清华教授苏光大：人脸识别技术发展的瞻望

10月28日，以人工智能为主题的“OFweek 2020(第五届)人工智能技术创新论坛”在深圳成功召开。会上，清华大学电子工程系苏光大教授就算法、系统、标准、应用四方面深度讲解了人脸识别技术的发展态势。

据苏教授介绍，人脸识别技术在我国起步较晚，最早应用于美国，于新世纪初发展至中国，该技术在我国经过多年的发展，目前达到国际先进水平。

他同时表示，如今人脸识别技术已广泛应用于各个行业，其中在安防行业的体现尤为“突出”；另外，该技术在国家安全中具有非常重要的意义，是全球重点发展的高新技术。

在当今社会，人脸识别的数据安全已经成为大家关注的主旋律。

在苏教授看来，人脸识别的数据安全建设包含四个方面，分别是规范人脸识别的应用、确保人脸数据的安全、正确看待质疑的评论、促进人脸识别的发展。需要在这四个方面不断完善。

“人脸识别是一种基于人的脸部特征信息进行身份认证的生物特征识别技术。该技术的发展主要是依靠深度学习、三维人脸识别、超低分辨率人脸三个方面，”苏教授介绍道。

深度学习被认为是新世纪十大突破性技术之首，在人工智能领域占有极高地位，它不仅应用于人脸识别，还广泛应用于指纹识别、语音识别、文字识别等，识别准确率相当高，达到99.7%，深度学习作为一项具有突破性进展技术，把人工智能提升至一个新的高度。

三维人脸识别是目前大型厂商的主要人脸识别技术。他同时补充，人脸识别一般分为二维人脸识别、三维人脸识别两大类。二维人脸识别是基于人脸平面图像的，但实际上人脸本身是三维的，人脸平面图像只是三维人脸在一个平面上的投影，在这个过程中，必然会丢失一部分信息，因此，动态的人脸识别需要依靠三维人脸识别技术。

对于超低分辨率人脸图像重建的识别，苏教授解释说，一般情况下，视频监控看到的人脸很多都是12个像素左右的微小图像，而该项技术有效地解决了低分辨率人脸的重建和人脸识别的一些难题，研制出低分辨率人脸图像的重建与人脸识别的综合技术，实现基于低分辨率人脸图像的重建与人脸识别的视频目标人的搜索与跟踪。

目前，人脸识别算法方面，基于最佳二维人脸理论的单人单张人脸识别算法已趋于成熟，对单人多张人脸识别算法的研究方兴未艾。基于深度学习的人脸识别、三维人脸识别、超低分辨率人脸图像的重建与识别技术取得了新的进展，他补充道。

近年来，随着欧美发达国家人脸识别技术开始进入实用阶段后，人脸识别迅速成为近年来全球的一个市场热点。

“中国在这块的优势相当明显，我国拥有二代身份证以及视频监控的雄厚社会资源，中国的人脸识别应用走在了世界前列。2008年北京奥运的人脸识别开创性应用、人脸识别综合技术在周克华等案件的应用以及利用二代证图像的户籍查重的重大应用成果，有力地推动了人脸识别的应用向纵深发展。”苏教授说道。

相比于其他识别技术，人脸识别技术具有明显优势，主要体现在四个方面：一、识别对象不受限制，不同于指纹有差不多3%-5%难以录入；二、不易仿冒，人脸识别是对个体的生物特征进行比对，包括语音、脸型、虹膜等别人不易模仿的鉴别方式，安全性高；三、摄像头的普及，如今摄像头成为智能设备的标配，手机、笔记本都配有摄像头，非常有利于人脸的采集；四、非常便利，直接交互，相比于其他识别技术来说，人脸识别不需要用户与设备进行“零距离”接触，而实现多场景下的人脸判断与识别，用户接受程度高。

以上人脸识别的种种“天然”优势让其发展的“如火如荼”。今天的人脸识别系统，已经迈进了大平台的行列，成为智慧城市的示范项目。继二代证人脸识别系统之后，视频监控人脸识别的应用成为新的增长点。同时，网站的应用也令人瞩目，网络身份证系统的建设与应用正蕴涵着更广阔的应用前景。人脸识别的应用步入黄金发展时期。

现如今，人脸识别被人们称为最自然、最安全、最高效、最直观的一种生物特征识别技术。目前，该技术广泛应用于公安、学校、军队、机场、车站等人流密集场所，市场应用前景大好。

世上没有一项技术是非常完善的，人脸识别也不例外，苏教授进一步解释说，目前人脸识别的挑战性问题主要是被拍摄者的姿态（遮盖）、光照（强度）、年龄（变化）。超低分辨率人脸的识别难题也由于视频监控的发展而倍受关注。

大数据时代下的人脸识别具有新的特点，其特点就是人脸的大数据、单人的人脸多样性。基于深度学习的人脸识别并非将学术问题简单地变成工程问题，我们期待人脸识别学术问题的回归，也期待人脸识别普适性的提升。同时，我们更加期待出现新的计算模式，减少诸如深度学习训练过程的超大计算规模。