人脸识别技术发明

『壹』 人脸识别哪年发明的

人脸识别最早是应用于安防领域。2001年，公安部门就开始利用人脸识别技术来防范和打击重大刑事犯罪，并且取得了国家的支持。2008年，在北京奥运会举办时，大量应用到了人脸识别技术，这一阶段标志着我国的人脸识别技术的应用进入规模化。2010年，上海世博会，该技术得到了更加广泛的应用，同时各大公司争相加入这一技术的阵营，实现了人脸识别在中国的大规模应用。随着技术的不断成熟发展，这两年人脸识别在国内的发展相信大家也有目共睹。刷脸吃饭、刷脸取款、刷脸登机、新生刷脸报道等等等等琳琅满目的应用相继落地，我们可以感受到，这一技术已经开始深入我们的日常生活了。

『贰』 人脸识别技术的新发展中围绕人脸识别技术说明了什么内容

科学解析何为人脸识别技术

所谓人脸识别技术，即基于人的脸部特征，对输入的人脸图象或者视频流进行判断，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。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别技术的研究开始于20世纪60年代末期。20世纪90年代后期以来，一些商业性的人脸识别系统逐渐进入市场，但是，这些技术和系统离实用化都有一定距离，性能和准确率有待提高。美国遭遇恐怖袭击后，这一技术引起广泛关注。作为最容易隐蔽使用的识别技术，人脸识别成为当今国际反恐和安全防范最重要的手段之一。

人脸识别技术及其应用的分类
人脸识别技术分为两大类：即以反恐安全、调查取证、刑事侦查为主的军用/警用人脸识别技术，和以公司管理，商业保密为主的商用人脸识别技术。第一类的应用更为复杂，且最人脸识别技术的要求非常高。第二类，主要集中在公司管理、商业保密等领域，相对而言，技术的难度要低很多。在识别过程中，计算机通过相关软件对视频里的图像进行人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等相关措施，从而甄别图像中的人。
而此技术主要采用了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。这一技术现在已被广泛的运用到了安检、刑侦、反恐、公司保密管理等诸多领域。
从实践中得出，相对于其他的生物识别技术，人脸识别技术无论从可靠性、准确性还是其他数据上都是佼佼者，因此，它才会成为各家首选。

人脸识别应用领域举例：

1.人脸识别技术在警用方面的应用
2004年11月，13起超市投毒案主犯栽在了人脸识别系统上。2004年11月12日至15日，北京市7家超市先后接到一名男子打来的匿名电话。案发当日，警方根据线索，模拟画出犯罪嫌疑人主要特征和行为轨迹。2004年11月16日当尹刚在西城区护仓胡同出现时，被电子眼发现，通过人脸识别系统比对确认嫌疑人后，被刑侦总队特警支队侦查员摁住。
2008年8月，人脸识别技术被用于北京奥运会安保，在开幕式上数万名观众由国家体育场鸟巢的100多个人脸识别系统快速身份验证关口入场。直至开幕式结束，现场秩序井然。人脸识别系统不仅准确稳定的锁定分析人脸特征，以找出可疑人员，且分析速度快，避免了以往大型会议时安检通道拥堵的情况发生。

2.人脸识别系统还在民用领域大显身手
这些年，拐卖儿童的趋势愈演愈烈，为了保护城市中儿童的安全。有些幼儿园，小学已经安装上了面部识别系统，用于保护孩子的安全。这些系统采用人脸识别加ic/id卡(非接触式智能卡)双重认证：每一位幼儿在入学注册时进行相关登记：资料、面像、ic/id卡号、接送者、接送者面像。每次入园时刷卡进行报道，放学时刷卡并进行接送家长人脸认证，如果认证失败拍照后即报警通知管理员，如果认证成功即拍照放行。不论识别成功与否，系统都会记录下被识别者图像。每一次接送都有详细的时间、接送人员的照片可供查询。另外系统提供短信提示的扩展功能，家长可在手机上看到人脸识别认证时所拍的照片，从而监控到接送这个过程!从其中一个重要源头杜绝了儿童被拐的可能性。

人脸识别：生物识别技术领域的发展趋势
人脸识别技术，是目前生物科技上在可行性，稳定性和准确性等专业技术指标中数值最高的技术。也是目前各行各业安全保卫中运用最广，效果最好的一种技术。在未来的几年内，它必将超越指纹识别等生物技术，成为生物识别技术领域的霸主。

来源：海鑫科金官网

你可以去他们网站搜搜信息。

『叁』 人脸识别机起源于哪个国家

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主

『肆』 人脸识别技术被滥用，你如何看待日益发展的人脸技术

任何一个新兴的事物发展都会遇到一定的阻力，也会有一些代价，人脸识别技术也是如此，尽管今天人脸识别技术已经成为ai科技的代表，但仍有很多用户表示对其不放心，6成以上的人不敢使用人脸识别支付。

毋庸置疑，人脸识别技术正在得到大力的推广，并且已经应用到了各个领域，比如商超购物付款，上班工作打卡，小区门禁刷脸等等，甚至在个别地区还有人脸识别的垃圾桶，这些领域都在使用人脸识别，而人脸识别有没有被滥用的可能性也成了人们的担忧。主要担心来自于2点。

