人臉識別解析：人臉識別技術的發展趨勢

    1、人臉識別的理解：人臉識別(FaceRecognition)是一種依據人的面部特征(如統計或幾何特征等)，自動進行身份識別的一種生物識別技術，又稱為面像識別、人像識別、相貌識別、面孔識別、面部識別等。通常我們所說的人臉識別是基于光學人臉圖像的身份識別與驗證的簡稱。人臉識別利用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉圖像進行一系列的相關應用操作。技術上包括圖像采集、特征定位、身份的確認和查找等等。簡單來說，就是從照片中提取人臉中的特征，比如眉毛高度、嘴角等等，再通過特征的對比輸出結果。2、人臉識別的發展簡史：第一階段（1950s—1980s）初級階段：人臉識別被當作一個一般性的模式識別問題，主流技術基于人臉的幾何結構特征。這集中體現在人們對于剪影（Profile）的研究上，人們對面部剪影曲線的結構特征提取與分析方面進行了大量研究。人工神經網絡也一度曾經被研究人員用于人臉識別問題中。較早從事AFR研究的研究人員除了布萊索（Bledsoe）外還有戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(KanadeTakeo)等。總體而言，這一階段是人臉識別研究的初級階段，非常重要的成果不是很多，也基本沒有獲得實際應用。第二階段（1990s）高潮階段：這一階段盡管時間相對短暫，但人臉識別卻發展迅速，不但出現了很多經典的方法，例如EigenFace,FisherFace和彈性圖匹配；并出現了若干商業化運作的人臉識別系統，比如最為著名的Visionics（現為Identix）的FaceIt系統。從技術方案上看，2D人臉圖像線性子空間判別分析、統計表觀模型、統計模式識別方法是這一階段內的主流技術。第三階段（1990s末~現在）人臉識別的研究不斷深入，研究者開始關注面向真實條件的人臉識別問題，主要包括以下四個方面的研究：1）提出不同的人臉空間模型，包括以線性判別分析為代表的線性建模方法，以Kernel方法為代表的非線性建模方法和基于3D信息的3D人臉識別方法。2）深入分析和研究影響人臉識別的因素，包括光照不變人臉識別、姿態不變人臉識別和表情不變人臉識別等。3）利用新的特征表示，包括局部描述子（GaborFace,LBPFace等）和深度學習方法。4）利用新的數據源，例如基于視頻的人臉識別和基于素描、近紅外圖像的人臉識別。二、市場研究1、全球人臉識別市場前瞻根據人臉識別行業發展現狀；到2016年，全球生物識別市場規模在127.13億美元左右，其中人臉識別規模約26.53億美元，占比在20%左右。預計到2021年，全球人臉識別市場預計將達到63.7億美元，按預計期間的復合增長率達17.83％

    2、中國人臉識別市場前瞻根據人臉識別行業發展現狀，估算我國人臉識別市場規模約占全球市場的10%左右。2010-2016年，我國人臉識別市場規模逐年增長，年均復合增長率達27%。2016年，我國人臉識別行業市場規模約為17.25億元，同比增長27.97%，增速較上年上升4.64個百分點。

    作者：放飛人夜