人脸识别算法发展概述*

任兴珅

北方民族大学计算机科学与工程学院 宁夏 银川 750021

1 人脸识别概述

人脸识别是计算机视觉领域重要的研究方向，随着现阶段人脸识别应用的普及，人脸识别算法被应用到各个领域。人脸识别是将当前人脸图像进行特征提取，然后与人脸库中的人脸信息对比，匹配个人信息，并给予反馈。因此，为避免人脸识别错误率带来的不稳定性，人们对人脸识别算法的准确率以及速度要求在逐渐提高。

2 传统人脸识别算法

人脸识别技术最早在1965年被提出，早期的人脸识别研究主要基于人脸几何特征的方法和基于模版匹配的方法。基于人脸几何特征的方法是通过提取人脸器官，如眼睛、鼻子、嘴巴等重要特征点的位置以及人脸器官的几何形状作为分类特征。基于几何特征的方法通过设定好的算法提取人脸特征，计算量小，但容易受光照、角度、表情等多种因素影响，效果极其不稳定。基于模版匹配的方法是将要识别人脸与已经建立好的人脸图像库以一定的方式进行模板匹配，当匹配效果较好时理论上满足人脸识别需求。但由于场景的多样性，模板匹配的成功率存在偶然性，很难用于实际应用[1]。

20世纪90年代，研究人员使用机器学习方法将人脸特征向量化，得到高维人脸特征向量，然后映射到低维空间进行判定。如Turk等人提出特征脸Eigenface；Peter等人利用主成分分析方法PCA对人脸进行降维，然后采用线性判定分析期望获得类间距离较大，类内距离较小的子空间实现人脸识别[2]。

3 基于深度神经网络的人脸识别算法

2006年，深度学习的概念被提出，第一次指出具有大量隐含层，通过反向传播从大量数据集中学习特征的方法。经过众多研究者的努力，深度学习技术逐渐在计算机视觉领域取得突破进展。2014年，脸谱团队开发的人脸识别算法在LFW数据集取得了97.35%的平均准确率。自此，人脸识别算法有人工设计特征分类识别转向基于CNN的端到端自主学习。2015年，Google的开发了FaceNet[3]人脸识别系统，该系统在一定程度上解决了大规模高效人脸识别、人脸验证问题。FaceNet利用ResNet模型对图像进行特征提取，将人脸特征映射到欧几里得空间，通过计算图像的空间距离来确定图像的相似度。同时提出了Triplet loss损失函数，公式：

随着轻量级神经网络的发展，Sheng Chen[4]等人在2018年提出了MobileFaceNet，该算法借鉴了FaceNet的思想，网络模型结构与MobileNetV2网络结构相似，在移动设备推理速度仅43ms，解决了在移动设备部署人脸识别算法的问题。

4 总结与展望

人脸识别是计算机视觉领域的热门领域，其应用也非常广泛，尤其在智慧安防、移动支付等领域。伴随着人脸识别技术的广泛应用，对人脸识别算法准确率的要求也在不断增加，随着深度学习的发展，基于深度学习的人脸识别算法由于其高准确率，逐渐取代传统人脸识别算法。但深度神经网络计算量较大，在特定场景使用时存在不便捷性，因此，轻量化人脸识别算法是一个必然趋势。现阶段，轻量化人脸识别领域还存在很多问题：①模型推理速度依旧达不到实时识别的速度；②轻量级人脸识别网络精度上与大型神经网络存在些许差距，不适用于大规模人脸数据识别。以上时目前人脸识别领域的研究热点，未来人脸识别领域，会实现更高的准确率与更快的推理速度。