智慧城市建设如火如荼，各类智慧城市应用的使用也逐渐发展到千家万户，渗透到了老百姓的衣食住行中。每一个市民都接触并使用到了多种与身份认证、鉴权服务有关的城市服务，从电子政务办理各类事项，到个人使用支付宝扫一扫消费，身份识别技术越来越普及。我们见证了多种身份识别技术的发展，而人脸识别技术从中脱颖而出，作为一种直接，有效的辅助手段使得智慧城市应用形式和城市感知大数据越来越丰富，提供的服务越来越精准。

以人为本，人脸即服务

 如今，在人与人相连的时代，围绕人提供的服务首先要解决的是辨识人的身份，为此人们发明了很多卡、证作为识别人身份的依据，这种身份识别本质上是“见物如见人，认物不认人”，它忽视了人们最本质的需要，解决老问题的同时，也带来一些新的问题。顺应时代的潮流，充分利用人脸识别技术，强调人脸大数据共享和开放，建设人像库、人脸卡口系统。人脸识别技术可广泛应用于智慧警务和智慧城市建设，为全社会提供智慧人脸服务。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。针对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。然后依据这些信息，进一步提取每个人脸中所蕴涵的身份特征数据，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警，而人脸识别技术无疑是最佳的选择。人脸识别系统，可以广泛应用于公安、金融、机场、地铁、边防口岸等多个对人员身份进行自然比对识别的重要领域。


                 
 

 

应用场景：身份证查验，确保真实证件

当前主要是通过扫描或者复印身份证信息，人工比对身份证照片。扫描或复印身份证只是作为备案，并不能有效核实身份证真伪。要确保是采用真实身份证办理业务，必须有某种技术手段对办事人提供的身份证进行查验。

 

应用场景：人脸与身份证匹配查验，确保人证合一

 除了采用真实身份证办理业务外，人工核对相片往往因为身份证相片相对早期、当事人带墨镜、化妆、发型等根本无法有效核实。如果查问过多会让持证人员感到厌烦，容易产生一些不必要的摩擦。故在查验身份证的基础上，通过摄像机无接触自动捕获人脸影像，并自动与身份证里存储的影像信息比对，或者与后台更多的真实身份人脸比对，并以多种方式提醒窗口业务人员比对结果，确保持证人是本人持真实身份。

 

应用场景：人脸证据保留，增强事后取证能力

由于身份证信息中的照片相对陈旧，除了将摄像机捕获的当时人脸与身份证存储的相片比对外，系统不断积累办理业务时的人脸捕获数据，在人脸匹配查验过程中，不仅能跟身份证中存储的照片信息比对，还能对历史人脸信息比对，确保在身份证中的照片相对陈旧时，有更加接近当前时间的人脸数据，提高比对精确度。同时每次办理业务留下的人脸数据，可作为出现业务异常时追溯的重要证据。

 

应用场景：支持未来刷脸办理业务

 随着人脸识别技术的不断成熟，对于公共服务部门来讲，对客户的贴身服务至关重要，系统要支持未来直接刷脸办理业务。即对于部分业务，要支持未来在无需身份证信息的情况下，依然可以直接通过人脸识别身份信息，减少身份证查验、复印存档等环节，提高客户办理业务的便捷性，提高窗口办理业务的效率。

 

人脸识别技术在智慧城市中的应用优势

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等部位组合而成，它们之间的大**置关系也是固定的。然而，人脸具有唯一性，这个世界上找不出两张完全相同的人脸，人们通常能够根据不同面孔之间的细微差异将不同人区分开来。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：系统在用户在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技术手段，可分为生物识别和非生物识别两大类，但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，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。人脸识别是应用为导向的就是客户的需求。人脸识别做的好不好关键是看通过这个技术有没有解决各行各业实际的问题。

 

静态与动态人脸识别

静态人脸识别是指被识别的人，处于静止状态或配合状态下，采集其人脸图像，进行人脸识别。

动态人脸识别是指被识别的人，处于移动状态或步行等非配合情况下，采集其人脸图像，进行人脸识别。

静态人脸识别由于需要当事人配合、且采集人脸交互需要1-2秒时间，采集的人脸图像质量高，一般应用于当事人对时间不敏感或对采集人脸并不十分反感的场景。例如：金融开户、人脸门禁、身份识别、网吧身份证核查、访客登记、实名制验证等场合。

动态人脸识别不需要当事人的配合，因此，一般应用于对当事人行为无干扰或当事人不感知的场景，例如：车站、机场、码头的案犯抓逃，VIP识别，重点人脸管控等。

 

