人脸识别可以用视频吗_非接触式人脸识别技术
宋江的画像张贴在城门口，杨白劳的指纹按在喜儿的卖身契上，这些广为流传的故事就是人工人脸识别和指纹识别的早期应用。现代版的人脸识别技术理所当然地加入了计算机技术，而更集中的应用出现在“9・11”恐怖事件后。
我们常说的生物特征识别技术是指人体生物特征识别技术，这是一种利用人体生物特征来进行身份识别的技术。人体生物特征包括生理特征和行为特征，生理特征包括DNA、指纹、掌纹、人脸、虹膜等特征，行为特征包括语音、笔迹、步态等特征。生物特征识别技术为身份识别提供了一个解决方案，同时， 生物识别技术也是目前最方便最安全的识别技术。利用生物特征技术来识别人的身份，正成为IT行业的一项重要革新。
宋江的画像张贴在城门口，杨白劳的指纹按在喜儿的卖身契上，这些广为流传的故事就是人工人脸识别和指纹识别的早期应用。现代版的生物特征识别技术则采用了计算机技术，而更集中地应用则出现在“9・11”恐怖事件后。目前，生物特征识别已成为科技和应用热点。
与其他生物特征识别技术相比，人脸识别具有三个优点: 后验识别性能优越; 人脸图像的普遍性; 非接触式的操作方式。
人脸图像由于年龄、姿态、表情、光照等因素而具有“一人千面”的特点，因此，人脸识别面临多方面的挑战。
人脸识别包括三方面:
辩识 解决“他是谁”的问题，这是一个一对多的识别，例如在大数据库中去寻找和一模拟像对应的目标人。
认证 解决“声称的他是不是他”的认证问题，例如二代证的人证同一的查验。
监视识别 解决“谁是他”的问题，例如高危人员的监控、智能追逃。
人脸识别技术进展
人脸识别的方法很多，包括:
● 基于特征脸（PCA)的人脸识别方法
特征脸方法是基于KL变换的人脸识别方法。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以构成低维线性空间。将人脸图像在这些低维线性空间进行投影，由此形成识别的特征向量，这就是特征脸方法的基本思想。这种方法需要较多的训练样本，而且完全是基于图像的统计特性。
● 神经网络的人脸识别方法
神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练。
● 弹性匹配的人脸识别方法
弹性匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
● 线段Hausdorff距离（LHD）的人脸识别方法
LHD是基于从人脸灰度图像中提取出来的线段图，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，该方法在不同光照条件下和不同姿态情况下有较好的表现，但是它在大表情的情况下识别效果不好。
● 支持向量机(SVM)的人脸识别方法
近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经历风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题 。实验结果表明SVM有较好的识别率。
● 几何特征的人脸识别方法
几何特征可以是眼、鼻、嘴等部件的形状或类型以及它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，但识别率较低。
人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。
人脸识别系统的应用
人脸识别系统主要包括人脸检测、特征提取和特征比对三部分。根据近年来的研究体会，我们认为标准人脸的形成工作在人脸识别中具有重要的地位。人脸识别通用系统的框图如图1所示。
清华大学电子工程系于2005年1月研制成功一套大型人脸识别系统并通过了公安部组织的专家鉴定。
该系统在人脸识别算法上有多项创新并具有自主知识产权，如基于人脸部件主分量分析的多模式人脸识别方法（MMP-PCA）、改进的Hausdorff人脸识别方法、基于人脸轮廓的分类方法、实时人脸图像的归一化处理技术等都具有鲜明的创新特点。
该系统在运行大型数据库（256万人脸）的实验环境下，识别率和比对速度处于国内领先水平，综合性能处于国际先进水平，并在一些公安部门得到了实际应用。
该系统已拥有256万人脸识别数据库，6台服务器组成机群计算机并行进行识别，人脸识别速度已达到256万/秒。该系统的框图如图2所示。
图３、五种部件
