我們每天用人臉識別技術(shù)解鎖手機、結(jié)賬付款，是那么的自然，但相信很少有同學深入思考這項技術(shù)背后是怎樣一個流程。

前面我們說，計算機視覺是人臉識別關(guān)系最緊密的技術(shù)。所以我們從這一點入手。

計算機視覺，通俗來說就是利用攝像頭等設備代替人眼，來獲取圖像，利用計算機對圖像信息進行處理，綜合人類的認知模式來建立人類視覺的計算理論。

這其中，最難的無疑是如何處理圖像信息、如何模擬人類的認知模式。

為了解決這些問題，計算機視覺還引入了圖像處理、模式識別、圖像理解、圖像生成等學科的知識。

圖像處理就是把原始圖像轉(zhuǎn)換成計算機更容易識別的圖像；模式識別，就是計算機判斷自己要識別的是什么和怎么識別的過程；圖像理解，就是對圖像中描述的景物進行分析；圖像生成，舉例來說就是當圖像的部分信息缺失時，能夠?qū)⑷笔У男畔⒀a上……

這些都是計算機視覺需要借助的學科技術(shù)。這里面我們要著重講的是模式識別，它是一個獨立的理論體系，具體到計算機視覺領(lǐng)域的應用，它表示將計算機表示出來的圖像和一致的類別進行匹配的過程。

有點懂是吧。在這里為大家通俗解釋一下，所謂“識別”，就是先認識，然后辨別。認識什么？認識的是圖像和從圖像中總結(jié)的目標物體的特征。怎么辨別？就是將總結(jié)出來的特征和自己已經(jīng)掌握的特征庫進行比對，然后才能實現(xiàn)辨別。

我們?nèi)祟愖R別一樣物體也是遵循這個邏輯，先總結(jié)特征，然后比對。至于前面的“模式”，就有點抽象了，你可以理解為一種規(guī)律，它影響著特征和類型比對的結(jié)果。

沒錯，人臉識別本質(zhì)上也是這個過程。

所以，我們沿著模式識別的思路，來看看它的整體過程：分別為預處理、特征提取和分類等。我們畫出如下流程圖：

預處理是第一步，但是這部分工作可能很多很雜，例如減少圖像中的噪聲干擾、提高清晰度、還有包括圖像濾波、變換、轉(zhuǎn)碼、模數(shù)轉(zhuǎn)化等。

特征提取，就是在預處理后的圖像中，提取對識別有明顯作用的特征，并在這個過程中降低模式特征的維數(shù)，令其便于處理。這是一個復雜的過程，后面我們講到具體方法時候會有體現(xiàn)；

分類，就是對提取到的特征值按照一定的準則進行分類，便于決策。

舉個例子，計算機要識別出這張照片中的男人，當它拿到照片時，可能覺得畫面太暗，先提個亮度，然后又發(fā)現(xiàn)噪點太多，再做個降噪……一頓操作后感覺可以了，再將照片轉(zhuǎn)化為數(shù)字信息，這個過程是預處理。

提取出來的特征值會進入單獨的特征空間，因為這樣可以更好地識別和做分類。接下來，就要對特征空間里的數(shù)據(jù)進行分類了，讓它們眼睛歸眼睛，鼻子歸鼻子，頭發(fā)歸頭發(fā)……基于這些分類好的數(shù)據(jù)，計算機才可以進行識別判斷和決策。

當然，為了方便大家理解這個邏輯過程，小編在這里只是舉例粗略地說明，可能不準確，實際的步驟也是相當復雜的，還要考慮各種干擾的因素，例如圖像的質(zhì)量不清晰、背景復雜、圖像光照分布不均勻、目標姿勢角度出現(xiàn)扭曲或者佩戴了頭飾、眼鏡以及張了胡須、化了妝等等各種情況。

還有要說明的一點是，這個模式識別的系統(tǒng)是需要一個自我訓練、學習的過程的，其中最重要的是對前面分類錯誤率的訓練（分類器訓練），因為在前面的分類中，我們無法保證分類的結(jié)果是100%正確的，但必須控制在一定的錯誤率之類，這必須通過大量的訓練樣本來不斷修正，令錯誤率符合要求。

好了，基于以上對計算機視覺模式識別的討論，我們就可以給出人臉識別系統(tǒng)的主要功能模塊了：

可能有小伙伴覺得上面這個舉出功能模塊太簡單了，所以我們再精確一些，給出下面的邏輯架構(gòu)圖，相信不難理解：