2017年人脸识别技术的新型应用领域

人脸识别技术已经广泛应用于金融、司法、、边检、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。

简单来说，人脸识别技术就是针对面部的不同的位置距离进行计算的一个数学公式，即对输入的人脸图象或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部的位置信息，并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸数据库进行对比，从而实现身份识别功能。

人脸识别技术经历了可见光图像人脸识别、三维图像人脸识别／热成像人脸识别、基于主动近红外图像的多光源人脸识别三层进化过程，逐渐缓解和解决了光线等环境的变化对于人脸识别的影响，加之算法的不断精准演化，人脸识别技术逐渐进入越来越多新的应用领域。

金融／社保领域人脸识别在金融行业的应用，一方面体现在人脸支付技术的出现。3月17日，在德国汉诺威电子展的开幕仪式上，马云当着中国副总理和德国总理默克尔的面，在自己网站上买了一枚20欧元的1948年汉诺威电子展纪念邮票，然后，他用脸付了帐，亲自展示支付宝的人脸识别技术“SmiletoPay”，刷脸支付被拉开序幕。

2015年5月，《关于银行业金融机构远程开立人民币银行账户的指导意见（征求意见稿）》以及互联网金融新贵微众银行、浙江网商银行均透露将用人脸识别融入远程开胡，作为技术依据，利用“远程人脸识别＋身份正件核实”的模式为金融客户开立账户。这意味以人脸识别为代表的生物识别技术在银行业即将进入正式商用阶段，瞬时，这种高大上的开胡方式成了“香饽饽”，“靠脸吃饭”一夜爆红。人脸识别与金融行业的融合进一步加强。

另一方面，则是人脸识别为支付安全保驾护航。近年来，由于缺乏统一的信息共享平台即现代化的监管手段，身份正造假的现象屡禁不止，导致社保、卡被盗领和盗刷，不少群众蒙受巨大的经济损失。而为防止养老金被冒领的“堵漏”，多地已采用自动识别进行初步的筛查，试点工作取得重大成效，并已计划在全国范围内开展设备升级工作。

重庆人脸识别之生物识别产业现三大趋势

2010至2014年，国内生物识别市场平均增长率保持在60％以上，2014年生物识别市场规模为80多亿元人民币，预计到2015年中国生物识别市场规模可突破100亿元，2020年生物识别市场规模将突破300亿元。

在地方的重视、下游应用普及与技术提高共同推动生物识别市场快速发展。

结合西方国家生物识别产业发展轨迹，前瞻产业研究院认为，未来国内生物识别产业将有以下发展趋势：

首先，产业集中度将不断提高，从2002年迄今，国外生物识别产业经过竞争淘汰以及大量的并购重组，生物识别公司数量下降至100余家，上规模的重要企业甚至不足15家，未来产业优胜劣汰将在我国出现；

其次，生物识别均衡发展。指纹识别技术一家独大的局面将被打破，未来语音识别、人脸识别、虹膜识别等多种技术可百放齐放，共同发展；

最后，多技术融合发展成主流。随着信息安全问题日益突出，市场需求日益强烈，技术整合融合（采用两种或以上的生物识别技术，如指纹与人脸识别搭配；指纹、人脸再加虹膜识别等）进一步确保信息安全成为发展大势。

人脸识别技术——人脸检测和人脸校准

人脸检测（detection）在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法。但是毕竟是老掉牙的技术，Precision/Recall曲线渣到不行，在实际工程中根本没法给boss看，作为MSRA脑残粉，这里介绍一种MSRA在14年的较新技术：Joint Cascade Face Detection and Alignment（ECCV14)。这篇文章直接在30ms的时间里把detection和alignment都给做了，PR曲线彪到很高，时效性高，内存占用却非常低，在一些库上虐了Face++和Google Picasa，正好契合这篇想讲的东西。可以作为本节的主线。

人脸校准（alignment）是给你一张脸，你给我找出我需要的特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等点的位置。

最后的强分类器是通过多个基分类器联合得到的,因此在最后联合时各个基分类器所起的作用对联合结果有很大的影响,因为不同基分类器的识别率不同,他的作用就应该不同,这里通过权值体现他的作用,因此识别率越高的基分类器权重越高,识别率越低的基分类器权重越低。权值计算如下: 基分类器的错误率: e = ∑( ht ( x i) ≠yi) Di (1) 基分类器的权重:W t = F( e) ,由基分类器的错误率计算他的权重。2.3 算法流程及伪码描述 算法流程描述 算法流程可用结构图 1 描述,如图 1 所示 AdaBoost重复调用弱学习算法(多轮调用产生多个分类器) ,首轮调用弱学习算法时,按均匀分布从样本集中选取子集作为该次训练集,以后每轮对前一轮训练失败的样本,赋予较大的分布权值( Di 为第i 轮各个样本在样本集中参与训练的概率) ,使其在这一轮训练出现的概率增加,即在后面的训练学习中集中对比较难训练的样本进行学习,从而得到 T个弱的基分类器, h1 , h2 , …, ht ,其中 ht 有相应的权值 w t ,并且其权值大小根据该分类器的效果而定。最后的分类器由生成的多个分类器加权联合产生。