1：1和1：N人脸识别

1：1人脸识别：将A、B两张图像比较，通过人脸识别技术判断两张人脸图像是不是同一个人，或者两张图片的相似度是多少。

1：N人脸识别：通过人脸识别，将A人脸图片和由N张人脸图像组成的人脸库中进行比较，得到A是否在人脸库中，或者A和人脸库中那张人脸最像。

综上可知，1：1人脸识别在人证一致性核查、网上支付身份核查等领域应用最为广泛，对打击盗用、冒用证件、身份有非常好的针对性。1：N人脸识别在身份识别主要用于人脸身份查询。例如：布控抓逃、人脸查询、户口查重等均属于此类。

 

可见光和主动近红外人脸识别

可见光人脸识别：在可见光环境下(太阳光、日光灯等照明光源)，采集的人脸图像，进行人脸识别，适合在光线好的条件下应用。主动近红外人脸识别：在主动红外光源环境下(太阳光、日光灯等照明光源)，采集的人脸图像，进行人脸识别。采用主动红外光源是为减弱环境光对人脸成像造成不利的影响(逆光、侧光、强光、弱光)，红外主动光源位于不可见波段，不会**人的眼睛，而中/远红外波段成像会损失物体表面大多数信息，所以近红外是最好的选择。由于近红外无法在中、远距离采集人脸图像，并且要求底库的人脸图像也是近红外模式下采集的照片，因此其存在比较大的应用局限性，目前主要用于人脸考勤、门禁。在现阶段的实际应用中，可见光的人脸识别的应用更加广泛。

 

人脸识别技术在智慧城市应用案例解析

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：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。功能方面：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。人脸技战法：系统提供人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人口管理、案件侦查的人像检索系统，系统并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：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袋人脸特征库，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。

                          
 

检索难点：超大规模人脸异步集群识别。

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。如下图所示：

 

技术难点：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，本系统的核心算通过不断的攻坚技术难点，创新的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，从而从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。如下图是人脸识别ROC比对曲线对比。

 

技术难点：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，仍然无法在黑夜，环境光低下，双胞胎，戴帽子墨镜等影响。虽然目前已经通过近红外+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，这对于安防行业中面对的新需求比如反恐维稳场景中的人脸更新周期长、难以识别长须前与长须后。比如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。比如许多少数民族地区由于历史沿革原因，出生有一个姓名，叫做阿凡提买买提，启蒙按照宗教原因进入寺庙启蒙，叫做阿凡提里约买买提，类似一个法名，入校后的会有一个学名阿凡提六法买买提，满足18岁办理身份证的时候一般按照学名或出生名，结婚后会有从夫名。这些姓名对应的不同时期的人脸照片差别迥异，成年男子因为宗教原因不得剃胡须，甚至不更新身份证，不办理户口，游离在法治边缘。这样的业务场景下，我们的深度学习，人工智能读到的可信数据源(教育准考证，公安身份证，户口本)等可能会是一个人，多个合法姓名，多个人脸样本。但各类系统的数据取值不一致，导致二义性，造成人证脸关联识别失败。

 

人脸识别技术在智慧城市中的应用前景与趋势

人脸识别技术将与其他各种生物识别技术一起产生混合场景下的各种混搭应用，利用人脸识别与声纹识别，RFID技术等都会碰撞出奇妙的火花。人脸识别的算法也将由单一算法向混合算法聚簇、与大数据、云计算、深度学习、人工智能、基因标识一起融合发展形成新的应用前景。算法是人脸识别技术的核心，计算机通过人脸识别算法，可将一张张人脸的图片转换成可量化的人脸特征数据，从而量化人脸特征数据的差异性，得到相似度数值。深度学习是目前最炙手可热的人工智能算法，国内外研究机构和企业(Google、Microsoft、中科院等)投入大量研究资源，其成果广泛应用于计算机视觉、语音识别、智能分析等领域。深度学习不是一项新技术，其前生神经网络技术已经有40多年的发展历史。学术界和工业界，越来越多研究深度学习理论，使得深度学习的模型得到加强和优化。数据太大，模型不够复杂，覆盖不了所有数据。深度学习非常依赖训练样本的数量，随着互联网、大数据的发展，更多的人脸样本数据加入训练模型中，使得算法模型针对人脸更加通用，更接近于真实的世界。深度学习的“深度”便指的是模型的层数以及每一层的节点数量，越是低层，特征越简单，越是高层，特征越抽象，越接近要表达的意图。对于图片来说，最低层次的特征是像素(0-255的矩阵)，这个特征对于我们来说没有价值，但从像素中可以找到边缘特征、再找到部位特征，最后形成不同的目标物。传统的智能算法为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备。而目前以深度学习为核心的机器学习算法，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。也就是说，深度学习算法得到的人脸特征，已经远远超出了我们人类所能理解的形状、角度、比例、肤色等特征，其绝大部分特征是算法自己通过学习得到，并能够被计算机所理解。深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说，如果提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。