識別通常只是作為一個一般性的模式識別問題來研究，所採用的主要技術方案是基於人臉幾何結構特徵(Geometricfeature based)的方法。

這集中體現在人們對於剪影(Profile)的研究上，人們對面部剪影曲線的結構特徵提取與分析方面進行了大量研究。

人工神經網路也一度曾經被研究人員用於人臉識別問題中。

較早從事AFR研究的研究人員除了布萊索(Bledsoe)外還有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。

金出武雄於1973年在京都大學完成了第一篇AFR方面的博士論文，直到現在，作為卡內基-梅隆大學(CMU)機器人研究院的一名教授，仍然是人臉識別領域的活躍人物之一。

他所在的研究組也是人臉識別領域的一支重要力量。

總體而言，這一階段是人臉橋碧識別研究的初級階段，非常重要的成果不是很多，也基本沒有獲得實際應用。

第二階段(1991年~1997年)

這一階段盡管時間相對短暫，但卻是人臉識別研究的 *** 期，可敏螞舉謂碩果累累：不但誕生了若干代表性的人臉識別演算法，美國軍方還組織了著名的FERET人臉識別演算法測試，並出現了若干商業化運作的人臉識別系統，比如最為著名的Visionics(現為Identix)的FaceIt系統。

美國麻省理工學院(MIT)媒體實驗室的特克(Turk)和潘特蘭德(Pentland)提出的「特徵臉」方法無疑是這一時期內最負盛名的人臉識別方法。

其後的很多人臉識別技術都或多或少與特徵臉有關系，現在特徵臉已經與歸一化的協相關量(NormalizedCorrelation)方法一道成為人臉識別的性能測試基準演算法。

這一時期的另一個重要工作是麻省理工學院人工智慧實驗室的布魯內里(Brunelli)和波基奧(Poggio)於1992年左右做的一個對比實驗，他們對比了基於結構特徵的方法與基於模板匹配的方法的識別性能，並給出了一個比較確定的結論：模板匹配的方法優於基於特徵的方法。

這一導向性的結論與特徵臉共同作用，基本中止了純粹的基於結構特徵的人臉識別方法研究，並在很大程度上促進了基於表觀(Appearance-based)的線性子空間建模和基於統計模式識別技術的人臉識別方法的發展，使其逐漸成為主流的人臉識別技術。

貝爾胡米爾(Belhumeur)等提出的Fisherface人臉識別方法是這一時期的另一重要成果。

該方法首先採用主成分分析(Principalponent Analysis，PCA，亦即特徵臉)對圖像表觀特徵進行降維。

在此基礎上，採用線性判別分析(LinearDiscriminant Analysis, LDA)的方法變換降維後的主成分以期獲得「盡量大的類間散度和盡量小的類內散度」。

該方法目前仍然是主流的人臉識別方法之一，產生了很多不同的變種，比如零空間法、子空間判別模型、增強判別模型、直接的LDA判別方法以及近期的一些基於核學習的改進策略。

麻省理工學院的馬哈丹(Moghaddam)則在特徵臉的基礎上，提出了基於雙子空間進行貝葉斯概率估計的人臉識別方法。

該方法通過「作差法」，將兩幅人臉圖像對的相似度計算問題轉換為一個兩類(類內差和類間差)分類問題，類內差和類間差數據都要首先通過主成分分析(PCA)技術進行降維，計算兩個類別的類條件概率密度，最後通過貝葉斯決策(最大似然或者最大後驗概率)的方法來進行人臉識別。

人臉識別中的另一種重要方法——彈性圖匹配技術(Elastic GraphMatching，EGM) 也是在這一階段提出的。

其基本思想是用一個屬性圖來描述人臉：屬性圖的頂點代表面部關鍵特徵點，其屬性為相應特徵點處的多解析度、多方向局部特徵——Gabor變換[12]特徵，稱為Jet;邊的屬性則為不同特徵點之間的幾何關系。

