[视觉标签:贴上就跑不掉!] 00后被贴上很多标签

　　2002年,微软年度技术创新大会。作为微软中国研究院的佼佼者,李子青带着自己的人脸识别产品参加展示,他恢谐地称之为“赶庙会”,微软全球4所研究院的科研人员都把“农副产品”拿到“庙会”上摆“摊”,看能不能被产品经理相中。在李子青的摊上,比尔•盖茨兴致勃勃地坐在了摄像头前面,当时李子青心情很激动,但也忐忑不安,怕自己的软件识别不出比尔•盖茨的脸。结果演示非常成功,比尔•盖茨在这个中国研究人员的“摊”前流连忘返。
　　回想起这段往事,李子青自信地说,要是放在现在,他丝毫不担心这款人脸识别系统会演示失败,因为经过八年的持续研发,他的产品增加了许多功能,而且在物联网时代有了新的名字――“视觉标签”。只不过现在,他已经成为中科院自动化所的一名博导,他的产品标签是――“中国”!
　　
　　三网合一的视觉标签
　　
　　“物联网的实现,首先是要能感知,随着网络带宽的增加,接入手段的丰富,感知技术越来越多样化,而智能视觉就是其中最有竞争性的一种获取方式。”李子青告诉记者,物联网给视觉感知范围内的人、车或其他物件贴上“标签”,这些标签的内容包括名称、ID、属性、地点等。而最近李子青取得的新的研究成果,就是一种三网合一的视觉标签,它支持移动终端、固定终端、视频终端三种人脸图像的获取和提交方式,集成“电信网”、“互联网”、“视频网”三种物联接入方式,谓之三网合一。李子青自豪地说:“三网融合人脸识别是我们提出的创新概念,并把它变成了现实,这也说明物联网离我们并不遥远。”
　　李子青随即拿出口袋里的手机,对着《计算机世界》报记者拍了一张相片,不到3秒钟,手机上就返回了6条匹配结果,全部是记者的头像,这是在中科院服务器端数据库里找到的。支持移动终端提交方式,让视觉标签能随时随地以任何一种方式跟踪目标对象。前不久,李子青把这款手机带到国外参加学术会议,通过电信网和互联网连接到北京中科院服务器,识别出众多会议代表。
　　移动终端方式用移动型智能手机、警用手持设备采集人像,通过3G、2G、Wi-Fi等无线方式传输;固定终端方式是通过“互联网”上传图像;视频终端方式则是用高清监控视频采集人像,通过视频线、网线或无线上传。
　　李子青戏称自己是智能视觉感知专业户。2000年时,他辞去新加坡南洋大学终身教职,加盟微软亚洲研究院,开始人脸识别的前沿技术研究,颇有成效;2004年,李子青入选“中科院百人计划”,想要在中国干一番事业的他,果敢地从外企跳槽到了科研院所。当时在中关村东路上,一侧是微软亚洲研究院,另一侧就是中科院自动化研究所。李子青迈过马路,出任了生物识别与安全技术研究中心主任,他带来了积累多年的研究经验和运作方式,组建起这个国内最大的专业从事生物特征识别的研究机构。
　　
　　人脸识别认出你有多难?
　　
　　2008年美国Discovery做了一期节目,着重介绍了李子青的人脸识别系统。节目组做过一个测试,让实验者贴上胡子,戴上眼镜,混迹在地铁拥挤的人流中,把李子青的系统架设在地铁出入口监测。让人惊喜的是,虽然实验者做了很多伪装,可还是没有逃过摄像头的识别,系统快速做出了反应,从数据库中调出了正确的匹配数据。
　　“在人的大脑皮层,有相当大一部分是用于视觉感知的,视觉感知是人类认识周遭世界的途径,所以视觉传感器在物联网中应该起到非常重要的作用。”李子青介绍说,“我们一生能认识成千上万人,但是能识别出来的可能只有1000到2000个。如果是对个人,识别不出来认识的人无关紧要,但对于一些机构,其需求就是必须要达到很高的识别率。特别是在公共安全部门,如果借助计算机来识别人像,对快速高效办公具有至关重要的作用。”
　　其实,传统的人脸识别技术面临着许多挑战。从光照角度来看,人脸识别很可能会把两张光照角度同样的图像识别为一个人;当光线从左侧移到右侧时,则会把同一个人识别为两个不同的图像,根据不同光照,欧氏距离度量人脸相似度不准确。从成像模型来看,皮肤反射率不一样,比如眉毛和脸的反射光就不一样,每个人的骨骼和肌肉也不一样。第三是光照强度,光照强度不一样人脸的成像就不一样。李子青所在的研究中心,近年来研发出国际首创的近红外人脸识别关键技术,解决了环境光照对人脸识别的不利影响的技术难题,实现快速准确可靠、不受环境光照影响的人脸识别。他研发的中远距离人脸识别系统,能够跟踪和识别5米之外的人脸,是另一项国际领先的关键技术。
