本文将从国际人脸识别技术研究及标准化工作出发,探析国际人脸识别技术和标准化发展趋势以及对我国人脸识别技术研究及标准化工作借鉴意义。
在智能分析、生物识别等技术发展的背景下,近年来人脸识别技术已成为视频监控、智能家居、金融支付等行业的主要应用趋势。随着人工智能技术在各个行业的逐步应用和落地,由与技术革新相对应的人脸识别技术研究及标准化工作也受到了广泛关注。本文将从国际人脸识别技术研究及标准化工作出发,探析国际人脸识别技术和标准化发展趋势以及对我国人脸识别技术研究及标准化工作借鉴意义。
一、国际人脸识别技术研究组织概述
人脸识别技术是目前主流的人工智能算法落地应用之一。
人脸识别算法按识别流程主要包括人脸图像捕获、预处理、特征提取、人脸比对、活体检测以及人脸对抗检测等方面。获取的人脸图像经过模型训练实现人脸识别的过程称为人脸视图解析过程。人脸根据任务需求包括1:1人脸验证、1:N人脸库对比匹配和多张相同人脸进行人脸聚类。
活体检测是判断当前视图内人脸是否采用物理面具或者其他非真实人脸模具进行人脸识别。
人脸对抗检测是采用生成对抗样本越过活体鉴别对人脸识别技术进行破防检测。
在国际主流人脸识别技术研究中,除人脸识别算法外,前端人脸数据增强、人脸数据加密存储、行业内人脸识别管理技术也是国内外研究重点之一。
国外人脸识别技术研究涵盖院校和知名企业两大类,主要通过组织或参加国际人脸相关类竞赛获得了巨大曝光度。举办竞赛类学校和组织包括美国斯坦福大学、美国马萨诸塞大学、美国华盛顿大学以及美国国家标准与技术研究院(NIST)等。
我国科技类公司包括依图科技、商汤科技、旷视科技、云丛科技都表现不俗,近年来一直处于竞赛领先地位。国际上美国、法国、俄罗斯、立陶宛、加拿大、日本等国家院校和公司表现也十分抢眼。
1.斯坦福大学
美国斯坦福大学是最早研究人脸识别技术的院校之一。华人科学家李飞飞教授在2009年的CVPR上发表了论文《ImageNet: A Large-Scale Hierarchical Image Database》,次年开启了连续数年的ImageNet挑战赛,极大的推动了全世界人工智能行业发展。近期,斯坦福大学与Facebook旗下数据挖掘公司合作,采集100万人脸数据根据人员的年龄、性别、种族、面部朝向和面部表情等因素进行识别,取得了较好的识别准确率。
2.美国马萨诸塞大学
美国马萨诸塞大学对人脸识别最重要的贡献之一是开源了知名的人脸检测数据库FDDB和人脸识别数据集LFW。FDDB数据集是从Wild数据集面部拍摄的2845个图像集中的5171个面部的注释,数据集采用椭圆型人脸标签。主要用于研究无约束人脸检测问题的人脸区域数据集。评估方式包括长方形和椭圆两种形式。LFW数据集包含13233张人脸图像,涉及5749位全世界知名人士,其中1680人具有两张或两张以上不同场景下图片,每张图片采用统一尺寸,LFW数据集主要应用于非限制环境下的人脸识别。
3.美国华盛顿大学
2016年IEEE计算机视觉与模式识别会议(CVPR2016)上发布了由美国华盛顿大学计算机科学与工程实验室维护的MegaFace基准数据集竞赛初始结果。该数据集是继LFW后首个百万级人脸规模数据集,涉及690572个人员。测试规模是LFW的100倍以上,识别率研究提升难度更大。最早是由俄罗斯Vocord公司获得第一名。
4.美国国家标准与技术研究院(NIST)
NIST是由美国商务部主管为美国工业和国防部提供测试技术的研究机构。主要负责美国国家计量基准与标准,参与美国标准化技术委员会制定标准等工作。其重要的一项人脸识别测试数据集是FRVT测评,由于其不对外开放数据只接受SDK评测,并且属于相对独立的第三方评测机构不受商业因素影响,因此在国际上具有一定的公正性。FRVT测评的特点不设置截至日期,定期开放不同企业提交的测试结果,可从测试精度、速度以及存储、可靠性等各个算法进行评测。FRVT数据集主要涵盖Child exploitation、Visa images、Mugshot images、Selfie images、Webcam images、wild images等数据集,测试较为复杂,挑战性大。
二、国际人脸识别技术研究发展趋势
随着云计算、大数据、物联网、人工智能等计算机科学技术的飞速发展以及人脸识别技术在实际应用领域的不断拓新。全球人脸识别行业规模以非常高的速度增长。
根据全球第二大市场研究咨询公司Markets and Markets预测,新冠疫情后全球人脸识别市场规模将从2020年的38亿美元增长至2025年的85亿美元,预计期间复合年增长率(CAGR)约为19.0%。其中安防监控、零售与电子商务、金融服务是推动市场增长的主要因素。同时,人脸识别类相关专利申请书也达到了1374件。随着人脸识别技术的广泛应用,一些新的技术不断发展。国际上人脸识别技术的主要研究重点包括人脸识别基础算法、芯片和传感器。
1.基础算法技术
基础性研究可解决应用算法层面的瓶颈。人脸识别技术从最早的基于特征脸、几何特征方法、支持向量机到深度学习算法,经历了几代的发展。在目前主流的深度学习算法中,基础算法热点包括深度学习模型结构设计、损失函数设计、特征加速等。模型设计的重点是权重少、计算小、速度快。如何设计高效的神经网络是研究重点之一。损失函数设计是反映模型设计水平的评价指标之一,主要用于反馈训练数据集的真实水平和具有合理的可求解梯度。目前,深度学习领域的两个重要分支分别是设计强大复杂的网络模型和高效稳定的结果输出。
