人脸识别技术是一种应用广泛的生物特征识别技术，通过图像或视频采集设备获取人群图像并从中提取人脸，再利用识别算法对其脸部特征进行计算分析，采取一定匹配策略和现有数据库中的人脸范本进行比对，确定待识别人脸身份信息。随着图像采集技术、互联网技术、大数据技术的快速发展，人脸识别技术已经被广泛应用于大型公共安全防范、出入境检查、公共行为监督、出席管理、智能金融、智能社区、智能安防、智能家居等重要场景中。近年来，一系列社会恐怖袭击事件、校园安全事件、个人信息泄露事件频起，人脸识别系统在防范、纠查这些事件的过程中均发挥了重要作用。核心技术的发展促进了我国人脸识别市场规模爆发式增长，尤其是2015年以来，我国人脸识别市场规模直接从 2012 年的 16.7亿元跃升至 2015 年的 75 亿元，2016年更是达到123亿元， 2018年我国人脸识别市场规模将超过400亿元。从应用领域来看，目前考勤门禁应用在我国人脸识别市场占比约为42%，安防应用占比约为30%，金融领域应用占比约为20%，未来更多的细分市场需求将体现在智慧城市、智慧社区、智慧交通、智慧家居等领域。伴随着愈加广阔的市场前景和愈加精细的领域需求，人脸识别技术在现代信息化社会正面临着来自公共安全、金融、社区、交通等全方位领域中更加复杂的识别场景、识别人群、服役环境难题，在识别人像维度、识别实时性、数据跨区联动、系统稳定可靠等方面都将迎来巨大挑战。各种面向不同细分场景、标称指标各异的人脸识别系统在这种背景下层出不穷，如何统一、规范地对人脸识别系统进行科学测试评价，使得评测结论可以及时有效应用于系统优化、供应商资质认可和政府采购，是现代人脸识别研究领域的主要热点。

 

2016年5月，发改委联合科技部等四部门推出《“互联网+”人工智能三年行动实施方案》，指出到2018年，打造人工智能基础资源与创新平台，人工智能产业体系，创新服务体系，标准化体系基本建立；2016年9月，发改委办公厅在《国家发展改革委员会办公厅关于请组织申报“互联网+”领域创新能力建设专项的通知》中明确指出要建设“深度学习技术及应用国家工程实验室，支撑开展大规模计算机视觉、生物特征识别、复杂环境感知、新型人机交互等技术的研发和工程化项目”；2016年下半年，国务院陆续发布《“十三五”国家科技创新规划》和《“十三五”国家战略性新兴产业发展规划的通知》，提倡大力发展泛在融合、绿色宽带、安全智能的新一代信息技术，推动人工智能规模化应用，并在制造、教育、环境保护、交通、商业、健康医疗、网络安全、社会治理等重要领域开展试点示范；2017年国务院发布《新一代人工智能发展规划》中，提出要“推动人工智能在教育、医疗、养老、环境保护、城市运行、司法服务等领域广泛应用，提高公共服务的精准化能力”。2017年人工智能还首次写入国家政府报告，作为人工智能的重要细分领域，可以预计人脸识别相关政策支持力度将不断增强。人脸识别系统测试方法研究作为人脸识别领域的三大关键因素之一，将在加速标准化体系建设、健全人脸识别产业体系、创新公共服务体系等方面作出巨大贡献。

 

人脸识别的研究工作自20世纪60年代开始以来，其发展历经了以研究人脸识别面部特征为主的机构识别的第一阶段（1964-1990年）、以研究人工算法识别为主的半自动化的第二阶段（1991-1997年）、以研究鲁棒性如光照姿态为主的非接触式的第三阶段（1998-2014年），目前已经进入以大批成熟技术支撑的互联网应用阶段，大面积应用推广层出不穷。纵观人脸识别技术历史演进，人脸识别技术未来发展主要取决于三个因素：人脸识别算法、大规模人脸图像数据库、人脸识别系统性能测试方法。

 