對任意輸入人臉圖像，彈性圖匹配通過一種優化搜索策略來定位預先定義的若乾麵部關鍵特徵點，同時提取它們的Jet特徵，得到輸入圖像的屬性圖。

最後通過計算其與已知人臉屬性圖的相似度來完成識別過程。

該方法的優點是既保留了面部的全局結構特徵，也對人臉的關鍵局部特徵進行了建模。

近來還出現了一些對該方法的擴展。

局部特徵分析技術是由洛克菲勒大學(RockefellerUniversity)的艾提克(Atick)等人提出的。

LFA在本質上是一種基於統計的低維對象描述方法，與只能提取全局特徵而且不能保留局部拓撲結構的PCA相比，LFA在全局PCA描述的基礎上提取的特徵是局部的，並能夠同時保留全局拓撲信息，從而具有更佳的描述和判別能力。

LFA技術已商業化為著名的FaceIt系統，因此後期沒有發表新的學術進展。

由美國國防部反毒品技術發展計劃辦公室資助的FERET項目無疑是該階段內的一個至關重要的事件。

FERET項目的目標是要開發能夠為安全、情報和執法部門使用的AFR技術。

該項目包括三部分內容：資助若干項人臉識別研究、創建FERET人臉圖像資料庫、組織FERET人臉識別性能評測。

該項目分別於1994年，1995年和1996年組織了3次人臉識別評測，幾種最知名的人臉識別演算法都參加了測試，極大地促進了這些演算法的改進和實用化。

該測試的另一個重要貢獻是給出了人臉識別的進一步發展方向：光照、姿態等非理想採集條件下的人臉識別問題逐漸成為熱點的研究方向。

柔性模型(Flexible Models)——包括主動形狀模型(ASM)和主動表觀模型(AAM)是這一時期內在人臉建模方面的一個重要貢獻。

ASM/AAM將人臉描述為2D形狀和紋理兩個分離的部分，分別用統計的方法進行建模(PCA)，然後再進一步通過PCA將二者融合起來對人臉進行統計建模。

柔性模型具有良好的人臉合成能力，可以採用基於合成的圖像分析技術來對人臉圖像進行特徵提取與建模。

柔性模型目前已被廣泛用於人臉特徵對准(FaceAlignment)和識別中，並出現了很多的改進模型。

總體而言，這一階段的人臉識別技術發展非常迅速，所提出的演算法在較理想圖像採集條件、對象配合、中小規模正面人臉資料庫上達到了非常好的性能，也因此出現了若干知名的人臉識別商業公司。

從技術方案上看， 2D人臉圖像線性子空間判別分析、統計表觀模型、統計模式識別方法是這一階段內的主流技術。

第三階段(1998年~現在)

FERET』96人臉識別演算法評估表明：主流的人臉識別技術對光照、姿態等由於非理想採集條件或者對象不配合造成的變化魯棒性比較差。

因此，光照、姿態問題逐漸成為研究熱點。

與此同時，人臉識別的商業系統進一步發展。

為此，美國軍方在FERET測試的基礎上分別於2000年和2002年組織了兩次商業系統評測。

基奧蓋蒂斯(Gehiades)等人提出的基於光照錐 (Illumination Cones) 模型的多姿態、多光照條件人臉識別方法是這一時期的重要成果之一，他們證明了一個重要結論：同一人臉在同一視角、不同光照條件下的所有圖像在圖像空間中形成一個凸錐——即光照錐。

為了能夠從少量未知光照條件的人臉圖像中計算光照錐，他們還對傳統的光度立體視覺方法進行了擴展，能夠在朗博模型、凸表面和遠點光源假設條件下，根據未知光照條件的7幅同一視點圖像恢復物體的3D形狀和表面點的表面反射系數(傳統光度立體視覺能夠根據給定的3幅已知光照條件的圖像恢復物體表面的法向量方向)，從而可以容易地合成該視角下任意光照條件的圖像，完成光照錐的計算。

識別則通過計算輸入圖像到每個光照錐的距離來完成。

以支持向量機為代表的統計學習理論也在這一時期內被應用到了人臉識別與確認中來。

支持向量機是一個兩類分類器，而人臉識別則是一個多類問題。

通常有三種策略解決這個問題，即：類內差/類間差法、一對多法(one-to-rest)和一對一法(one-to-one)。

布蘭茲(Blanz)和維特(Vetter)等提出的基於3D變形(3D Morphable Model)模型的多姿態、多光照條件人臉圖像分析與識別方法是這一階段內一項開創性的工作。

