清华-2018人脸识别研究报告-2018.10-50页-3mb

报告摘要

人脸识别研究报告总结（2018）

核心内容概述

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、非接触性以及可扩展性等优势。该技术自20世纪50年代开始研究，经过不断的发展，已成为计算机视觉和人工智能领域的重要分支。近年来，随着深度学习的广泛应用，人脸识别技术在精度和效率方面取得显著进步，同时受到中国政策的大力推动，发展前景广阔。

主要观点与关键信息

1. 技术发展与应用

技术流程：人脸识别主要包括人脸图像的采集与预处理、人脸检测、人脸特征提取、人脸识别和活体鉴别五个步骤。
主要方法：
- 基于特征脸的方法：利用主成分分析（PCA）进行降维，具有速度快、实现方便等优点，但对光照、姿态变化敏感。
- 基于几何特征的方法：通过人脸器官的几何关系进行识别，适用于快速识别，但识别率相对较低。
- 基于深度学习的方法：利用卷积神经网络（CNN）等模型，对人脸特征进行自动学习，显著提升识别精度，达到接近人类水平，成为当前主流方法。
- 基于支持向量机的方法：结构简单，可达到全局最优，但需要大量存储空间和较长的训练时间。
- 其他综合方法：结合多种方法优势，提升识别率和识别效果。
经典算法：
- 特征脸法（Eigenface）：通过PCA进行特征提取，具有位移不变性和稳定性。
- 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有限。
- Fisherface：结合线性判别分析（LDA）进行特征提取，具有更高的识别率和更好的分类能力。
应用领域：
- 门禁人脸识别：广泛用于安防系统。
- 市场营销：用于用户行为分析和广告投放。
- 商业银行：用于身份验证和安全监控。

2. 发展历程与趋势

发展历程：
- 20世纪50年代：人脸识别开始研究。
- 20世纪60年代：人脸识别工程化应用研究开始。
- 1991年：特征脸方法首次将PCA应用于人脸识别。
- 2014年：深度学习方法在人脸识别领域取得突破，首次超越人类识别精度。
- 2015年：微软亚洲研究院在LFW数据库上实现95.17%的识别精度。
- 2017年：DeepID2项目将识别率提升至99.15%。
发展趋势：
- 机器识别与人工识别结合：提高识别的准确性和鲁棒性。
- 3D人脸识别技术的广泛应用：提升对姿态和表情变化的识别能力。
- 基于深度学习的人脸识别技术的广泛应用：成为主流技术，推动识别精度和速度的提升。
- 人脸图像数据库的实质提升：提升数据库的质量和多样性，为研究提供更丰富的数据支持。

3. 中国政策支持

2015年以来，国家出台多项政策，如《关于银行业金融机构远程开立人民币账户的指导意见》、《安全防范视频监控人脸识别系统技术要求》等，推动人脸识别技术在金融、安防、医疗等领域的应用。
2017年人工智能首次写入国家政府报告，成为重点发展的技术方向。
2017年12月发布的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》提出，到2020年，复杂动态场景下人脸识别有效检出率超过97%，正确识别率超过90%。

4. 研究热点与相关会议

研究热点：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、人脸检测、图像表示、计算机视觉、姿态估计、人脸确认等。
相关会议：
- CV三大顶级会议：ICCV、CVPR、ECCV，其中ICCV和CVPR论文接受率分别为20%和25%。
- 亚洲计算机视觉会议（ACCV）：两年一度，2018年在澳大利亚举办。
- 人脸与手势识别会议（FG）：每年举办，2018年在IEEE国际会议上召开。

5. 人才分布与介绍

全球人才分布：美国、英国、中国是人脸识别研究的主要国家，其中美国和英国占据主导地位，中国排名第三。
全球学者h-index统计：平均为48，h-index在20-40之间的学者最多，占比33%。
国内人才分布：主要集中在北京和上海，其次为长沙、成都、西安、广州和哈尔滨。
国内学者h-index统计：平均为17，h-index在10以下的学者占比43%，h-index在10-20的学者占比30%，h-index在60以上的学者占比5%。
国内人才简介：
- 苏光大：清华大学电子系教授，提出最佳二维人脸、多特征描述等方法。
- 李子青：中国科学院自动化所研究员，主持多项科研项目，提出基于近红外的人脸识别技术。
- 汤晓鸥：香港中文大学信息工程系系主任，提出深度学习方法，准确率超过人类水平。
- 张钹：清华大学教授，人工智能研究院院长，研究方向包括人工智能理论、人工神经网络等。
- 丁晓青：清华大学电子工程系教授，提出多种人脸识别方法，获得国家科技进步奖4次。

总结

人脸识别技术在2018年取得了显著进展，尤其是在深度学习的应用方面，推动了识别精度和速度的大幅提升。中国政策的大力支持和国内人才的不断涌现，使得该技术在多个领域得到了广泛应用，如门禁、市场营销、商业银行等。全球范围内，人脸识别研究热点集中于特征提取、图像分类、神经网络等，相关会议如ICCV、CVPR、FG等为研究提供了重要平台。未来，人脸识别技术将继续向机器识别与人工识别结合、3D识别、深度学习和数据库提升等方向发展，前景广阔。

展开完整摘要