人脸是这样识别的
通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。光学人脸图像（以下简称人脸图像）是外界光源（包括太阳光、室内人造光源和其他物体表面反射而来的光线）发出的光线照射在人脸上，经人脸表面反射后传播到摄像机传感器的光线强度的度量。不难理解，这一成像过程实际上涉及到三大类关键要素：
1. 人脸内部属性：包括人脸表面的反射属性（如反射系数等，通常简称为纹理[Texture]）、人脸3D形状（表面法向量方向）、以及人脸表情、胡须等属性的变化；
2. 外部成像条件：包括光源（位置和强度等）、其他物体（比如眼镜、帽子）或者人体其他部件（比如头发）对人脸的遮挡等；
3. 摄像机成像参数：包括摄像机位置（视点）、摄像机的焦距、光圈、快门速度等内外部参数。
不难理解，在成像过程中，人脸表面3D结构及其反射属性才是人脸相对稳定的本质属性，是人脸识别算法应该赖以区分不同人脸的主要特征；而人脸表情变化、有无胡须等尽管也属于人脸内部属性，但因为具有可变性而不能作为人脸的区分特征。光源等外部成像条件以及摄像机参数等外部因素就更不能作为人脸识别依赖的特征属性。因此，在理想情况下，要根据人脸图像区分不同的人脸，根本上似乎需要从人脸图像表观中分离开人脸稳定不变的本质属性（3D形状与表面反射率）与外界条件和摄像参数。然后，从3D形状与表面反射率属性中提取不同人脸的差异信息，馈入到后端的判别分类器中进行识别。然而，这一过程并不那么简单直接：从单一未知光源条件的图像中恢复3D形状信息和表面反射率是经典的视觉难题，本质上是一个病态的问题，尽管近年来研究人员通过利用各种约束条件和先验知识可以在一定程度上实现该功能，或者要求多幅不同光照条件下的图像以便得到更精确的估计结果，但直到现在仍没有取得本质的突破。除了少数采用特殊设备获取人脸3D结构外，多数系统不得不退而求其次，采用的人脸建模方法仍然停留在图像表观层面上，并没有对3D形状和纹理进行显式分离的步骤，而是直接从图像表观中提取判别特征并进行分类来完成识别。
人脸识别问题是这样产生的
人脸识别技术架构
经过40多年的发展，人脸识别技术已经取得了长足的进步。然而，这并不意味着人脸识别技术已经非常成熟了，恰恰相反，因为更大量的人脸识别应用系统需要在更大规模人脸库、摄像环境不可控、用户不配合的情况下使用，目前最好的识别系统在这样的情况下识别系统正确识别率只能达到75%以下，验证系统等错误率攀升到10%以上。
概括而言，目前人脸识别领域的主要开放问题包括：鲁棒、准确的特征配准问题；对各种图像采集条件变化鲁棒的核心识别算法；识别算法的泛化能力和自适应学习问题；光照变化问题，尤其是室外光照变化；姿态不变的人脸识别算法；人脸信息采集设备带来的问题；低质量照片的检测识别问题；年龄变化导致的照片老化问题；墨镜、帽子、口罩等造成的遮挡问题；化妆、整容带来的问题。另外需要注意的是：上述开放问题大多都是组合性的。
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。