　　利用人脸识别技术,系统可从视频设备中提取人脸信息,从而实现对每个人贴“标签”。将布设在各个入口点的终端设备得到的人脸信息通过专用网络传到视觉物联网中心服务器,服务器会自动对比所得信息并进行聚合分析,同时在数据库中进行大规模人脸检索,实现对持证人员的身份认证。以上基于“人”的视觉标签的物联网系统,已成功地应用于北京奥运、上海世博、边检通关、机场通关的安保系统中。
　　人脸识别视觉标签的工作过程提炼出来就是:首先需要建立目标人数据库;然后获取人脸图像,对人脸特征进行提取,上传至服务器;第三步,服务器端对比查证,返回人脸身份识别结果。目前,中科院自动化所生物识别与安全技术研究中心开发的这套系统中,数据搜索和数据库由中控集中管理;支持批量导入、个别调整、等级设置等功能;标准版可容纳50万人数据,且还可扩展。
　　
　　智能视觉物联网
　　
　　李子青的研究不光局限于人脸。物联网来了,他敏锐地发现,基于视觉的信息感知手段应用范围非常广。类似于人脸标签,车辆、物品等都可以被贴上标签,构成一个智能视觉物联网。用视觉理解的手段给车或者其他物件贴上标签,里面包含各种各样的物件属性,包括它的名称、ID、颜色、身份、发生的地点,以及各种各样的属性。“对于通用的视觉物联网也有四个层面,首先是视觉传感,第二是数据传输,第三是智能信息处理与理解识别,第四是应用。”视觉标签和RFID标签之间最显著区别是,视觉标签打破了距离和范围的限制,并且在多个物体同时出现的时候不会出现混淆,因为每个物体应该有一个唯一标签。有别于RFID和其他传感器等信息获取方式,它通过使用逻辑虚拟视觉标签技术实现。
　　由大量视觉标签组合在一起,就可以形成智能视觉物联网。
　　“智能视觉物联网重要的就是对人、车、物贴视觉标签,通过网络的传输和对信息的处理与分析,建立起跨传感器、跨摄像机、跨时间、跨空间的视觉标签,它们的关联是物联网的一个重要特点。如果我们只对某一路监控摄像进行分析的话,就无法形成一个网络的力量,只有在我们能对一个跨范围的视觉信息进行综合识别与融合后,才能显示出物联网的作用。”李子青解释说,智能视觉物联网突破了跨摄像机目标的信息关联、识别及行踪分析技术,解决了识别的广域性问题。例如,在追踪逃逸车辆的应用中,首先使标签在目标无意识状态下自动登记、绑定、“粘贴”。该技术无需目标对象主动配合,在其无意识的状态下即可进行视觉标签的标注和绑定。视觉标签的标注和绑定结束后,城区的各个监控终端可以实现对目标追踪。最后,根据监控终端传回的信息可以描绘出融合电子地图的多摄像机监控目标的逃逸路线。
　　“我们可以根据标签的属性对视觉物联网的应用进行分类,比如面向人的视觉标签系统,它的一个最典型应用就是人脸识别或者是人口管理、身份管理。面向车的视觉标签应用就是智能交通,可识别车牌、车型以及车的速度,判断它是不是违反了交通规则。”李子青介绍,此外,视觉标签还有针对物件的更广阔应用,比如门禁系统、社保身份识别、银行账户、电子商务等。
　　智能视觉物联网利用大量固定或移动的图像采集设备作为结点,通过有线或无线传输网络为介质传输、对目标标签物体的身份及其实时状态进行智能分析,构造了一体化集成视觉物联网平台,使得这些网络实体可以在无需人工干预的条件下进行协同信息理解。对视觉传感网所覆盖的大范围目标标签进行关联,识别挖掘各类目标的运动轨迹,并分析其行为。
　　
　　李子青
　　国防科大硕士、英国Surrey大学博士学位。2000年辞去新加坡南洋大学终身教职,加盟微软亚洲研究院。2004年作为“百人计划”入选者来到中科院自动化所,现为中科院自动化所生物识别与安全技术研究中心主任。 由于在人脸识别、模式识别、计算机视觉领域的贡献,他当选为IEEE Fellow。
　　
　　采访手记:宝贝回家
　　“只要我们多动动相机,也许那些心急如焚的父母就能寻觅到宝贝的踪迹。”这是由热心网友发起的一个宝贝回家计划。志愿者们纷纷带上相机走上街头,只要看到路边乞讨的儿童就用相机拍摄下来,并贴到“宝贝回家寻子网”,为丢失孩子的家庭提供线索。