此系统具有单机四路活动人脸并行检测的能力，8部摄像机按4部一组，其视频图像送到并行图像采集卡，由计算机实现人脸检测，所实现的人脸检测速率达到90幅/秒。当人脸在水平±45°之间变化的时候，通过多部摄像机实现并行人脸检测，达到了等同于水平±15°之间变化的高识别率。此系统具有无线人脸的识别功能，应用手机拍摄人脸图像，通过无线传输，发送到人脸识别系统进行人脸识别，并把识别结果（包括人脸识别数据库中的人脸图像和个人身份档案）发回手机，这项功能有助于公安部门移动办案; 它还具有文档资料和人脸图像混合的识别查询功能，这项功能有助于提高查找犯罪嫌疑人的准确率; 具有组合人像和模糊人像的识别查询功能，这项功能将使人脸识别技术的应用具有更大的广泛性; 具有眼镜摘除的人脸识别功能，从而解决了眼镜识别的难题; 具有处理多图片的能力，实现了不同类别的多特征描述的人脸识别。
这套大型人脸识别系统采用了MMP-PCA人脸识别算法、基于脸形分类的人脸识别方法和改进型的线段Hausdorff距离人脸识别方法。
图４、线段边缘示例
MMP-PCA人脸识别算法的特点是构造了特征脸、特征眼眉、特征眼睛、特征鼻子、特征嘴巴并根据各自的重要性程度进行特征融合。该识别算法与传统的特征脸和单纯的部件PCA方法相比，灵活性更好、识别率更高。
首先，通过人脸定位，从整个人脸中自动提取出如图3所示的脸、眼+眉、眼、鼻、嘴5种部件。我们将5种部件进行组合，并根据人脸部件在识别中的重要性程度，对脸、眼睛+眉毛、眼睛、鼻子、嘴巴的特征进行融合。由此形成了31种不同的人脸识别模式。
图５、脸型特征点图示
线段Hausdorff距离是通过比较不同人脸图像的线段边缘图之间的距离来进行识别的。该方法主要包括两个部分，一部分是线段边缘图的提取，一部分是两个线段集之间距离的定义。线段边缘图的提取中首先用canny算法提取边缘(如4所示)，之后提出了一个线段匹配过程从边缘图得到了线段边缘图。定义了线段之间的距离，它包括线段的水平距离、垂直距离以及角度距离等，在比较线段集的Hausdorff距离过程中，根据不同的部件进行加权，而且，我们提出了一个线段邻域的概念，即线段对的选择局限在目标图带匹配线段的一个给定区域，提高线段边缘图之间的匹配速度和精度。
我们选用一种改进的ASM方法来获取人脸形状特征。选取101个特征点来表示人脸的形状特征，其中用27个点表示脸型轮廓，用24个点表示眉毛，用22个点表示眼睛，用16个点表示鼻子，用12个点表示嘴巴（如图5所示）。
应用基于样本（点集）之间的Hausdorff距离的ISODATA动态聚类算法，依据脸部的各种形状特征对人脸进行分类。
同一个人的形状特征应该分布在一定的范围内，这样就可以设计出一个应用形状特征对脸型进行“两类划分”。具体做法是: 先将人脸的形状特征信息存储起来，利用同一人在样本空间中分布的相似性等特点，进行人脸识别时可以先从数据库中将与待识别人脸相似性很低的人脸剔除掉，并通过与其他人脸识别方法的识别结果相融合，以此来提高人脸的识别率。表中给出了该系统的人脸识别率。
针对不同的具体应用，还有监视人脸识别系统和认证人脸识别系统。图6给出了监视人脸识别系统的框图。
在图6中，每一个监控识别工作站支持４路摄像机并行地进行活动人脸的检测与识别，根据需要，４部摄像机可以安装在独立的４个通道，也可以安装在一个通道．当安装在同一个通道时，则可以适应更大的姿态变化。该系统最大的特点是行进中的人脸识别，即被识别人以通常的行进速度行走，系统实时地进行人脸识别。这一特点，既能完成人脸识别的功能,又能保持现有通畅的通道。
基于二代证的身份认证系统的结构可以有多种工作模式: 人脸认证模式、指纹认证模式，人脸+指纹认证模式。由于二代证中的人脸图像采用了高压缩率的有损压缩算法，人脸图像质量较差，导致身份认证的准确率较低。当然，也可以采用不低于1KB存储容量的IC卡。
模拟像的人脸识别
模拟像的人脸识别有模拟像的查档识别功能，即模拟像对已知身份数据库的查询（如前科数据库）; 有模拟像倒查档识别功能，即当前人对未破案的模拟像数据库的查询; 也有按模拟像串案查询的识别功能，即模拟像对未破案的模拟像库的查询。
在公安业务的工作流程中,对于面部保留较好的无名尸源，可以采用临摹的方法进行人像组合。对于不具备人像组合条件的无名尸源，则通过颅像复原的方法形成无名尸源的模拟像。对于视频监控的人脸图像，可以先进行模糊图像复原，以此得到人脸部件（如眼、眉、嘴）的图像，参照模糊图像复原的图像和原始的监控图像，采用人像组合的方法获得视频监控的人脸图像的模拟像。
获得了模拟像之后，后续的工作是依据模拟像进行人脸识别。图7给出了视频监控模拟像的人脸识别实例。
“9・11”事件之后，人脸识别技术在全球范围内得到了空前的发展，同时也得到了更多的应用。然而，人脸识别技术本身还有待于进一步发展，更有赖于在应用中发展。