基于上两点原因，我认为日益发展的人类技术还是有很大的空间有待提升的。

『伍』 我国科研人员发明了猴脸识别技术，发明这项技术的目的是什么

人脸识别技术已经推广使用了，同时给人类的生活带来了极大的方便，除了能够缩短身份识别所用的时间之外，还能够通过人脸识别的技术完成快速支付，也能够为案件的侦破提供一定的帮助。人脸识别技术的发明为人类带来不一样的生活体验，那你有没有听说过猴脸识别技术呢？这项技术的发明、推广又将会带来怎样的体验呢？

众所周知金丝猴是我国的一级保护动物，可见金丝猴的珍贵性，而这一项技术正是为了更好地保护金丝猴。这一项技术能够把一个金丝猴都识别出来，同时每一位金丝猴的详细的个体信息也会被记录，这些信息就包括了个体的活动方式、生活所需的一些条件、整个群体的不同的生活习惯等。这些宝贵的信息就恰恰为金丝猴的保护提供信息支持，能够针对每一位金丝猴的不同特点，制定更优的保护方案。而且技术研究团队的成员曾表示，当这一项技术已经成熟之后，还会将该技术应用到放置在野外的红外相机，这样既能够自动对金丝猴进行识别，还能够收集金丝猴每一个个体的动态信息。另外，人们对于金丝猴的了解仅仅是对此它们的外观和自己所见到的一些举动，但是有了这一项技术之后还可以了解到它们的群体地位、关系等。

『陆』 人脸识别技术是什么时候发明的、

人脸识别技术的研究始于20世纪60年代末期。
20世纪90年代后期，基于人脸识别技术的人脸识别技术系统开始逐渐进入市场。但当时这些人脸识别技术或系统距真正的实用化还有一段距离，其性能与准确率也还有待提高。
2001年9月11日美国遭遇“911”恐怖袭击后人脸识别技术才引起了广泛的关注。至此，作为非常容易隐蔽使用的人脸识别技术开始逐渐成为国际反恐、安全、防范等的重要手段，被广泛的应用。

『柒』 人脸识别的发展历史是怎样的

人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍：

第一阶段(1964年~1990年)

这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于1973年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。

第二阶段(1991年~1997年)

这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。

美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)方法一道成为人脸识别的性能测试基准算法。

这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。

贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于核学习的改进策略。

麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。

人脸识别中的另一种重要方法——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换[12]特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。

局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已商业化为著名的FaceIt系统，因此后期没有发表新的学术进展。

由美国国防部反毒品技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。

柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为2D形状和纹理两个分离的部分，分别用统计的方法进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。

总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。从技术方案上看， 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。

第三阶段(1998年~现在)

FERET’96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。

基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的3幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。

以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。

布兰兹(Blanz)和维特(Vetter)等提出的基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在3D形状和纹理统计变形模型(类似于2D时候的AAM)的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz的实验表明，该方法在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。

2001年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒15帧以上。该方法的主要贡献包括：1)用可以快速计算的简单矩形特征作为人脸图像特征;2)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习方法;3)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。

沙苏哈(Shashua)等于2001年提出了一种基于商图像[13]的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的方法解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。

FERET项目之后，涌现了若干人脸识别商业系统。美国国防部有关部门进一步组织了针对人脸识别商业系统的评测FRVT，至今已经举办了两次：FRVT2000和FRVT2002。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT2002测试就表明Cognitec, Identix和Eyematic三个商业产品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对37437人121,589 幅图像的人脸识别(Identification)最高首选识别率为73%，人脸验证(Verification)的等错误率(EER[14])大约为6%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT2002测试就表明：目前的人脸识别商业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。

总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting[15]的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更加深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模方法(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更加准确地逼近这些问题的正确答案。

『捌』 人脸识别的发展历程是什么

【人脸识别发展历史】

人脸识别系统的研究始于20世纪60年代，在90年后期，并且以美国、德国和日本的技术实现为主。在中国的发展起步于上世纪九十年代末，“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。

其核心技术的实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。

人脸识别与其他生物识别的对比

【脸识别技术特点】

第一：三维人脸识别技术是发展主流

二维人脸识别系统在人脸左右偏转达到40度识别率迅速下降到50%以下，从人脸识别技术发展过程来看，未来三维人脸识别是人脸识别主要技术手段。二维人脸识别只是人脸识别发展的过渡阶段。实验结果显示，而采用三维人脸识别后，识别率可以提高至少10-20个百分点。

第二：人脸识别技术具有非侵犯性

不同的生物识别技术在细分技术上各具优势，人脸识别是生物特征识别技术的一个重要方向，人脸识别技术是非接触和不需要主动接受的，具有非侵犯性。

此外，图像采集可以由安防中的摄像头完成，人们对这种技术的排斥心理最小，因此人脸识别技术是一种最友好的生物特征识别技术，不需要重新再布置新的采集设备。

希望本篇回答可以帮助到你~

望采纳~