人脸具有相似性和易变性，不同环境、光线、角度、年龄，均会对人脸的成像产生变化，因此人脸识别是生物识别领域最困难的研究领域之一。

人脸识别技术具有非强制性、非接触性、并发性等几大优势。

• 非强制性：系统在用户无意识的状态下就可获取人脸图像，不需要专门配合；

• 非接触性：用户不需要和设备直接接触就能获取人脸图像，提取人脸特征进行检测；

• 并发性：在实际应用场景下可以进行同时多个人脸的分拣、判断及识别；

除此之外，还有操作简单、结果直观、隐蔽性好等特点。

从古至今，人脸是进行身份辨识的重要方式。在古代，政府为了达到对特定人员的身份识别、防控围捕的目的，会发布“海捕文书”。海捕文书中包括了人员的画像、涉案信息等，通过悬赏及威慑测试调动人民群众积极性，实现对人员的发现、举报、抓捕。在现代，在身份证、驾驶证、护照等重要的个人证件上，均会印刷或粘贴人脸照片，或者证件内置芯片中植入人像照片。除此以外，在公安、金融、公证、互联网支付等越来越多的行业，人脸已经作为身份鉴别或业务授权的重要依据之一。在人脸识别技术应用之前，已经诞生了很多对人员身份进行识别的技术手段，总体来说可分为生物识别和非生物识别两大类，非生物识别在长期的应用过程中，其不足之处逐渐暴露出来：遗失、窃取、盗用、损坏、不卫生、磨损、影响通行、用户反感、逃避等。人脸识别的出现及应用并不能取代其他的技术，作为一种新的可应用的身份识别技术，它与其它的身份识别技术手段相互补充，扬长避短。而人脸识别在应用上，具有先天性的隐蔽、方便、直观等优势，使得人脸识别在某些特定的场所、行业，有巨大的应用优势。

人脸识别技术在智慧城市应用中已经部署并推广了多种产品形态和解决方案植入。人是社会的主体，所有服务的本质都回归到对人的服务，人脸识别要解决的也是各行各业满足人的需求、规避人的风险、解决人的问题。技术逐渐成熟，尤其是深度学习技术带来的技术突破，使得人脸识别技术达到可应用的下限水平，人脸识别相关产品和系统非常多。虽然人脸产品种类繁多，不管业务应用多么繁杂，但万变不离其宗，客户通过人脸识别技术手段达到验证人的身份或识别人的身份的目的始终不变。

比如人脸实时报警系统：应用人脸检测和识别技术，在人员进出重点区域设置人脸卡口摄像机，针对经过卡口人员进行人脸抓拍、识别和自动报警，并可将报警信息推送到警务终端APP，实现实战预案联动。人脸卡口系统可独立部署，也可作为子系统对接到第三方管理平台，可广泛应用于公安、交通、金融、司法、教育、医院等领域。功能方面如下：

• 人脸采集：可接入网络高清摄像机，可对摄像机实时视频画面内出现的人脸抓拍1张或多张清晰人脸图片并可截取抓拍的人脸对应的背景照片。

• 人脸储存：可将抓拍的人脸图片长期保存，由于人脸图片所占空间相对视频文件要小得多，在有限的存储空间下，人脸图片可存储的时间比视频长得多。

• 人脸布控：支持对卡口过往人员的人脸布控。将布控的人脸图片及信息，下发到指定的人脸卡口进行布控，一旦摄像机内出现与布控库内高度相似的人脸，系统能够实时辨识出来，并将人脸图片及识别结果上传中心。

• 移动APP：人脸布控报警可推送到移动终端设备。

比如人脸采集检索系统：应用人脸检测和识别技术，在人员进出重点区域设置人脸卡口摄像机，针对经过卡口人员进行人脸抓拍、建模以及事后的人脸查询检索技战法等应用，可实现人脸刑侦、技侦的深度应用。人脸采集检索系统可独立部署，也可作为子系统对接到第三方管理平台，可广泛应用于公安、交通、金融、司法、教育、医院等领域。采集检索系统除了具有人脸采集、储存功能之外还具有以下功能：

• 人脸技战法：系统提供多种人脸查询与检索的技战法应用，例如：人员出现频次、同行人分析、同伴分析等。

• 特征人脸技战法:针对特征人脸或异常人脸，例如：戴眼镜、戴帽子等，提供可根据人脸的特征或异常的特征，实现特定特征的人脸查询检索。

比如人像库共享服务平台：人像库共享服务平台是一套专门针对公安等行业的人口管理、案件侦查的人像检索系统，系统具有强大的数据导入、批量建模、查询检索、统计分析等功能，为公安出入境、户政、刑侦等部门提供快速定位人员、提高刑侦、视侦的效率，同时可对接公安情报、警综等系统，为公安追逃、侦查、寻人等应用发挥作用。人像库共享服务平台可独立部署，也可与第三方系统对接，提供人像识别共享服务。功能方面有：