一个基础的人脸识别系统所包含的各项执行环节，如图1所示，除了前端的人脸图像采集及预处理节点，人脸识别算法流程涉及人脸检测与跟踪、人脸校准、人脸特征提取与学习、特征相似度匹配、人脸身份识别。根据识别图像的资源类型划分，人脸识别算法可以划分为二维人脸识别算法及三维人脸识别算法。

人脸识别算法目前主要集中在二维图像识别方面，主要利用分布在人脸上的特征点，通过测量不同特征点前的间距来进行身份识别。二维人脸识别算法主要有：

特征脸算法(Eigenface)  20世纪70年代Kanade和kelly等人提出基于人脸的几何结构特征，以脸部特征点的形状和几何关系为基础进行人脸识别，即模板匹配方法（Correlation）。该方法简单直观，但存在明显缺陷即需要对脸部特征点进行定位，同时特征提取过程也容易受到人脸形变和拍摄姿态的影响。随着90年代人脸识别研究热潮的兴起，学术界出现了一批基于人脸子空间的识别方法，其中尤以麻省理工学院的Mattew Turk和Alex Pentlan于1991年首次提出的特征脸方法为代表。特征脸算法是一种基于统计的、从主成分分析（PCA）导出的一种人脸识别方法，该方法对整体图像进行表观建模，并用统计建模的方法来分析人脸，极大促进了人脸识别研究发展。

Fisherface算法  1997年Ronald Fisher提出了Fisherface算法，该方法首先采用主成分分析法（Principal Component Analysis,PCA）对图像表观特征进行降维，在此基础上，采用线性判别分析（Linear Discriminant Analysis,LDA）的方法变换降维后的主成分以试图尽可能提取不同人脸之间的差别特征用于最终的识别，一般能够表现出比模板匹配法和特征脸算法更好的识别效果，是一种主流方法。

弹性图匹配算法  L.Wiskott等人于1999年提出了弹性图匹配算法。该算法在二维空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一个特征向量，记录人脸在该顶点位置附近的信息。

局部特征分析算法  进入21世纪以来，国际、国内多种不同的人脸识别系统和应用持续投入社会、经济生活并发挥作用，这也对人脸识别技术提出了更深入、更精细的要求。在此基础上，人脸识别算法的研究主线由表观建模转到局部特征表示上。Ahonen（2004）和Liu（2002）等人首先研究了人脸局部特征表示对于光照条件和人脸姿态的鲁棒性影响；Simonyan（2013）引入了计算机视觉领域常用的SIFT特征表示方法，对人脸图像提取SIFT特征后进行了Fisher Vector编码，从而获得人脸局部特征表达；Zou（2007）等人通过比较验证了Gabor特征和LBP特征对人脸识别的有效性；Chen（2013）和Roy（2009）等人利用LBP特征计算复杂度相对较低且具有很强区分性的特点，在人脸识别、人脸检测、人脸表情属性识别等研究和任务中获得了较大成功。局部特征提升了识别算法在约束条件下的识别性能，但同时这些特征性能也往往依赖人工经验和知识，在大规模非约束条件下会因人像背景、姿势、遮挡等变化影响而降低局部特征提取的鲁棒性。

神经网络算法  采用神经网络方法是21世纪以来人脸识别算法领域比较活跃的另一个研究方向。相比其他人脸识别算法，一般神经网络算法避免了复杂的特征提取工作，其核心在于通过样本训练和学习总结人脸识别系统的隐性表达式。近几年，受卷积神经网络（Convolutional Neural Network,CNN）在众多计算机视觉领域的成功应用启发，研究领域的主流引入了卷积神经网络来学习人脸特征表达。其中具有代表性的方法有Facebook提出的DeepFace人脸识别方法和香港中文大学汤晓鸥教授团队提出的基于CNN的DeepID系列人脸识别方法。