該方法在本質上屬於基於合成的分析技術，其主要貢獻在於它在3D形狀和紋理統計變形模型(類似於2D時候的AAM)的基礎上，同時還採用圖形學模擬的方法對圖像採集過程的透視投影和光照模型參數進行建模，從而可以使得人臉形狀和紋理等人臉內部屬性與攝像機配置、光照情況等外部參數完全分開，更加有利於人臉圖像的分析與識別。

Blanz的實驗表明，該方法在CMU-PIE(多姿態、光照和表情)人臉庫和FERET多姿態人臉庫上都達到了相當高的識別率，證明了該方法的有效性。

2001年的國際計算機視覺大會(ICCV)上，康柏研究院的研究員維奧拉(Viola)和瓊斯(Jones)展示了他們的一個基於簡單矩形特徵和AdaBoost的實時人臉檢測系統，在CIF格式上檢測准正面人臉的速度達到了每秒15幀以上。

該方法的主要貢獻包括：1)用可以快速計算的簡單矩形特徵作為人臉圖像特徵;2)基於AdaBoost將大量弱分類器進行組合形成強分類器的學習方法;3)採用了級聯(Cascade)技術提高檢測速度。

目前，基於這種人臉/非人臉學習的策略已經能夠實現准實時的多姿態人臉檢測與跟蹤。

這為後端的人臉識別提供了良好的基礎。

沙蘇哈(Shashua)等於2001年提出了一種基於商圖像[13]的人臉圖像識別與繪制技術。

該技術是一種基於特定對象類圖像集合學習的繪制技術，能夠根據訓練集合中的少量不同光照的圖像，合成任意輸入人臉圖像在各種光照條件下的合成圖像。

基於此，沙蘇哈等還給出了對各種光照條件不變的人臉簽名(Signature)圖像的定義，可以用於光照不變的人臉識別，實驗表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)則利用球面諧波(Spherical Harmonics)表示光照、用卷積過程描述朗博反射的方法解析地證明了一個重要的結論：由任意遠點光源獲得的所有朗博反射函數的集合形成一個線性子空間。

這意味著一個凸的朗博表面物體在各種光照條件下的圖像集合可以用一個低維的線性子空間來近似。

這不僅與先前的光照統計建模方法的經驗實驗結果相吻合，更進一步從理論上促進了線性子空間對象識別方法的發展。

而且，這使得用凸優化方法來強制光照函數非負成為可能，為光照問題的解決提供了重要思路。

FERET項目之後，涌現了若幹人臉識別商業系統。

美國國防部有關部門進一步組織了針對人臉識別商業系統的評測FRVT，至今已經舉辦了兩次：FRVT2000和FRVT2002。

這兩次測試一方面對知名的人臉識別系統進行了性能比較，例如FRVT2002測試就表明Cognitec, Identix和Eyematic三個商業產品遙遙領先於其他系統，而它們之間的差別不大。

另一方面則全面總結了人臉識別技術發展的現狀：較理想條件下(正面簽證照)，針對37437人121,589 幅圖像的人臉識別(Identification)最高首選識別率為73%，人臉驗證(Verification)的等錯誤率(EER[14])大約為6%。

FRVT測試的另一個重要貢獻是還進一步指出了目前的人臉識別演算法亟待解決的若干問題。

例如，FRVT2002測試就表明：目前的人臉識別商業系統的性能仍然對於室內外光照變化、姿態、時間跨度等變化條件非常敏感，大規模人臉庫上的有效識別問題也很嚴重，這些問題都仍然需要進一步的努力。

總體而言，目前非理想成像條件下(尤其是光照和姿態)、對象不配合、大規模人臉資料庫上的人臉識別問題逐漸成為研究的熱點問題。

而非線性建模方法、統計學習理論、基於Boosting[15]的學習技術、基於3D模型的人臉建模與識別方法等逐漸成為備受重視的技術發展趨勢。

總而言之， 人臉識別是一項既有科學研究價值，又有廣泛應用前景的研究課題。

國際上大量研究人員幾十年的研究取得了豐碩的研究成果，自動人臉識別技術已經在某些限定條件下得到了成功應用。

這些成果更加深了我們對於自動人臉識別這個問題的理解，尤其是對其挑戰性的認識。

盡管在海量人臉數據比對速度甚至精度方面，現有的自動人臉識別系統可能已經超過了人類，但對於復雜變化條件下的一般人臉識別問題，自動人臉識別系統的魯棒性和准確度還遠不及人類。

