清华ArnetMiner发布《人脸识别研究报告》.pdf

发布时间：2022-06-19 发布人：admin 分类：说明书资料大小：2.52M 资料格式：pdf 举报版权申诉

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第1页.png

第1页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第2页.png

第2页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第3页.png

第3页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第4页.png

第4页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第5页.png

第5页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第6页.png

第6页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第7页.png

第7页 / 共45页

1602da22-7c61-4f2f-8530-68495e9b6c62.pdf-第8页.png

第8页 / 共45页

文本预览

2018 人脸识别研究报告 AMiner 研究报告第十三期清华大学计算机系－中国工程科技知识中心知识智能联合研究中心（ K&I） 2018 年 10 月

Contents 目录 1．概述篇 ............................................... 2 1.1 基本概念 ................................................................. 2 1.2 发展历程 ................................................................. 3 1.3 中国政策支持 ............................................................. 4 1.4 发展热点 ................................................................. 5 1.5 相关会议 ................................................................. 6 2．技术篇 ............................................... 9 2.1 人脸识别流程 ............................................................. 9 2.1.1 人脸图像的采集与预处理 ............................................... 9 2.1.2 人脸检测 ............................................................ 10 2.1.3 人脸特征提取 ........................................................ 11 2.1.4 人脸识别 ............................................................ 12 2.1.5 活体鉴别 ............................................................ 12 2.2 人脸识别主要方法 ........................................................ 12 2.2.1 基于特征脸的方法 .................................................... 12 2.2.2 基于几何特征的方法 .................................................. 13 2.2.3 基于深度学习的方法 .................................................. 13 2.2.4 基于支持向量机的方法 ................................................ 14 2.2.5 其他综合方法 ........................................................ 14 2.3 人脸识别三大经典算法 .................................................... 14 2.3.1 特征脸法（Eigenface） ............................................... 14 2.3.2 局部二值模式（Local Binary Patterns，LBP） .......................... 14 2.3.3 Fisherface .......................................................... 15

2.3.4 经典论文 ............................................................ 15 2.4 常用的人脸数据库 ........................................................ 16 3．人才篇 .............................................. 19 3.1 学者概况 ................................................................ 19 3.2 国外人才简介 ............................................................ 21 3.3 国内人才简介 ............................................................ 27 4．应用篇 .............................................. 33 4.1 国内人脸识别领头企业 .................................................... 33 4.1.1 商汤科技 ............................................................ 33 4.1.2 云从科技 ............................................................ 33 4.1.3 旷视科技 ............................................................ 34 4.2 应用领域 ................................................................ 34 4.2.1 门禁人脸识别 ........................................................ 34 4.2.2 市场营销 ............................................................ 35 4.2.3 商业银行 ............................................................ 35 5．趋势篇 .............................................. 37 5.1 机器识别与人工识别相结合 ................................................ 37 5.2 3D 人脸识别技术的广泛应用 ............................................... 37 5.3 基于深度学习的人脸识别技术的广泛应用 .................................... 38 5.4 人脸图像数据库的实质提升 ................................................ 38

图表目录图 1 人脸识别技术发展历程 .................................................... 4 图 2 人脸识别相关热点 ........................................................ 6 图 3 人脸识别词云分析 ........................................................ 6 图 4 人脸识别技术流程 ........................................................ 9 图 5 人脸识别学者 TOP1000 全球分布图 ......................................... 19 图 6 人脸识别专家国家数量排名 ............................................... 19 图 7 人脸识别全球学者 h-index 统计 ........................................... 20 图 8 人脸识别全球人才迁徙图 ................................................. 20 图 9 人脸识别学者中国分布图 ................................................. 27 图 10 人脸识别中国学者 h-index 统计 .......................................... 27 表 1 人脸识别相关政策 ................................................................................................................. 5 表 2 Citation 前十的人脸识别专家 .......................................................................................... 21 表 3 h-index 前十的人脸识别专家 ............................................................................................ 21 表 4 苹果在 3D 视觉领域的布局 ................................................................................................. 37

