数据驱动下人脸识别的技术预测研究

齐小英　陈欣

摘  要：在数字化时代，图像已经成为社会信息来源的重要组成因素。人脸作为一种数字图像，人脸识别相比其他生物识别，具有便捷性、非接触性、应用广泛等优点。人脸识别已经从对“人脸”这个“面”的识别逐渐转变为对“人脸”这个“系统”的识别。本文在《2018年人脸识别研究报告》的基础上，结合人脸识别新闻事件的语义分析结果预测其发展趋势。结果表明，人脸识别的未来发展趋势主要包括五个方面：（1）建立复杂性、多元化的人脸模型;（2）静默活体检测技术与3D动态人脸识别相结合;（3）人脸识别应用趋于场景化;（4）人脸识别的市场规模逐渐扩大;（5）人脸数据治理以保护个人隐私。

关键词：数据驱动;人脸识别;人脸检测;技术预测

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）23-0076-03

Research on Data-driven Face Recognition Technology Prediction

QI Xiaoying1，CHEN Xin2

（1.School of Management，Hebei University，Baoding  071002，China;

2.College of Software and Information Security，Guangxi University for Nationalities，Nanning  530006，China）

Abstract：In the digital age，image has become an important component of social information sources. Face recognition is a kind of digital image. Compared with other biometrics，face recognition has the advantages of convenience，non-contact，wide application and so on. Face recognition has gradually changed from face recognition to face system recognition. In this paper，based on the 2018 Face Recognition Research Report，combined with the semantic analysis results of face recognition news events，the development trend of face recognition news events is predicted. The results show that the future development trend of face recognition mainly includes five aspects：（1）Building complexity and diversification;（2）the combination of silent living detection technology and 3D dynamic face recognition;（3）the application of face recognition tends to be situational;（4）the market scale of face recognition is gradually expanding;（5）face data management to protect personal privacy.

Keywords：data driven;face recognition;face detection;technical prediction

0  引  言

人脸识别是指通过检测获取人的脸部信息，对其进行跟踪提取人脸关键点和特征点，并与数据库中的人脸特征进行比对分析，最终实现唯一地识别或验证人的目的的生物测定技术[1]。它是一门综合性很强的科学技术，融合了数字图像处理、计算机图形学、模式识别、计算机视觉、人工神经网络和生物特征等多个学科的理论和方法[2]。2018年10月10日，AMiner发布了《2018人脸识别研究报告》[3]，从人脸识别概述、技术、人才、应用、趋势各维度分析了该领域的发展，为学者们的相关研究提供了参考。因此，本文在《2018年人脸识别研究报告》的文本分析基础上，结合人脸识别新闻事件的语义分析结果，进一步从技术和应用等多方面探讨和预测人脸识别的未来发展趋势。

1  人脸识别技术发展

人脸识别从19世纪开始研究，依次经历了萌芽期、起步期、发展期、局部成熟期和规模应用期[4]。本文在此基础上进行了延伸，并将其总结为广泛应用期、成熟应用期以及场景应用期。基于应用视角的人脸识别发展的标志性事件如表1所示，从表1可以看出，人脸识别技术在每个发展时期均取得了标志性的成果，而每个时期的研究成果都在促进着下一个时期人脸识别技术的发展。人脸识别三大经典算法：特征脸法[5]、局部二值模式[6]、Fisherface[7]。其中，影响力最大的是由Sirovich和Kirby（1987）提出的特征脸人脸识别方法，它是对训练集中所有人脸图像的协方差矩阵进行本征值分解，得到对应的本征向量，这些本征向量就是“特征脸”点[3]。而这一人脸识别方法的问世开创了人脸识别领域的新局面。

2  人臉识别技术的未来发展趋势预测

2.1  基于对《2018人脸识别研究报告》的语义分析

本文基于NLPIR汉语分词系统对《2018人脸识别研究报告》进行语义分析。新词发现指从文本中挖掘出具有内涵新词、新概念。它可以在一定程度上反映人脸识别的未来发展。新词提取内容包括词语、词性、权重和词频统计，权重大于10的新词如表2所示。从表2可以看出，“人脸图像” “计算机视觉”的权重和频次都位居第一、第二。其中“支持向量机”和“活体鉴别”的权重很高，但是二者频次却低于于“模式识别”和“特征提取”。

2.2  基于人脸识别新闻事件的语义分析

人脸识别新闻事件充分展示了人脸识别最新、最快、最多的信息。选择“主题采集”，采集区域选择“境内采集”，采集时间选择2015年1月1日至2019年10月2日。在采集模块输入关键词“人脸识别”“人脸识别技术”“人脸检测”等主题，最终获取与主题相关的主流新闻事件57篇。新词发现的权重排名前10名如表3所示。