在日常实时的人脸监控、检测、比对应用，二维人脸识别算法往往受到人脸姿态、光照条件、表情以及脸部遮挡等影响因素的挑战，而三维人脸识别此时可以极大地提高识别性能和精度。三维人脸识别的研究始于上世纪90年代初期，受限于当时三维成像技术水平，所获取的三维人脸数据精确度和规模无法支撑三维人脸识别技术进入全面发展，同时，数据处理设备和存储设备的性能也无法满足三维人脸识别所需运算要求，整体停留在理论研究阶段。21世纪初，伴随着材料科学和电子电路技术的发展，图像视频采集设备和计算机性能发生了质的飞跃，使得三维人脸识别研究真正从理论跨入实际应用。在2006年美国FBI等多部门共同提出的“人脸识别大挑战计划”中，三维人脸识别被证明在光照与角度等因素的作用下具有鲁棒性，同时深度图中提炼的形状特征也具有光照无关性。近年来，随着三维人脸数据获取技术的进一步发展与公共人脸数据库的不断完备，三维人脸识别技术的研究进入特殊条件（表情、遮挡、姿态变化）下的细分领域专攻阶段。著名的国内外研究机构有微软研究院、麻省理工学院AI实验室、英国萨里大学视觉研究中心，我国北京大学、上海交通大学等高校的计算机视觉与模式识别实验室等。三维人脸识别作为人脸识别未来的发展方向，与目前成熟的二维人脸识别相比面临着数据获取不易、易受表情形变影响、人脸识别实时性低的现实应用局限。

 

在人脸识别技术研究进程中，大规模人脸图像数据库对于算法的实现、模型训练、算法测试以及系统性能测试是不可或缺的一个关键因素。模型训练所采用的人像库的人数规模、人像环境条件变化对识别算法的精度和鲁棒性能有着重大影响，算法和系统性能测试所依赖的测试集规模和人脸属性对测试的科学性和有效性有决定性影响。本项目从算法模型训练、性能测试角度将国内外主要大规模人脸图像数据库归纳如下：

在针对国际人脸应用的人脸识别算法模型训练和性能测试中，应用较多的大规模人脸图像数据库主要有FERET、CMU、LFW、MegaFace、IMDB-WIKI以及FRVT系列测试集，基本都是由高校或科研机构设计并发布。

FERET人脸库　美国国防部Counterdrug Technology Transfer Program（CTTP）在90年代初发起了一项人脸识别工程（Face Recognition Technology，FERET），它包括了一个通用人脸库以及通用测试标准。到1997年，它已经包含了1000多人的14,051多张照片，每个人物包括了不同表情、光照、姿态和年龄的照片。FERET项目严格划分了训练集合、Gallery、不同测试集合等，是人脸识别领域应用最广泛的人脸数据库之一，其中人脸图像以西方人为主。

CMU & PIE人脸库  CMU & PIE人脸库由美国卡耐基梅隆大学创建于2000年11月，包含68位志愿者的41,368张照片，其中包括了每个人的13种姿态条件，43种光照条件和4种表情下的照片，现有的多姿态人脸识别的研究基本上都采用CMU & PIE人脸库进行测试。

LFW人脸库   LFW人脸库是由美国马萨诸塞大学于2007年发布并维护的公开人脸数据集，主要用于研究非限制环境下的人脸识别问题。该数据集包含超过13,000张人脸图像，图像均采集于互联网且以公众人物为主。每个人脸均被标注了一个名字属性，其中约为1680个人包含两张以上图片。LFW数据集目前被广泛应用于评价1：1人脸验证，是目前国际上权威的人脸验证测试集之一。

IMDB-WIKI人脸库   IMDB－WIKI人脸数据库由IMDB数据库和Wikepedia数据库组成，其中IMDB人脸数据库包含了460,723张人脸图片，而Wikipedia人脸数据库包含了62,328张人脸数据库，总共523,051张人脸数据库，IMDB-WIKI人脸数据库中的每张图片都标注了人的年龄和性别，对于年龄识别和性别识别的研究有着重要的意义。