摘要自20世纪下半叶，计算机视觉技术逐渐地发展壮大。同时，伴随着数字图像相关的软硬件技术在人们生活中的广泛使用，数字图像已经成为当代社会信息来源的重要构成因素，各种图像处理与分析的需求和应用也不断促使该技术的革新。本研究报告对人脸识别这一课题进行了简单梳理，主要包括以下内容：人脸识别概述。人脸识别，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。报告首先介绍了人脸识别区别于其他生物特征识别方法的五项优势，包括非侵扰性、便捷性、友好性、非接触性、可扩展性等；其次我们对人脸识别技术的发展历程进行梳理；接下来，报告介绍了当代中国政府对人脸识别技术发展的相关政策支持，这是人脸识别技术在我国得以蓬勃发展的有利宏观背景；第四，通过对遗忘人脸识别领域论文的挖掘，我们总结出人脸识别领域的研究热点；最后，我们介绍了与人脸识别相关的国际著名会议，以帮助读者更好获取人脸识别热点渠道。人脸识别技术原理。研究首先介绍了人脸识别的五大技术流程，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；其次，研究介绍了目前人脸识别的主要方法，包括基于特征脸的方法、基于几何特征的方法、基于深度学习的方法、基于支持向量机的方法和其他综合方法；第三，我们介绍了人脸识别的三大经典算法，分别为特征脸法、局部二值模式和 Fisherface，并简要概括了关于这三大经典算法的经典论文，供读者有更好的了解。最后，随着人脸识别技术的发展，不同的研究机构发展出了不同的人脸数据库，研究列出其中部分供读者参考和探索。人脸识别领域人才介绍。基于 AMiner 大数据，对超级计算机领域专家进行深入挖掘和介绍。包括顶尖学者的全球与中国分布、迁徙概况、h-index 分析，并依据 AMiner 评价体系，在世界层面选择瞩目的六位学者与中国两个层面上的五位出色学者进行详细介绍。人脸识别技术应用领域。我们首先对国内人脸识别的三大领头企业进行介绍，包括商汤科技、云从科技、旷视科技。其次，人脸识别技术应用广泛，在公共安全、信息安全、政府职能等多个领域都有所涉及，研究重点介绍了人脸识别技术在门禁、市场营销和商业银行中的重点应用。随着人脸识别技术的发展，相信其将会迎来更加广泛、深入的发展空间。人脸识别技术发展趋势预测。人脸识别技术无论是在科学领域还是工程领域、理论研究还是现实生活中，其应用十分广泛，有着极为广阔的发展前景。本文在结合当前应用的基础上，对人脸识别未来的发展趋势作出了四点相应的预测，机器识别与人工识别相结合、人脸识别技术的广泛应用、基于深度学习的人脸识别技术的广泛应用、人脸图像数据库的实质提升是目前超级计算机发展的热门趋势。

