國(guó)際權(quán)威市場(chǎng)洞察報(bào)告Gen Market Insights近日發(fā)布《全球人臉識(shí)別設(shè)備市場(chǎng)研究報(bào)告》稱(chēng),中國(guó)2017年人臉識(shí)別產(chǎn)值占全世界29.29%市場(chǎng)份額,2023年將達(dá)到44.59%。報(bào)告還提到中國(guó)人工智能公司云從科技在2017年占有12.88%市場(chǎng)份額(占世界比例)。

人臉識(shí)別是AI技術(shù)發(fā)展較快、應(yīng)用較多的一個(gè)領(lǐng)域,目前國(guó)內(nèi)人臉識(shí)別應(yīng)用已相當(dāng)廣泛,并積累了不少實(shí)戰(zhàn)經(jīng)驗(yàn)。

本文內(nèi)容涵蓋人臉識(shí)別發(fā)展歷程、市場(chǎng)研究、核心技術(shù)、商業(yè)應(yīng)用以及產(chǎn)業(yè)落地、個(gè)人看法等干貨研究。注意,本文干貨滿(mǎn)滿(mǎn),約有2萬(wàn)7千字,強(qiáng)烈建議大家先收藏后學(xué)習(xí)!

01 發(fā)展史

1. 人臉識(shí)別的理解

人臉識(shí)別(Face Recognition)是一種依據(jù)人的面部特征(如統(tǒng)計(jì)或幾何特征等),自動(dòng)進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù),又稱(chēng)為面像識(shí)別、人像識(shí)別、相貌識(shí)別、面孔識(shí)別、面部識(shí)別等。通常我們所說(shuō)的人臉識(shí)別是基于光學(xué)人臉圖像的身份識(shí)別與驗(yàn)證的簡(jiǎn)稱(chēng)。

人臉識(shí)別利用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流,并自動(dòng)在圖像中檢測(cè)和跟蹤人臉,進(jìn)而對(duì)檢測(cè)到的人臉圖像進(jìn)行一系列的相關(guān)應(yīng)用操作。技術(shù)上包括圖像采集、特征定位、身份的確認(rèn)和查找等等。簡(jiǎn)單來(lái)說(shuō),就是從照片中提取人臉中的特征,比如眉毛高度、嘴角等等,再通過(guò)特征的對(duì)比輸出結(jié)果。

2. 人臉識(shí)別的發(fā)展簡(jiǎn)史

第一階段(1950s—1980s)初級(jí)階段

人臉識(shí)別被當(dāng)作一個(gè)一般性的模式識(shí)別問(wèn)題,主流技術(shù)基于人臉的幾何結(jié)構(gòu)特征。這集中體現(xiàn)在人們對(duì)于剪影(Profile)的研究上,人們對(duì)面部剪影曲線(xiàn)的結(jié)構(gòu)特征提取與分析方面進(jìn)行了大量研究。人工神經(jīng)網(wǎng)絡(luò)也一度曾經(jīng)被研究人員用于人臉識(shí)別問(wèn)題中。較早從事 AFR 研究的研究人員除了布萊索(Bledsoe)外還有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等?？傮w而言,這一階段是人臉識(shí)別研究的初級(jí)階段,非常重要的成果不是很多,也基本沒(méi)有獲得實(shí)際應(yīng)用。

第二階段(1990s)高潮階段

這一階段盡管時(shí)間相對(duì)短暫,但人臉識(shí)別卻發(fā)展迅速,不但出現(xiàn)了很多經(jīng)典的方法,例如Eigen Face, Fisher Face和彈性圖匹配;并出現(xiàn)了若干商業(yè)化運(yùn)作的人臉識(shí)別系統(tǒng),比如最為著名的 Visionics(現(xiàn)為 Identix)的 FaceIt 系統(tǒng)。 從技術(shù)方案上看, 2D人臉圖像線(xiàn)性子空間判別分析、統(tǒng)計(jì)表觀模型、統(tǒng)計(jì)模式識(shí)別方法是這一階段內(nèi)的主流技術(shù)。

第三階段(1990s末~現(xiàn)在)

人臉識(shí)別的研究不斷深入,研究者開(kāi)始關(guān)注面向真實(shí)條件的人臉識(shí)別問(wèn)題,主要包括以下四個(gè)方面的研究:1)提出不同的人臉空間模型,包括以線(xiàn)性判別分析為代表的線(xiàn)性建模方法,以Kernel方法為代表的非線(xiàn)性建模方法和基于3D信息的3D人臉識(shí)別方法。2)深入分析和研究影響人臉識(shí)別的因素,包括光照不變?nèi)四樧R(shí)別、姿態(tài)不變?nèi)四樧R(shí)別和表情不變?nèi)四樧R(shí)別等。3)利用新的特征表示,包括局部描述子(Gabor Face, LBP Face等)和深度學(xué)習(xí)方法。4)利用新的數(shù)據(jù)源,例如基于視頻的人臉識(shí)別和基于素描、近紅外圖像的人臉識(shí)別。

02 市場(chǎng)研究

1. 全球人臉識(shí)別市場(chǎng)

前瞻根據(jù)人臉識(shí)別行業(yè)發(fā)展現(xiàn)狀;到2016年,全球生物識(shí)別市場(chǎng)規(guī)模在127.13億美元左右,其中人臉識(shí)別規(guī)模約26.53億美元,占比在20%左右。預(yù)計(jì)到2021年,全球人臉識(shí)別市場(chǎng)預(yù)計(jì)將達(dá)到63.7億美元,按預(yù)計(jì)期間的復(fù)合增長(zhǎng)率達(dá)17.83%。