MegaFace人脸库   MegaFace 人脸库是由美国华盛顿大学于2015年发布并维护的公开人脸数据集，数据集中的人脸图像均采集自Flickr creative commons dataset，共包含690,572个身份共1,027,060张图像，是第一个达到百万规模级别的测试集。同LFW数据集一样，MegaFace 数据集中的图像也产生于自然场景，具备光照、表情、姿势和遮挡等干扰因素。但与LFW不同的是，MegaFace数据集中的人物身份均为普通人而非公众人物，并在收集过程中选取了图像的分辨率，并且保证了图片来源在世界范围内的均匀分布。MegaFace 着眼于在百万级别的数据库中的1：N人脸辨识性能。因此，相比于LFW数据集，MegaFace更贴近实际应用。

FRVT人脸库    美国国家标准技术研究所（National Institute of Standards and Technology,NIST）从1993至今举办了多次人脸识别供应商测试，并提供了一系列人脸测试集。FRVT 人脸识别测试系列集合来源于美国国土安全局在刑侦过程、出入境等真实业务场景中人物图像，规模达到百万量级。不同于国际上其他人脸库，FRVT系列测试集均不公开，有效避免在多家供应商测试过程中算法过拟合甚至是作弊手段出现。

由于东西方人在面部特征上存在显著的差异，因此在亚洲地区人脸识别领域应用以西方人为主的国际人脸图像数据库可能会对研究和应用带来不利影响。近些年来，亚洲研究者们针对细化领域具体需要创建了一些大规模、多属性的亚洲人脸库，比较著名的有韩国KFBD人脸库、香港中文大学CelebA人脸库、中国科学院CAS-PEAL人脸库、CASIA-WebFace人脸库等。

KFBD人脸库   KFBD人脸库包含了1000个人物、共52,000幅多姿态、多光照、多表情的面部图像，其中姿态和光照变化的图像是在严格控制条件下采集的，人物来源以韩国人为主。

CelebA人脸库   CelebA人脸库是由香港中文大学汤晓欧教授团队发布的大型人脸识别数据集。该数据集包含有来自10,177个人物的202,599张人脸图片，每张图片包含40多种标注属性，覆盖多姿态和光照变化条件，主要用于人脸属性识别。

CAS-PEAL人脸库     CAS-PEAL人脸库是由中国科学院计算技术研究所——银晨科技面像识别联合实验室于2003年创建完成，共采集整理了1040位志愿者（其中595位男性，445位女性）的99,450幅人脸图片。该数据库分为姿态变化、表情变化、饰物变化、光照变化、背景变化、距离变化、时间跨度变化等七种变化模式子库。

CASIA-WebFace人脸库   CASIA-WebFace人脸库是由中科院李子青团队于2014年公开的大规模人脸数据库。该库包含10,575个人脸类别，共494,414张人脸图像样本，每个类别平均47张图片，所有类别中，样本数最小为2张，样本数最大为804张。

 

近年来，随着人工智能、云计算、大数据技术的迅猛发展，人脸识别领域经过长久的技术积累开始进入收获期。产业界涌现了一批以人脸识别为主的创新型企业，国际上比较知名的有德国CognitecSystem、日本NEC、美国Facebook、google、Bioscrypt等，国内也出现了一批以商汤科技、旷视科技、云从科技、科大讯飞为首的人脸识别系统供应商。百花齐放的系统供应商、种类繁多的人脸识别系统以及良莠不齐的标称性能在满足社会、经济高速发展需求的同时，也对不同系统间的测试比较提出了迫切要求。针对大型人脸识别系统，尤其是商业系统的测试，公平公正是基础与前提，测试结果和报告可作为企业、政府采购指导。因此，著名的人脸识别大型测试一般都是由第三方独立测试机构进行，并接受政府机构的资助和监督，比如FERET、FRVT、MBE等测试项目。为保证测试结果公正权威，大型人脸识别系统测试一般依赖于保密的测试人脸数据库，仅小部分测试数据可供厂家正式测试前调试系统使用。