表3中的“人脸图像”的权重和频次仍然位居第一。其中，“活体鉴别”的权重从表2第八名上升至表3第二名。除此之外，表3中出现了“门禁”“尺寸归一化”“静默活体”、“行人闯红灯”“视频流”“变形模型”“肤色模型”“侧脸”“非人脸”“数据泄露”以及“边缘特征”等新词。

2.3  人脸识别技术的未来发展趋势

通过对比表2和表3可以发现，人脸识别研究报告和其新闻的语义分析结果有一定的差异。结合二者的新词发现结果可以总结出以下趋势。

2.3.1  建立复杂性、多元化的人脸模型

在实际的生活中，人脸的状态往往是动态变化的，目前，摄像机采集的2D人脸图像很可能因为光照、低头、墨镜、口罩等反人脸识别的障碍物影响而出现不清晰、不完整、关键特征模糊的情况，从而无法提高人脸识别的速度和准确率。因此，需要基于深度学习、云计算等大数据技术来建立复杂性、多元化的人脸模型（如侧脸、双胞胎脸、不同肤色脸、非人脸等）以提高人脸识别的准确率和速度。

2.3.2  静默活体检测技术与3D动态人脸识别相结合

人脸与照片的区别在于即使用户不刻意做任何动作，也会存在眨眼、面部肌肉收缩等微表情。静默活体检测技术是指通过一系列左右摇头、张嘴等动作判断人脸是否为活体人脸，然后再与身份证的人脸进行对比。3D动态人脸识别可以在复杂环境中全方位、立体化的采集人脸数据。因此，采用3D动态人脸识别与静默活体检测技术相结合可以更加精准地识别人脸图像。

2.3.3  人脸识别应用趋于场景化

不同的应用场景对人脸识别技术的要求不尽相同。例如，公安刑事侦查对人脸识别技术的要求主要体现在重建人脸图像上。人脸图像重建技术能够对低分辨率的人脸图像进行重建，帮助办案人员重建嫌疑人的人脸图像信息，提高办案效率。医疗行业对人脸识别技术的要求则主要体现在精准监控和预警上。因此，未来学者们需要重视应用场景的差异性，结合不同应用场景的不同需求与业务特点进行有针对性的研究，以实现人脸识别技术的个性化、精准化。

2.3.4  人脸识别的市场规模逐渐扩大

人脸识别技术的每一次技术提升都能大幅推动行业发展速度。全球人脸识别市场规模呈现增长率持续增高，预计2022年市场规模将达75.95亿美元。由此可见，未来人脸识别将朝着市场化方向发展。

2.3.5  人脸数据治理以保护个人隐私

人脸识别的过程中需要使用人脸信息数据库，而数据库中的生物特征数据容易泄露。“17万人脸数据遭到公开售卖”的新闻就充分说明，必须从人脸数据的采集、管理、使用等过程进行治理。否则就会侵犯公民的隐私权，从而阻碍人脸识别技术的市场化发展。

3  结  论

时至今日，从人脸识别技术的发展历程来看，人脸识别已进入了场景应用期。结合对《2018人脸识别研究报告》和人脸识别新闻事件的语义分析结果，发现人脸识别的技术研究层面已从二维层面延伸至三维层面，并且融合实际应用场景，更加立体、动态、场景化地进行人脸识别。人脸识别已经从对“人脸”这个“面”的识别逐渐转变为对“人脸”这个“系统”的识别。同时，人脸识别这项技术的发展也是基于对“人脸”数据的深入研究。所以为了适应人类社会的复杂性以及数据驱动的创新机制，人脸系统识别的研究必须要朝着下一个阶段发展。

参考文献：

[1] 左腾.人脸识别技术综述 [J].软件导刊，2017，16（2）：182-185.

[2] 卢文峰.人脸识别研究技术发展综述 [J].电子世界，2017（17）：97.

[3] 人工智能学家.清华Aminer发布最新2018人脸识别研究报告 [EB/OL].（2018-10-12）.https：//blog.csdn.net/cf2SudS 8x8F0v/article/details/83034545.

[4] 苏光大.人脸识别在社会公共安全领域的应用 [J].中国安防，2015（14）：12-14.

[5] SIROVICH L，KIRBY M. Low-dimensional procedure for the characterization of human faces [J]. Journal of the Optical Society of America. A，Optics and image science，1987，4（3）：519-24.

[6] OJALA T，PIETIKÄINEN M，HARWOOD D. A comparative study of texture measures with classification based on featured distributions [J]. Pattern recognition，1996，29（1）：51-59.

[7] Fisher R A. The Use of Multiple Measurements in Taxonomic Problems [J]. Annals of Human Genetics，1936，7（7）：179-188.

作者简介：齐小英（1997.04-），女，汉族，陕西西安人，硕士研究生在读，研究方向：社会信息处理、情报分析;陈欣（1995.03-），女，汉族，广西南寧人，本科，研究方向：信息系统、信息安全。