《Python人脸识别：从入门到工程实践》 ——1.2　人脸识别发展状况

1.2　人脸识别发展状况

人脸识别既是一项起源较早的技术，又是一门焕发着活跃生命力、充满着学术研究魅力的新兴技术领域。随着近些年人工智能、大数据、云计算的技术创新幅度的增大，技术更迭速度的加快，人脸识别作为人工智能的一项重要应用，也搭上了这3辆“快车”，基于人脸识别技术的一系列产品实现了大规模落地。

随着2006年深度信念网络的提出，深度学习作为机器学习中一个单独的研究领域被提了出来。深度学习具有传统方法所不及的优点，尤其是经过GPU加速后，深度学习程序的执行速度变得更快，足以满足工业场景中对算力的要求，也在客观上促进了产业的发展。在可以预见的未来，人脸识别领域必将会散发出更耀眼的光芒。

下面，我们将从人脸识别的历史发展情况和当前技术热点，揭秘这项神秘而又熟悉的技术。

1.2.1　人脸识别历史沿革

对人脸识别的研究可以追溯到20世纪六七十年代，经过几十年的曲折发展，如今该技术已经日趋成熟。

最早与人脸识别相关的研究并不是在计算机工程领域，而是在心理学领域。早在20世纪50年代，就有学者尝试从心理学的角度来阐释人脸认知的奥秘。除了从感知与心理学的角度来研究人脸识别原理外，也有从生物视觉角度来探索奥秘的。但真正与我们现在的人脸识别技术有较多关联的研究，其实出现在20世纪70年代。

如果将人脸识别技术的发展历程划分为3个阶段的话，那么第1阶段就是起源于20世纪70年代的半机械式识别方法;第2阶段则是以人机交互式识别方法为主，而第3阶段就是我们现在所处的阶段，机器能够自动地进行人脸识别与判断。下面，我们分别介绍一下这3个阶段。

第一阶段：半机械式识别阶段

这一时期的代表性论文为Parke等人发表的《Computer generated animation of faces》，在论文中，研究者实现了人脸灰度图模型，而他们也被认为是这一阶段人脸识别技术的代表性人物。这一时期的人脸识别过程主要以大量人工操作为主，识别过程几乎全部需要操作人员来完成，因此，这样的系统是无法自行完成人脸识别过程的。

第二阶段：人机交互式识别阶段

人脸识别技术在这一阶段得到了进一步的发展，研究者可以使用算法来完成对人脸的高级表示，或者可以以一些简单的表示方法来代表人脸图片的高级特征。例如AJ Goldstein、LD Harmon与AB Lesk在论文《Man-machine interaction in human-face identification》中使用几何特征参数表示人脸的正面图像；Kaya等人在论文《A basic study on human face recognition》中使用统计学方法，以欧氏距离作为人脸特征；Kanade则实现了一个半自动回溯识别系统。

但是，这部分人脸识别方法仍然需要研究人员的高度参与，例如在人脸识别过程中需要引入操作人员的先验知识，识别过程并没有完全摆脱人工的干预。

第三阶段：自动人脸识别阶段

只有将识别过程自动化才可以真正达到人脸识别的效果。而这项技术的发展，离不开机器学习的发展。

早期的自动人脸识别与我们印象中的机器学习并不太相似，一般以几何特征和相关匹配的方法居多，在模型的设计上，常常会引入一些先验知识。

除此之外，还有基于统计与基于子空间的识别方法。例如著名的特征脸（Eigenfaces）法就属于一种基于子空间的人脸识别方法。

在这一阶段中，人工神经网络（Artificial Neural Network,ANN）也得到了广泛的应用，由此演化出很多人脸识别中的新方法。例如当前非常热门的深度学习方法就属于人工神经网络的范畴。