“Mail+”的生态战略，为何关键在生物识别

安、海关、商场等。人类每天都在进行人脸识别，因此也最能接受这种身份认证方式。人脸识别的研究始于上世纪中期，经历了数十年的努力，现在已经可以应用在我们的实际生活中，为我们提供各种便利。

　　人脸识别主要分为人脸检测（facedetection）、特征提取（featureextraction）和人脸识别（facerecognition）三个过程。

　　人脸检测：人脸检测是指从输入图像中检测并提取人脸图像，通常采用haar特征和Adaboost算法训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器，则被判别为人脸图像。

　　特征提取：特征提取是指通过一些数字来表征人脸信息，这些数字就是我们要提取的特征。常见的人脸特征分为两类，一类是几何特征，另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系，如距离、面积和角度等。由于算法利用了一些直观的特征，计算量小。不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。

　　表征特征利用人脸图像的灰度信息，通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域，在每个区域的像素3x3邻域中用中心值作阈值化，将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。

　　人脸识别：这里提到的人脸识别是狭义的人脸识别，即将待识别人脸所提取的特征与数据库中人脸的特征进行对比，根据相似度判别分类。而人脸识别又可以分为两个大类：一类是确认，这是人脸图像与数据库中已存的该人图像比对的过程，回答你是不是你的问题；另一类是辨认，这是人脸图像与数据库中已存的所有图像匹配的过程，回答你是谁的问题。显然，人脸辨认要比人脸确认困难，因为辨认需要进行海量数据的匹配。常用的分类器有最近邻分类器、支持向量机等。

　　与指纹应用方式类似，人脸识别技术目前比较成熟的也是考勤机。因为在考勤系统中，用户是主动配合的，可以在特定的环境下获取符合要求的人脸。这就为人脸识别提供了良好的输入源，往往可以得到满意的结果。但是在一些公共场所安装的视频监控探头，由于光线、角度问题，得到的人脸图像很难比对成功。这也是未来人脸识别技术发展必须要解决的难题之一。

　　现在已有一些机构、高校在进行人脸识别新领域、新技术的研究。如远距离人脸识别技术，3D人脸识别技术等。远距离人脸识别系统面临两个主要困难。一是如何从远距离获取人脸图像。其次，在得到的数据并不理想的情况下如何识别身份。从某种意义上来看，远距离人脸识别并不是一个特定的关键技术或基础研究问题。它可看成是一个应用和系统设计问题。通常有两类解决方法用于获取人脸图片。一种是高清的固定式摄像机，另一种是使用PTZ控制系统多摄像机系统。后者更适合于一般情况，不过其结构更为复杂，造价也更贵。后者需要考虑如何协调多台摄像机的同步操作。一般地，系统由低分辨率广角摄像机和高分辨率长焦摄像机组成。前者用于检测和追踪目标，后者用于人脸图像采集和识别。目前远距离人脸识别技术还处于实验室阶段，未来如果能够解决上述问题，对人员布控这样的应用有着重要意义。

　　3D人脸识别能够很好地克服2D人脸识别遇到的姿态、光照、表情等问题。主要原因是2D图像无法很好地表示深度信息。通常，3D人脸识别方法使用3D扫描技术获取3D人脸，然后建立3D人脸模型并用于识别。不过，3D人脸识别技术的缺点也是很明显的。首先它需要额外的3D采集设备或双目立体视觉技术，其次，建模过程需要的计算量较大。相信随着未来芯片技术的发展，当计算能力不再受到制约，采集设备成本大幅下降的时候，3D人脸识别将会成为热门技术之一。