【刷脸支付】你对刷脸了解多少？

刷脸支付，你对刷脸了解多少？

“刷脸”又称“人脸识别(FaceRecognition，FR)”，是基于人的脸部特征信息进行身份识别的一种生物识别技术。

用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期；

近几年随着以深度学习为主的人工智能技术进步，人脸识别技术得到了迅猛的发展。

“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，是综合性比较强的系统工程技术。

利用人脸识别技术进行身份认定，安全、可靠、准确。借助于现代计算机技术实现，很容易配合电脑、网络和安全、监控、管理系统整合，实现自动化、智能化管理。

人脸识别工作原理

人脸识别系统通常包括几个过程：人脸图像采集及检测、图像预处理、特征关键点提取、和特征比对。

1

图像采集及检测

人脸图像采集：用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测：主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。

人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。

2

图像预处理

对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。

系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。

对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

3

特征提取

根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据（包括视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等），其特征分量通常包括特征点间的欧氏距离、曲率和角度等，对人脸进行特征建模。

4

特征比对

提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。

人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。

这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

人脸识别技术分类

当前人脸识别采集技术主要分三类：可见光识别技术、近红外识别技术、3D成像识别技术。

1

可见光识别技术

可见光人脸识别技术是一种生物识别加智能视频分析技术，通过视频采集面部生物特征，在任何可见光和黑暗环境中与数据库数据分析比对，精确识别合法和黑名单用户。

解决了监狱、军队、政府、公安、电力等高端用户室外可见光环境下精准识别，完全打破世界原有落后的生物技术识别和被动式监控安防格局，创造主动式高安全级别的完整意义的主动防范。

可见光识别技术最大的优势在于可以与现有的视频监控系统结合起来，能够智能、高效、精准、主动的对远距离大范围的特定场所进行人员管理。

而且可以在不经意间完成对目标人群进行图像采集，具有更强的隐蔽性。

其劣势在于在夜间等光线不好，或目标人员有遮挡的情况下识别精度大大降低甚至无法完成识别功能。

2

近红外识别技术

近红外人脸识别是为了解决人脸识别中的光照问题，而提出的一种解决方案。

其包括两部分：主动近红外人脸成像设备；和相应的光照无关人脸识别算法。

使用强度高于环境光线的主动近红外光源成像，配合相应波段的光学滤片，可以得到环境无关的人脸图像，人脸图像只会随着人与摄像头的距离变化而单调变化。

在此图像上采用一些特定的特征提取方式，如：局部二元模式（Local Binary Pattern，LBP）特征，可以进一步消除图像的单调变化，得到完全光照无关的特征表达。

近红外识别技术最大的优势在于消除了光线对于识别效果的影响。

劣势也很明显，1、为了降低环境光对识别效果的影响，红外主动光源的强度需要强于环境光强度，这也大大降低了识别距离；

2、主动光源会在眼镜上产生明显的反光，降低眼睛定位的精度；

3、不能利用已有的大量可见光照片（如：二代证照片，逃犯照片库等），用户需要重新构建近红外照片库，费时费力；

4、主动光源经过长期使用后，会出现损坏和衰减，带来更多的后期维护。

3

3D成像识别技术

3D成像识别技术是人脸识别重要发展发现。目前大部分的人脸识别应用的范畴限定在2D图像上。

人脸实质上是一个立体模型，而2D人脸识别容易受到姿态、光照、表情等因素影响，是因为2D图像本身有一个缺陷，无法很好地表示深度信息。

如果说深度学习是从人的认知角度来理解人脸识别，那么3D技术就是从现实模型来反映人脸识别。

目前关于3D人脸识别方向的算法研究并没有2D人脸识别技术那么丰富和深入，许多因素限制了这项技术的发展。

首先，3D人脸识别往往需要特定的采集设备，如3D摄像机或双目摄像机。目前这类采集设备价格还比较昂贵，主要用于特定场景。

其次，3D建模过程需要的计算量较大，对硬件要求较高，也限制了目前的应用。

第三，3D人脸识别数据库比较稀少，研究者缺少训练样本和测试样本，无法开展更深入的理论研究。

所以很多厂家采用2D 人脸识别技术，即用3D的深度信息进行活体检测判断 2D人脸识别技术进行识别比对。

通过两者的结合，可有效解决人脸假体（照片、视频等）攻击。

目前常见的3D成像模组有：3D结构光识别模组、3D时间光（TOF）识别模组和双目立体成像识别模组。

3D摄像头相比传统摄像头，在硬件上最大的不同是前端引入了vcsel模组。

3D摄像头特点在于除了能够获取平面图像以外，还可以获得拍摄对象的深度信息，即三维的位置及尺寸信息，其通常由多个摄像头 深度传感器组成。

结构光方案适合于消费电子产品前置3D成像，用于近距离场景。

而ToF方案使用于消费电子产品的后置3D成像，用于远具体、室外强干扰环境。双目立体视觉方案因检测范围太小（不足1米），远距离检测问题很多，导致应用场景太少。