　　当收集了大量照片后,怎样识别,却成了一个问题。李子青所在的团队,除了致力于科学研究外,还热衷于这类公益事业,从2008年起开始与包括“宝贝回家”在内的各类社会公益资源合作开发寻找失踪儿童的人脸识别系统。“借助人脸识别系统,可以快速找到匹配的数据。利用社会力量,对丢失的宝贝进行判别,增加寻回宝贝的可能性,”李子青谈到这个公益活动时,非常兴奋。“科学松鼠会”也协助李子青团队联系致力于公益的企业参加这个项目。看来视觉标签,除了用于公共安全领域,还大有施展拳脚之处,它可以极大地拓展感知系统的“想象力”。(文/许泳)
　　
　　配文:人脸识别十大挑战
　　人脸识别还存在着诸多的挑战性问题需要解决。
　　1.复杂条件下人脸的检测和关键点定位问题
　　人脸的检测和关键点定位是一个人脸识别系统的前端处理环节,此环节效果好坏直接影响着人脸识别系统的识别性能。而现有的多数特征定位算法的定位精度都随着光照、姿态等外界条件变化而快速下降,因此研究复杂条件下人脸的检测和关键点定位算法是目前人脸识别研究中的当务之急。
　　2.光照变化问题
　　光照问题是机器视觉中的老问题,在人脸识别中的表现尤为明显。根据 FERET 测试和 FRVT 测试的结果可以看出,目前即使最好的人脸识别系统在室外光照环境下,其识别率也会急剧下降。尽管研究人员针对光照问题提出了一些解决方案,但是目前的光照处理方法远未达到实用的程度,还需要进一步研究解决。
　　3.姿态问题
　　与光照问题类似,姿态问题也是目前人脸识别研究中需要解决的一个技术难点。针对姿态的研究相对比较少,目前多数的人脸识别算法主要针对正面、准正面人脸图像,当发生俯仰或者左右侧面比较厉害的情况下,人脸识别算法的识别率也将会急剧下降。因此,如何提高系统对姿态的鲁棒性也是人脸识别研究中一个极具挑战性的问题。
　　4.遮挡问题
　　对于非配合情况下的人脸图像采集,遮挡问题是一个非常严重的问题。特别是在监控环境下,往往被监控对象都会带着眼镜,帽子等饰物,使得被采集出来的人脸图像有可能不完整,从而影响了后面的特征提取与识别,甚至会导致人脸检测算法的失效。如何有效地去除遮挡物的影响是一个非常有意思的研究课题。
　　5.年龄变化问题
　　随着年龄的变化,面部外观也会变化,特别是对于青少年,这种变化更加的明显。对于不同的年龄段,人脸识别算法的识别率也不同。如何解决年龄变化对人脸识别算法的影响也是许多人脸识别系统的必须面对的一个问题。
　　6.低质量照片问题
　　目前的多数人脸识别系统在算法设计和模型训练方面都往往只针对图像质量很好的情况,但对智能监控、公安系统犯罪嫌疑人照片比对等应用而言,由于其来源不一,照片的质量非常差,比如模糊、高噪声、分辨率极低等。如何提高系统对这些低质量照片的识别能力也是人脸识别亟待解决的关键问题之一。
　　7.大规模人脸识别问题
　　随着人脸数据库规模的增长,人脸识别算法的性能将呈现下降,如何维持或提高大规模应用环境下的人脸识别算法的识别率是一个非常重要的问题。同时,大规模人脸数据库的建立、维护、编码和检索也是非常值得研究的问题。
　　8.样本缺乏问题
　　基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法,但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布,能得到的样本只是对人脸图像空间中的一个极小部分的采样,如何解决小样本下的统计学习问题有待进一步的研究。
　　9.海量数据的学习问题
　　传统人脸识别方法在小规模数据中可以很容易进行训练学习。但是对于海量数据,这些方法的计算复杂度太高,训练过程难以进行,甚至有可能导致系统崩溃。如何解决海量数据的学习问题是一个非常重要的问题。
　　10.人脸信息采集设备带来的问题
　　摄像头是目前主流的人脸信息采集设备,它们的种类、型号、传感方式(比如 CCD 或者 CMOS )、采样和量化精度等各不相同,采集时刻的焦距、光圈、增益、白平衡等参数设置区别也很大。这些变化因素使得获取的人脸图像数据的变化更大。如何解决以上这些问题也是值得关注的。
　　另外,需要注意的是:上述问题并不是单独作用的,很多都是组合性的,例如姿态和光照问题同时出现,会更进一步增加问题的难度。目前出现的主要研究论文,往往都是试图孤立地解决其中一个问题,而没有考虑它们同时出现情况下的解决方案,这也是值得关注的一个问题。