FERET是国际第一个大型人脸识别系统评测项目。FERET项目是由美国国防部反毒技术发展计划资助，采集并创建了前述FERET人脸图像数据库作为测试集，并首次给人脸识别算法设置了性能基准，定义了一系列的评测标准，其制定的评测标准和评测协议一直影响至今。从1994年到1996年，FERET项目连续3年举行人脸识别算法和系统的综合评测，极大推动了人脸识别技术的发展。

自FERET项目以后，美国国家标准技术研究所主导了针对人脸识别供应商系统的评测工作，并在国际范围形成了最权威的地位，至今已连续举办了FRVT 2000、FRVT 2002、FRVT 2006、FRVT 2010、FRVT 2013、Ongoing FRVT 2017系列评测，目前正在组织开展FRVT 1:N 2018评测工作。这些评测一方面对知名的人脸识别系统性能进行测试比较；另一方面全面总结人脸识别技术发展现状和关键问题，指明未来发展方向。

最早的FRVT2002、FRVT2006、FRVT2010等评测分别逐次针对中高等量级算法测试、人脸识别原型系统及成熟商业人脸识别系统测试、百万量级超大规模测试等方面展开，时间跨度持续三到十年不等，用于阶段性考察行业顶尖水平和未来发展方向。

FRVT 2013在总结人脸识别智能化发展趋势的基础上，将评测任务集中在1:1人脸验证、1:N人脸搜索辨识、双胞胎识别、视频序列人脸识别、性别估计、姿势估计和年龄估计上。截止2015年，NIST已经陆续整理FVRT 2013的测试结果并发布了关于性别估计、年龄估计和1:N人脸搜索辨识的整体评测报告。

Ongoing FRVT 2017评测项目开始于2017年2月，与以往FRVT 评测项目跨度时间不同，Ongoing FRVT 2017是一项持续运行的评测项目。系统供应商可以随时提交算法参与测试，NIST会在每个月份及时整理最新评测结果并发布评测报告，目前最新的评测报告发布时间为2018年2月份。NIST在Ongoing FRVT 2017中推出的持续评测、及时公告的模式，相比以往FRVT评测项目从评测至发布报告所需2-4年的间隔实现了巨大的突破。Ongoning FRVT 2017针对测试作了不同场景、不同人种、不同性别、不同年龄的识别性能比较，其提供的测试数据对应了出入境管理、身份门禁认证、平安城市监控等实战应用场景，数据规模通过对百亿对样本采样达到百万量级，测试数据采取盲测不公开方式，有效避免参测单位提前进行模型训练或直播作弊，最终在模型速度、特征库大小、比对阈值等指标上进行详细评估。在2017年6月份发布的测试报告中，来自中国的参测单位依图科技凭借在千万分之一误报下（采样百亿对样本）准确率为95.5%的成绩在四项主要测试场景中均获得第一名，比第二名俄罗斯Vocord算法准确率93.5%的成绩高出2%，比FRVT 2013中参与同类测试夺魁的日本NEC算法在准确率上有大幅提高。Ongoning FRVT 2017各阶段评测报告指出，过去四年，从公开的LFW、MegaFace测试项目到权威保密的FRVT测试项目，测试指标已经从千分一之误报率发展到百万量级测试集首位命中率、千万分之一误报率，各类研究机构或供应商算法和系统识别性能已经提高一万倍，智能技术将解锁更多的应用场景，从楼宇建筑到城市量级，甚至多城联动、全国范围人脸比对等将成为可能。

国内测试进展

目前，我国还没有政府部门、权威机构开展基于不公开人脸图像数据库的人脸识别算法和系统盲测。研究机构、专家学者在进行人脸识别算法和系统测试和优化过程中，一般依赖于公开的LFW、MegaFace、CelebA等测试集和协议。而政府部门、需求企业在进行人脸识别系统调研和采购时，一般只能参考少数国家标准及行业标准提出的具体系统技术要求和厂商标称性能指标，对系统的测试手段仍然停留在功能测试和信息安全测试，无法进行有效、公正、权威的算法系统性能测试。