concept 概述篇 1

1．概述篇 1.1 基本概念人类视觉系统的独特魅力驱使着研究者们试图通过视觉传感器和计算机软硬件模拟出人类对三维世界图像的采集、处理、分析和学习能力，以便使计算机和机器人系统具有智能化的视觉功能。在过去 30 年间，众多不同领域的科学家们不断地尝试从多个角度去了解生物视觉和神经系统的奥秘，以便借助其研究成果造福人类。自 20 世纪下半叶，计算机视觉技术就在此背景下逐渐地发展壮大。同时，伴随着数字图像相关的软硬件技术在人们生活中的广泛使用，数字图像已经成为当代社会信息来源的重要构成因素，各种图像处理与分析的需求和应用也不断促使该技术的革新。计算机视觉技术的应用十分广泛。数字图像检索管理、医学影像分析、智能安检、人机交互等领域都有计算机视觉技术的涉足。该技术是人工智能技术的重要组成部分，也是当今计算机科学研究的前沿领域。经过近年的不断发展，已逐步形成一套以数字信号处理技术。计算机图形图像、信息论和语义学相互结合的综合性技术，并具有较强的边缘性和学科交叉性。其中，人脸检测与识别当前图像处理、模式识别和计算机视觉内的一个热门研究课题，也是目前生物特征识别中最受人们关注的一个分支。人脸识别，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。通常采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。根据中国报告网发布《2018 年中国生物识别市场分析报告-行业深度分析与发展前景预测》中内容，2017 年生物识别技术全球市场规模上升到了 172 亿美元，到 2020 年，预计全世界的生物识别市场规模有可能达到 240 亿美元。自 2015 年到 2020 年，人脸识别市场规模增长了 166.6%，在众多生物识别技术中增幅居于首位，预计到 2020 年人脸识别技术市场规模将上升至 24 亿美元。在不同的生物特征识别方法中，人脸识别有其自身特殊的优势，因而在生物识别中有着重要的地位。 (1) 非侵扰性人脸识别无需干扰人们的正常行为就能较好地达到识别效果，无需担心被识别者是否愿意将手放在指纹采集设备上，他们的眼睛是否能够对准虹膜扫描装置等等。只要在摄像机前自然地停留片刻，用户的身份就会被正确识别。 (2) 便捷性采集设备简单，使用快捷。一般来说，常见的摄像头就可以用来进行人脸图像的采集，不需特别复杂的专用设备。图像采集在数秒内即可完成。 (3) 友好性通过人脸识别身份的方法与人类的习惯一致，人和机器都可以使用人脸图片进行识别。而指纹，虹膜等方法没有这个特点，一个没有经过特殊训练的人，无法利用指纹和虹膜图像 2

对其他人进行身份识别。 (4) 非接触性人脸图像信息的采集不同于指纹信息的采集，利用指纹采集信息需要用手指接触到采集设备，既不卫生，也容易引起使用者的反感，而人脸图像采集，用户不需要与设备直接接触。 (5) 可扩展性在人脸识别后，下一步数据的处理和应用，决定着人脸识别设备的实际应用，如应用在出入门禁控制、人脸图片搜索、上下班刷卡、恐怖分子识别等各个领域，可扩展性强。正是因为人脸识别拥有这些良好的特性，使其具有非常广泛的应用前景，也正引起学术界和商业界越来越多的关注。人脸识别已经广泛应用于身份识别、活体检测、唇语识别、创意相机、人脸美化、社交平台等场景中。 1.2 发展历程早在 20 世纪 50 年代，认知科学家就已着手对人脸识别展开研究。20 世纪 60 年代，人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构，通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法简单直观，但是一旦人脸姿态、表情发生变化，精度则严重下降。 ⚫ 20世纪90年代 1991 年，著名的“特征脸”（Eigenface）方法第一次将主成分分析和统计特征技术引入人脸识别，在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大，例如，Belhumer 成功将 Fisher 判别准则应用于人脸分类，提出了基于线性判别分析的 Fisherface 方法。 ⚫ 2000-2012年 21 世纪的前十年，随着机器学习理论的发展，学者们相继探索出了基于遗传算法、支持向量机（Support Vector Machine，SVM）、boosting、流形学习以及核方法等进行人脸识别。2009 年至 2012 年，稀疏表达（Sparse Representation）因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。与此同时，业界也基本达成共识：基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。 Gabor 及 LBP 特征描述子是迄今为止在人脸识别领域最为成功的两种人工设计局部描述子。这期间，对各种人脸识别影响因子的针对性处理也是那一阶段的研究热点，比如人脸光照归一化、人脸姿态校正、人脸超分辨以及遮挡处理等。也是在这一阶段，研究者的关注点开始从受限场景下的人脸识别转移到非受限环境下的人脸识别。LFW 人脸识别公开竞赛（LFW 是由美国马萨诸塞大学发布并维护的公开人脸数集，测试数据规模为万）在此背景下开始流行，当时最好的识别系统尽管在受限的 FRGC 测试集上能取得 99%以上的识别精度，但是在 LFW 上的最高精度仅仅在 80%左右，距离实用看起来距离颇远。 3

分享到：

赞收藏

资料库

清华ArnetMiner发布《人脸识别研究报告》.pdf

相关推荐

人工智能

热门标签

最新资料