• 人员信息库数据对接：系统有专门的数据接口，用于与公安的居民信息库、重点人员信息库进行人员信息数据对接，在保障公安数据的安全性的同时，能够快速抽取人脸数据。

• 人脸特征提取：人脸特征值是决定人脸识别精准度的关键因素，也是影响人脸检索速度的因素。系统基于深度学习神经网络算法，进行人脸特征提取，并将人脸的结构化特征数据储存入人脸特征库，进行人脸检索。

• 人脸比对检索：系统可提供1:1人脸比对、1：N人脸检索功能。支持多条检索任务并发处理，当任务数量超过上限时，系统进行排队处理。

• 人像查重：实现单一人像检索或批量人像检索。

人脸识别技术在智慧城市中的应用疑难主要体现在业务场景与技术实现两个方面，技术实现方面主要的难点包括：超大规模人脸异步集群识别检索的难点，人脸识别最小支持到18.5亚像素级的难点，人脸识别技术与环境及样本量的冲突难点。

我们先看第一个难点：超大规模人脸异步集群识别检索的难点。

人脸识别应用的困扰之一是，大容量的人脸库的人员检索查询的时效性难以保障，目前在安防行业，一般大容量人脸库的规模能达到100万数量级，检索速度勉强满足要求，但对于千万级甚至更大规模的人脸数据，在数据库表检索和硬件的性能均达到极限情况下，仍旧难以支撑业务要求。为解决该问题，系统分别在海量运算和海量存储上做异步分步式的处理架构，对前端提前的任务系统在优化数据库表检索速度的同时，采用异步集群的架构，利用开源的分布式系统基础架构Hadoop在普通PC机上搭建起基础云平台，使得系统的基础建设成本降低，同时Hadoop基础云平台能方便快捷的水平扩充系统性能，而不会引起大幅的成本增加。人脸基础信息数据库则采用分布式的HBase，同时HBase还能存储人脸数据库处理的中间结果。搜索引擎技术方便则采用Lucene的分布式实现Katta，Katta基于Hadoop框架实现，索引的建立和搜索的打分排序都能在Mapreduce运算模型上进行，大大提高了运行的速度，这为超大规模数据的业务应用提供了技术支撑和保障。基于以上技术，在已测试的案例中，系统在6052路摄像机接入时，每路视频每秒可处理5帧数据，针对1000万的人脸库，检索响应时间小于1秒。如下图1所示。

图1

第二个技术难点是：人脸识别最小支持到18.5亚像素级。

传统的人脸识别算法对人脸像素的要求很高，很多号称小像素级的算法在小像素时效果很差，只有到60像素以上时才有了较好的效果。系统的核心算法通过不断的攻坚技术难点，创新地提出一种基于双层异构的改进深度神经网络，实现了双层网络间的信息反馈与数据评介采样，不仅提高了网络的稳定程度，而且在训练中可加入半监督的处理流程，通过人工构建一层网络来不断监测和微调学习网络，解决传统基于卷积神经网络的深度学习网络构建很难人工干预的问题，从而根本上解决了人脸识别准确率与误识率的问题。同时，为了解决小像素信息量严重缺失的问题，系统对建立起了对人脸周边区域信息的评介体系，通过建立精细像素信息网络，对人脸信息进行亚像素级的精细化处理，从而解决了小人脸识别的一大难题。如下图2是人脸识别ROC比对曲线对比。

图2

第三个技术难点是人脸识别技术与环境及样本量的冲突难点。人脸识别技术目前依然受限于人脸库的样本量影响识别精度，同时受限于单一算法，仍然无法摆脱在黑夜、环境光低下、双胞胎、戴帽子墨镜等因素的影响。虽然目前阿泰克等日本供应商已经通过近红外+3D人脸识别解决了部分问题，但由于实现原理制约，只能在样本库小的、事先注册好人脸3D建模的场景下使用，比如大楼门禁、海关通关闸机，充分利用静态人证比对和动态3D扫描+近红外实现。对于智慧城市的广大区域，比如车站、码头等人流量聚集的场所，以及商场、社区等近民场景则难以凑效。

人脸识别技术在业务场景下面对的挑战也比较多，仍需不断发展探索。比如人脸识别面对绑架型解锁就是一个难题，利用合规的人脸来进行相应的犯罪反侦察，深度学习的样本量中对与人脸的变化比较是难以凑效的。此外智慧数据比对中的碰撞方式难以将人脸识别与其他有嫌疑的数据采集源端的二义性带来的精准度下降。