這種差距產生的本質原因現在還不得而知，畢竟我們對於人類自身的視覺系統的認識還十分膚淺。

但從模式識別和計算機視覺等學科的角度判斷，這既可能意味著我們尚未找到對面部信息進行合理采樣的有效感測器(考慮單目攝像機與人類雙眼系統的差別)，更可能意味著我們採用了不合適的人臉建模方法(人臉的內部表示問題)，還有可能意味著我們並沒有認識到自動人臉識別技術所能夠達到的極限精度。

但無論如何，賦予計算設備與人類似的人臉識別能力是眾多該領域研究人員的夢想。

相信隨著研究的繼續深入，我們的認識應該能夠更加准確地逼近這些問題的正確答案。

6. 支付寶實現的刷臉支付，它的工作原理是什麼

引言：現在越來越多的超市和連鎖店都進行了人臉識別支付的方式，對於使用人臉識別方式的用戶來說，刷臉支付，她不僅解決了安全問題，而且還方便了人們支付，那麼，它基本原理是什麼？是否可靠？

它主要是通過人臉識別的方式進行，再結合數據處理的方式，通消費者將自己的臉部正放入攝像頭將棋採集，可以是靜態，也可以是動態，在不同的地方和，不同的表情都可以識別出來，攝像頭把他們的人臉特徵全部都記錄下來，將有用的信息挑選出來，並利用這些特徵實現人臉識別，當消費者達到了系統上的人臉拍攝的范圍時，系統將會自動收集該用戶的人臉頭像。對於特徵的提取，可以歸納為兩種，一種是匹配法，另一種是根據人臉的描述和他們的距離來判斷。

7. 刷臉技術與其他生物識別技術的區別

刷臉技術與其他生物識別技術的區別？ 隨著演算法的完善，生物識別技術已獲得重大突破，在越來越多的領域不斷跨越用戶接受的門檻，其市場呈快速爆發之勢。其中，人臉識別的國內市場規模在未來五年有望達到千億級別。生物識別是指通過計算機與光學、聲學、生物感測器和生物統計學原理等高科技手段密切結合，利用人體固有的生理特性來進行個人身份鑒定技術。與傳統的密碼檢驗方式相比，生物識別技術基於人的生物特性，具有易測量、排他性以及終身不變的特點，擁有檢驗快速、結果更准確的優勢。目前主流的生物識別方式分別為指紋識別、虹膜識別、語音識別、靜脈識別和人臉識別。人臉識別與其他生物識別方式相比，優勢在於自然性、不被察覺性等特點。自然性即該識別方式同人類進行個體識別時所利用的生物特徵相同。指紋識別、虹膜識別等均不具有自然性。不被察覺的特點使該識別方法不易使人抵觸，而指紋識別或虹膜識別需利用電子壓力感測器或紅外線採集指紋、虹膜圖像，在採集過程中體驗感不佳。目前人臉識別需要解決的難題是在不同場景、臉部遮擋等應用時如何保證識別率。此外，隱私性和安全性也是值得考慮的問題。

圖表1：五種生物識別技術性能對比


人臉識別優勢明顯，未來將成為識別主導技術。相比指紋識別、虹膜識別等傳統的生物識別方式，優點主要還集中在四點：非接觸性、非侵擾性、硬體基礎完善和採集快捷便利，可拓展性好。在復雜環境下，人臉識別精度問題得到解決後，我們預計人臉識別有望快速替代指紋識別成為市場大規模應用的主流識別技術。

圖表2：人臉識別的優勢


人臉識別按照識別方式應用的不同主要分為1:1、1：N和M：N三種模式：

圖表3：人臉識別三種不同的識別模式

8. 銀行取款進入刷臉時代，人臉識別取錢真的安全嗎

其實對我們來說，銀行取款已經進入了雙聯時代，也正是因為如此新科技的普及，勢必會給人民群眾帶來很大的便利，所以對我們來說，人臉識別是否智能安全更應該從技術層面嚴格的把關，切實提高人臉識別的安全程度，守護人民的財產安全，所以可以從以下幾個方面出發來看待問題。