“刷脸进站”是怎么做到的？

为了减少拥堵，我们开发了新技术来提高进出车站的效率。例如，今年，北京西站新建了一台可以“擦脸”的机器。持有车票和第二代身份证的乘客可以摘下口罩、太阳镜和其他遮挡面部的物品，在机器前停留一站。它们可以在5秒钟内顺利释放。

与传统的依靠工作人员识别和发布的方式相比，这些机器最大的优点是节省人力，方便快捷。当然，这也对计算机“通过看人的脸来识别人”的能力提出了很高的要求。我们如何确认这个人就是身份证上的那个人？这涉及到模式识别、图像处理、计算机视觉、统计学习、神经网络、小波分析、子空间理论和流形学习等多个学科，以及以“特征脸方法”为代表的一系列识别算法。

这种算法的思想是使用一种称为“主成分分析”的数学方法来降低二维人脸图像的维数并提取特征，将其转换成一组向量，然后将其转换成数学运算进行处理。首先，它需要准备一些基本的人脸模型(称为“训练集”)并向量化它们以获得基本的特征向量。当这些特征向量被返回到图像中时，它们仍然看起来像人脸，并且具有人脸的基本特征，所以它们也被称为“特征脸”。

在具体的识别过程中，该算法对待识别的人脸图像进行矢量化和数字化，然后从参考训练集数据中找出当前待识别人脸数据对应的几个特征值，形成一组特征向量库，达到表示原始数据的目的。

减去平均人脸后，将任意一幅人脸图像投影到子空间中，得到一组权重向量，然后计算机直接比较这组向量，确定两幅图像是否是同一个人。该方法实际上计算该向量与训练集中每个人的权重向量之间的欧氏距离，并将与最小距离对应的人脸图像的身份作为测试人脸图像的身份。例如，这就像警察局用来识别嫌疑人的“面部拼写”方法。它以基本的脸型为基础，加上合适的眼睛、眉毛和其他面部特征，最终形成最像嫌疑犯的面部图像。除了“眼睛”、“眉毛”和其他面部特征更抽象，以及比较过程也是以纯数字形式进行之外，“刷面机”做的事情大致相同。

然而，基本特征人脸算法更适合处理静态正面图像。为了应对乘客拍照时可能出现的不同姿势，研究人员提出了“弹性地图匹配”的想法。它将所有的人脸图像视为具有相似的拓扑结构，不关注角度和长度等量化属性，而是关注变换后图像的不变性。所以它也有一个图像名，叫做“橡皮泥几何学”。在这种方法中，所有的人脸都可以表示为一个相似的拓扑图。它的节点是一些基准点(例如眼睛、鼻尖等)。)，其边缘是这些基准点之间的连接线。

为了识别新的人脸，需要从人脸中找到参考点并提取人脸图像，以使该图像和现有弹性梁图像之间的相似性最大化。匹配后，提取新的弹性梁图，并将其放入“特征脸法”中进行识别。在弹性匹配过程中，网格的形状会随着特征点的搜索而不断变化，因此对姿态的变化也有一定的适应性。

事实上，在“刷脸”出现之前，人脸识别技术已经越来越多地应用于我们的生活中。例如，许多智能手机都附带了按“面孔”分类相册的功能。这是一种通过“特征人脸方法”对照片中出现的人脸进行分类的算法。可以想象，在不久的将来，人脸识别技术将更加融入我们的生活，让生活更加方便。