20181022-AMiner-计算机行业_2018人脸识别研究报告_51页_3mb

报告摘要

人脸识别研究报告总结（2018）

核心内容

人脸识别是一种基于人脸特征信息进行身份识别的生物识别技术，具有非侵扰性、便捷性、友好性、非接触性和可扩展性等优势。该技术在多个领域得到了广泛应用，包括公共安全、市场营销、商业银行等。随着深度学习的发展，人脸识别技术取得了显著突破，识别精度接近甚至超越人类水平。

主要观点

技术发展：人脸识别技术经历了从基于几何特征、特征脸、LBP到深度学习的演变，逐步提升识别精度与鲁棒性。
政策支持：中国政府自2015年起出台多项政策，推动人脸识别在金融、安防、医疗等领域的应用，为技术发展提供了良好环境。
研究热点：人脸识别研究热点集中在人脸识别、特征提取、稀疏表示、图像分类、神经网络、目标检测、人脸图像、姿态估计、活体鉴别等领域。
国际会议：人脸识别相关国际会议包括IEEE国际计算机视觉大会（ICCV）、IEEE计算机视觉与模式识别会议（CVPR）、欧洲计算机视觉会议（ECCV）以及IEEE国际自动人脸识别与手势识别会议（FG）等。
人才分布：全球人脸识别学者主要分布在美、英、中等国家，其中美国和英国占据主导地位，中国学者在国际影响力方面仍有提升空间。
应用领域：人脸识别技术已广泛应用于门禁系统、市场营销、商业银行等场景，国内主要企业包括商汤科技、云从科技和旷视科技。

关键信息

1. 人脸识别流程

人脸识别流程包括以下几个阶段：

人脸图像的采集与预处理
人脸检测
人脸特征提取
人脸识别
活体鉴别

2. 人脸识别主要方法

基于特征脸的方法：通过PCA降维，提取图像的主成分，具有速度快、识别率高的优点，但对光照、表情、姿态变化敏感。
基于几何特征的方法：利用人脸器官的几何分布关系进行识别，速度快、内存占用少，但识别率不高。
基于深度学习的方法：使用卷积神经网络（CNN）等模型，能够自动提取特征，识别率高且对遮挡和光照具有较好的鲁棒性，是当前研究的热点。
基于支持向量机的方法：结构简单，能够达到全局最优，但需要大量存储空间和较长的训练时间。
其他综合方法：结合多种方法，以达到更高的识别率和识别效果。

3. 人脸识别经典算法

特征脸法（Eigenface）：基于PCA方法，将人脸图像投影到特征脸子空间，实现识别。
局部二值模式（LBP）：用于描述图像纹理特征，对光照不敏感，但对姿态和表情变化处理能力较弱。
Fisherface：基于线性判别分析（LDA），在低维子空间中实现良好分离，识别效果优于特征脸法。

4. 常用的人脸数据库

FERET人脸数据库：包含大量人脸图像，适用于人脸识别研究。
CMU Multi-PIE人脸数据库：涵盖多种姿态、光照和表情变化，是重要的测试数据集。
YALE人脸数据库：包含15位志愿者的图像，用于研究光照、表情和姿态变化。
IMDB-WIKI数据集：包含大量名人图像，用于年龄识别等研究。

5. 国内外人才情况

全球人才分布：人脸识别学者主要集中在美、英、中，其中美国和英国占据主导地位。
h-index统计：全球人脸识别学者的h-index平均为48，中国学者的h-index平均为17，整体水平仍需提升。
国外人才简介：
- Andrew Zisserman：英国计算机视觉专家，研究兴趣包括计算机视觉、物体识别、图像分类等。
- Thomas S. Huang：被誉为“计算机视觉之父”，研究兴趣涵盖计算机视觉、人脸与指纹识别等。
- Tomaso Poggio：MIT教授，研究兴趣包括物体识别、支持向量机、人工智能等。
- Geoffrey Hinton：深度学习先驱，研究兴趣包括神经网络、语音识别、无监督学习等。
- Anil K. Jain：国际知名的生物特征识别专家，研究兴趣包括模式识别、计算机视觉、生物特征识别等。
国内人才简介：
- 苏光大：清华大学教授，研究方向包括图像识别、人脸识别、高速图像处理等。
- 李子青：中科院自动化所研究员，研究方向包括人脸识别、特征提取、光照处理等。
- 汤晓鸥：香港中文大学教授，商汤科技联合创始人，研究方向包括人脸识别、特征提取、计算机视觉等。
- 张钹：清华大学教授，研究方向包括人工智能、神经网络、模式识别等。
- 丁晓青：清华大学教授，研究方向包括人脸识别、特征提取、模式识别等。

6. 人脸识别应用领域

门禁人脸识别：广泛应用于安防领域，提高安全性。
市场营销：用于用户识别和个性化推荐。
商业银行：用于身份验证、反欺诈等场景。

7. 发展趋势预测

机器识别与人工识别相结合：提高识别的准确性和鲁棒性。
3D人脸识别技术的广泛应用：提升识别精度和防伪能力。
基于深度学习的人脸识别技术的广泛应用：深度学习在图像分类、特征提取等方面具有明显优势。
人脸图像数据库的实质提升：通过大数据训练，提升识别性能和应用范围。

结论

人脸识别技术作为生物识别的重要分支，凭借其非侵扰性、便捷性等优势，已广泛应用于多个领域。随着深度学习的发展，人脸识别技术取得了显著进展，未来将朝着更智能化、更广泛应用的方向发展。国内外研究机构和学者在该领域均有所贡献，但中国学者在国际影响力方面仍需加强。政策支持和数据库建设为该技术的发展提供了坚实基础，同时，国内外企业在应用层面也取得了重要成果。

展开完整摘要