面对上述困境，我国专攻人脸识别技术的研究机构、供应商和政府部门，将广义评测的切入点从数据保密、资质权威、技术可行上面初步转移到各应用领域测试方法、技术标准等基础环节，为未来实现系统、规范、技术可行的多应用领域评测搭建理论基础。我国人脸识别测试方法、技术标准研究主要集中在安防领域，相关工作由国家公安部主导，联合中科院等多家研究机构和供应商，发布了GA/T 922.2-2011《安防人脸识别应用系统　第２部分：人脸图像数据》、GA/T 1344-2016《安防人脸识别应用　视频人脸图像提取技术要求》、GB/T 31488-2015《安全防范　视频监控人脸识别系统技术要求》等行业标准和国家标准。这些标准规范了人脸图像数据要求、人脸识别系统功能指标、人脸识别系统性能指标、人脸识别系统功能及性能测试方法。这些标准的发布有助于安防视频监控人脸识别系统的方案设计、项目验收以及产品开发，同时可为其他领域人脸识别应用提供参考借鉴。

 

纵观人脸识别技术研究现状和发展趋势，目前人脸识别技术及系统测试规范的开展工作有以下特点：

用于人脸模型训练、算法测试的人脸识别系统测试标准一般都针对个别领域展开，且测试协议开源，不具备权威指导作用。

规范、通用的人脸识别系统测试标准由国际少数权威部门展开，且重点应用于行业分析。如由美国国防部、NIST主导的FERET、FRVT系列测试集、评测标准指明了人脸识别算法和系统权威测试的方向，但这些机构和测试项目的主要目的在于对全球大型人脸识别算法系统进行历史阶段性的技术评估，分析行业发展，无法专注于日常、实时的全行业大、中、小型人脸识别系统测试，耗时较长。

国内缺乏系统化、标准化、有权威、有资质的面向人脸识别系统的通用性能测试规范。

针对以上特点，我国人脸识别系统评测方法及技术标准研究工作可以重点从以下几方面开展：

面向二维、三维、视频监控等不同方式的人脸识系统异构测试需求和方法，探索性地开展综合的多维人脸图像测试标准研究。

针对现行大型人脸识别系统测试两大特点：数据开源的测试项目主要用于自主测试、研究优化。且各类数据保密的测试项目主要用于行业测试、行业分析且。结合未来大量人脸识别测试需求的公共测试、结果权威特点，研究适用于公共测试、测试数据保密、测试反馈反时的人脸识别系统测试理论体系。

借助前期研究基础和硬件实力，应用多维人脸识别系统测试方法开展小型化测试模型测试，优化、完善系统测试理论体系，形成标准体系。

                                   吴斯栋 高飞达/文

（作者单位：广州市标准化研究院）

参考文献：

[1] 刘俊芳.人脸识别系统评测方法研究[D].山东：中国石油大学,2008

[2] 洪新海.人脸识别中的尝试特征学习方法研究[D].中国科学技术大学,2017

[3] 张晓华.人脸识别系统评测方法及实践[D].北京：中国科学院研究生院（计算技术研究所）,2004

[4] 王鸿严，胡伟，袁国栋，黄杨昱.大规模亚洲人脸数据集的构建[J].信息技术,2018(01):155-158

[5] Syed A. Rizvi, P.Honathon Phillips, and Hyeonjoon Moon. The FERET Verification Testing Protocal for Face Recognition Algorithms. IEEE International Conference on Automatic Face & Gesture Recognition, 2002, 10(17):48.

[6] P.J.Phillips, H.Moon, etc. The FERET Evaluation Methodology for Face Recognition Algorithms. IEEE Trans. On Pattern Analysis and Machine Intelligence, vol.22, no.10, pp.1,090-1,104, 2000.

[7] 赵洋.美国国家标准技术研究所生物特征识别技术评测概览[J].中国安防,2014(13):91-95