随着计算机技术以及光学成像技术的发展，集成了人工智能、机器学习、视频图像处理等技术的人脸识别技术也逐渐成熟。未来五年，我国人脸识别市场规模平均复合增长率将达到25%，到2021年人脸识别市场规模将达到51亿元左右，具有巨大的市场需求与前景。

安防、金融是人脸识别切入细分行业较深的两个领域，移动智能硬件终端成为人脸识别新的快速增长点。因此，这三大领域将是人脸识别快速增长的最大驱动力。

2017年，我国安防行业总产值达到6200亿，同比增长16.98%，维持强劲发展势头。从细分产业来看，视频监控是构建安防系统中的核心，在中国的安防产业中所占市场份额最大。而人脸识别在视频监控领域具有相当的优势，应用前景广阔。

接下来对人脸识别算法各技术点逐一进行详细介绍，包括人脸检测、人脸定位、人脸校准、人脸比对、人脸反欺诈以及算法优化等。

1. 人脸检测
人脸检测算法繁多，我们采用由粗到精的高效方式，即先用计算量小的特征快速过滤大量非人脸窗口图像，然后用复杂特征筛选人脸。这种方式能快速且高精度的检测出正脸(人脸旋转不超过45度)。该步骤旨在选取最佳候选框，减小非人脸区域的处理，从而减小后续人脸校准及比对的计算量。

2. 人脸定位
面部特征点定位在人脸识别、表情识别、人脸动画等人脸分析任务中至关重要的一环。人脸定位算法需要选取若干个面部特征点，点越多越精细，但同时计算量也越大。兼顾精确度和效率，我们选用双眼中心点、鼻尖及嘴角五个特征点。经测试，它们在表情、姿态、肤色等差异上均表现出很好的鲁棒性。


3. 人脸校准
本步骤目的是摆正人脸，将人脸置于图像中央，减小后续比对模型的计算压力，提升比对的精度。主要利用人脸定位获得的5个特征点(人脸的双眼、鼻尖及嘴角)获取仿射变换矩阵，通过仿射变换实现人脸的摆正。

4. 人脸比对
人脸比对和人脸身份认证的前提是需要提取人脸独有的特征点信息。在人脸校准之后可以利用深度神经网络，将输入的人脸进行特征提取。如将112×112×3的脸部图像提取256个浮点数据特征信息，并将其作为人脸的唯一标识。在注册阶段把256个浮点数据输入系统，而认证阶段则提取系统存储的数据与当前图像新生成的256个浮点数据进行比对最终得到人脸比对结果。

5. 人脸反欺诈
从技术角度来说，人脸是唯一不需要用户配合就可以采集的生物特征信息。人脸不同于指纹、掌纹、虹膜等，用户不愿意被采集信息就无法获得高质量的特征信息。人脸信息简单易得，而且质量还好，所以这引发了有关个人数据安全性的思考。而且在没有设计人脸反欺诈算法的人脸识别系统使用手机、ipad或是打印的图片等都能对轻松欺骗系统。

所以我们采用多传感器融合技术的方案，使用红外对管与图像传感器数据进行深度学习来判断是否存在欺诈。红外对管进行用户距离的判断，距离过近则怀疑欺诈行为。图像传感器用深度学习算法进行二分类，把正常用户行为与欺诈用户行为分为两类，对欺诈用户进行排除。

6. 算法优化
在使用神经网络算法解决问题的时候，算法效率问题是必要的考量的。特别是在资源与算力不足的嵌入式端，更是头等大问题。除了依托TensorFlow、Keras等开源框架，根据其前向传播的原理写成C++程序，还有必要的编译优化外，模型权重参数的清洗和算法计算的向量化都是比较有效的手段。
1) 模型权重参数清洗
权重参数清洗对神经网络算法的效率影响相当大，没有进行清洗的权重参数访问与操作非常低效，与清洗后的权重参数相比往往能效率相差6-8倍。这差距在算力不足的嵌入式端非常明显，往往决定一个算法是否能落地。具体的方法就是先读取原模型进行重组，让参数变得紧凑且能在计算时连续访问计算，最后获得重组后的模型与对应的重组模型的计算方法。这个步骤需要一定的优化实践经验以达到满意的效果，对模型读取效率与运算效率都会有显著的提高。
2) 算法计算向量化
对于算法的向量化的做法就是让算法的计算能够使用向量乘加等运算，而特别是在使用神经网络算法情况下，大量的计算没有前后相关性且执行相类似的步骤，所以向量化计算会对算法有明显的提升，一般能把算法效率提升三倍左右。


使用NEON指令集的SIMD指令取代ARM通用的SISD指令，是一个常用的算法向量化方法。在基于ARMV7-A和ARMV7-R的体系架构上基本采用了NEON技术，ARMV8也支持并与ARMV7兼容。