2.芯片研制
人脸识别技术的发展得益于神经网络技术的发展。而神经网络技术依赖于大规模数据处理能力,也就是芯片算力。目前大部分人脸识别产品均采用通用芯片进行处理。由于人脸识别算法对算力资源要求较高,一般采用CPU、ARM等芯片进行视频处理获取人脸图片。对获取的人脸图片进行人脸解析过程是人脸识别技术的关键,由于CPU对多任务处理能力效率低下,因此该过程一般采用专用处理芯片包括GPU显示核心、FPGA现场可编程门阵列、ASIC专用集成电路、DSP数字信号处理等。
2020年来,由于新冠疫情以及资源短缺,全球陷入芯片紧缺状态,目前已从汽车行业蔓延到多数计算机产品行业。因此,突破芯片限制仍是目前国际上需要解决的重要课题之一。
3.传感器技术
传统的二维人脸识别技术已经取得了实战性应用,但随着信息安全技术的发展,活体检测以及人脸对抗性攻防技术也是现在研究重点之一。而解决该类算法攻击的重要途径之一是采用更为复杂的前端采集传感器,如基于3D结构光、双目立体视觉和TOF技术的三维人脸采集和近红外人脸采集传感器。如常见的Iphone Face ID主要采用3D结构光技术,可应用于消费者行业,如人脸支付、新零售、智能物流等。
三、人脸识别标准化现状
1.人脸识别标准化国际组织概述
人脸识别国际标准化方面,人脸识别标准化工作主要属于 ISO/IEC JTC1/SC37的工作范畴,其重点关注人脸识别基础标准,如图示、图标、符号、样本质量等,以及数据交换格式及符合性测试方法等。
其它国外关注人脸识别的先进组织包括IEEE消费电子协会(Institute of Electrical and Electronics Engineers,IEEE)、美国消费者协会(Consumer Technology Association,CTA)等,其关注的方向在于生物特征识别呈现攻击检测、人脸生物特征识别信息的性能评估等方面。
ITU国际电信联盟标准(International Telecommunication Union,ITU)与生物识别标准相关的工作组包括ITU-T SG17安全标准工作组下设的Q9和Q10。Q9主要关注在通信应用环境中应用生物特征识别及其标准化工作。随着生物特征识别技术在电子商务、电子健康和移动支付领域中的广泛应用,该工作组同样关注生物特征数据的隐私保护、可靠性和安全性等各方面的挑战。Q10关注身份管理架构和机制,部分标准项目与基于生物特征识别身份认证相关。近年来,ITU-T SG16媒体工作组基于视频监控、机器视觉等应用场景、功能需求、业务需求、性能需求以及安全需求,在Q12、Q21等课题组先后开展人脸识别标准的研究和制定。
2.人脸识别标准制修订概述
人脸识别技术作为生物特征识别技术的分支,也是应用最普遍的生物特征识别技术,有众多生物特征识别领域相关的标准可参考。ISO/IEC人脸识别国际标准统计情况见表1。
表1 ISO/IEC国际人脸识别标准统计表
其中,国内标准GB/T 26237.5-2014 《信息技术生物特征识别数据交换格式第5部分:人脸图像数据》采标国际标准ISO/IEC 19794-5:2006 《Information technology ― Biometric data interchange formats ― Part 5: Face image data》;国内标准GB/T 33842.5-2018 《信息技术 GB/T 26237中定义的生物特征数据交换格式的符合性测试方法第5部分:人脸图像数据》采标国际标准ISO/IEC 29109-5:2014 《Information technology ― Conformance testing methodology for biometric data interchange formats defined in ISO/IEC 19794 ― Part 5:Face image data》;国内标准GB/T 33767.5-2018 《信息技术生物特征样本质量第5部分:人脸图像数据》采标国际标准ISO/IEC TR 29794―5:2010 《Information technology ―Biometric sample quality ― Part 5:Face image data》。除此之外,一些综合性标准中也涉及了人脸识别相关内容,具体见表3。
表2 国外其他组织制修订标准情况
表3 国外其他含人脸识别相关内容标准制修订情况
由于人脸识别技术国外发展较早,相应的人脸识别国际标准也具有较先制定的情况。但国际标准化研究主要聚焦于基础性标准建设,针对行业领域的标准化工作较少。
近年来,随着我国人工智能产业的加速发展,人脸识别技术和标准制修订工作已经实现了国际化接轨。国内标准的发展路径由前期直接采标国际标准到后期根据国内行业发展个性化制修订适合国内人脸识别行情的国家标准或行业标准,进步十分明显。
作者:王武成 云飞 公安部第三研究所
该文观点仅代表作者,本站仅提供信息存储空间服务,转载请注明出处。若需了解详细的安防行业方案,或有其它建议反馈,欢迎联系我们。