“人脸识别”，一提到这个名词，大家直观印象大概是马云在德国CeBIT上演示“刷脸支付”，引爆了全世界。此后中国资本大佬闻风而动，纷纷布局“人脸识别”产业。但是对于人脸识别究竟是什么你真的了解吗?

　　多方式人脸识别系统 微软借助此使设备更智能(图片自百度)

　　人脸识别方式多种多样

　　其实看似高大尚德的人脸识别方式就是根据面部特征进行的计算机系统识别，根据不同的特征也有多种识别方式。以下介绍几种：

　　(1)几何特征的人脸识别方法

　　几何特征可以是眼、鼻、嘴等的形状和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，需要的内存小，但识别率较低。

　　(2)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，KL变换是图像压缩的一种最优正交变换。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，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

　　(3)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，而在许多应用中，样本数量是很有限的。

　　(4)弹性图匹配的人脸识别方法

　　弹性图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。

　　(5)线段Hausdorff距离(LHD)的人脸识别方法

　　心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，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，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

　　(6)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验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。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

　　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。

　　微软开发人脸识别应用

　　12月4日，据美国福布斯报道，微软牛津计作为一个软件应用开发项目，正处于向程序员开放测试阶段。这些工具拟让开发者开发智能应用，探测人的面部情绪：开心、伤心、愤怒、失望等。按照微软的说法，“在人脸识别等这些实例中，系统接收几组图片进行学习，能学习并识别某些特征，然后这些信息会被应用于识别新接收的图片中的面部特征。”

　　借助人脸识别，把应用做得更智能

　　为什么要如此煞费苦心?答案还是在智能二字上。我们要在自己的设备上做出“智能应用”。我们要把应用做到能感知位置、时间，甚至还有动态(感知是否有动作发生)——那为什么不做情绪感知?

　　如果你手上的智能手机知道你现在不开心，难道你不想听一首你最喜欢的歌曲吗，或者至少也能主动给你提供这样的选择?如果你的智能手机智能你很疲惫(通过面部识别和加速计的运动追踪)，难道你不想手机自动给你一些打车回家的建议或选择吗?

　　微软剑桥研究院院长克里斯·毕晓普(Chris Bishop)，在一场大会上展示了最新的情绪识别技术。微软技术和研究团队表示，牛津项目是微软在人工智能和视听说解技术方面总投资的一部分。

　　“从开发者角度来说，我们想点亮他们的想象力，证明开发一个智能应用是不难的，只要使用牛津项目和Azure服务。对那些想把应用做得更智能和更差异化的开发者，这些服务能让他们跨越不同的平台，仅用3行代码就能把智能技术注入应用当中，自身也不需要是人工智能方面的专家(例如无机器学习方面专业知识)。微软将继续改进项目模型，开发者无需更换代码。”