2. 中國(guó)人臉識(shí)別市場(chǎng)

前瞻根據(jù)人臉識(shí)別行業(yè)發(fā)展現(xiàn)狀,估算我國(guó)人臉識(shí)別市場(chǎng)規(guī)模約占全球市場(chǎng)的10%左右。2010-2016年,我國(guó)人臉識(shí)別市場(chǎng)規(guī)模逐年增長(zhǎng),年均復(fù)合增長(zhǎng)率達(dá)27%。2016年,我國(guó)人臉識(shí)別行業(yè)市場(chǎng)規(guī)模約為17.25億元,同比增長(zhǎng)27.97%,增速較上年上升4.64個(gè)百分點(diǎn)。

3. 國(guó)內(nèi)主要玩家分布

3.1 中國(guó)部分人臉識(shí)別公司(排名不分先后)

3.2 四大獨(dú)角獸介紹及對(duì)比細(xì)分領(lǐng)域

(1)曠視科技:

2014年,獲阿里巴巴旗下螞蟻金服投資,主攻金融和監(jiān)控兩大行業(yè),有子公司曠視智安;團(tuán)隊(duì)成員除了幾名來(lái)自清華校友外,還有來(lái)自美國(guó)哥倫比亞大學(xué)、英國(guó)牛津大學(xué)和美國(guó)南加州大學(xué)的科研及開(kāi)發(fā)人員,截至目前員工僅有100余人。

在金融、安防、零售領(lǐng)域分別開(kāi)始了商業(yè)化探索成功發(fā)育出Face++Financial,Face++Security,Face++BI等垂直人臉驗(yàn)證解決方案,主要將人臉識(shí)別應(yīng)用在互聯(lián)網(wǎng)產(chǎn)品上,自己做研發(fā),在美圖秀秀、淘寶等互聯(lián)網(wǎng)領(lǐng)域得到良好的應(yīng)用,在金融領(lǐng)域的市場(chǎng)一直占據(jù)沙發(fā)前排陣營(yíng);2016年獲得上億元C輪融資,最后選擇通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)與NLP技術(shù)的結(jié)合,制造出能“識(shí)別萬(wàn)物”的智能機(jī)器人,提供硬件模組,里面內(nèi)置他們家的算法。目前正在準(zhǔn)備啟動(dòng)IPO的步伐,VIE架構(gòu)讓他們得以繞過(guò)A股,不用達(dá)到連續(xù)三年盈利的標(biāo)準(zhǔn)實(shí)現(xiàn)快速上市。

(2)商湯科技:

SenseTime(商湯科技),獲IDG資本投資,主攻金融、移動(dòng)互聯(lián)網(wǎng)、安防監(jiān)控三大行業(yè);由香港中文大學(xué)的湯曉歐創(chuàng)建,“商湯”中的湯指的就是湯曉歐本人,湯曉鷗及其研究團(tuán)隊(duì)所開(kāi)發(fā)的DeepID算法率先將深度學(xué)習(xí)應(yīng)用到人臉識(shí)別上,在技術(shù)指標(biāo)上實(shí)現(xiàn)了新的突破。主要案例是圍繞各個(gè)美化軟件與直播平臺(tái)制作人臉貼圖,重點(diǎn)強(qiáng)化了人臉識(shí)別的關(guān)鍵點(diǎn)檢測(cè)及跟蹤技術(shù)。

團(tuán)隊(duì)有300多號(hào),也從當(dāng)初toC轉(zhuǎn)向toB領(lǐng)域;成立于2014年的商湯科技選擇另辟蹊徑,選擇用“四大美女”這個(gè)話(huà)題讓人們?cè)陝?dòng)起來(lái),到最后四大美女走了三個(gè);商湯的網(wǎng)絡(luò)都是自己設(shè)計(jì)的,這樣對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)的掌控力就會(huì)更強(qiáng),提供SaaS服務(wù)的同時(shí),可以通過(guò)SaaS把背后的數(shù)據(jù)拿到,再進(jìn)行更多更細(xì)致的分析再次提升服務(wù)質(zhì)量。

(3)云從科技:

2015年4月,周曦拿到戰(zhàn)略投資成立云從科技,同年針對(duì)金融和銀行業(yè)推出了40多種解決方案,包含從算法、產(chǎn)品、銷(xiāo)售、售后的全產(chǎn)業(yè)鏈打造,針對(duì)農(nóng)行、建行、交行、中行及多地公安提供定制化服務(wù)。團(tuán)隊(duì)成員除了來(lái)自中科大的校友外,還來(lái)自中國(guó)科學(xué)院各大研究所、UIUC、IBM、NEC、MicroSoft等全球頂尖學(xué)府及研究機(jī)構(gòu)。

截止2016年11月,成立一年半,研發(fā)團(tuán)隊(duì)擴(kuò)展為200余名,核心產(chǎn)品是人臉識(shí)別系統(tǒng)及IBIS集成生物識(shí)別平臺(tái),還具備3D模型、紅外活體、靜默活體等技術(shù),可根據(jù)場(chǎng)景需求自由調(diào)節(jié)。選擇連接硬件、開(kāi)發(fā)與技術(shù),屬于全產(chǎn)業(yè)鏈模式,因?yàn)槿四樧R(shí)別系統(tǒng)多數(shù)情況下需要深度定制,只有這樣,才能在客戶(hù)提出需求的情況下迅速反饋,修改,統(tǒng)一用戶(hù)體驗(yàn)。

(4)依圖科技:

2012 年九月,朱瓏與他的好友林晨曦在創(chuàng)立依圖科技,這家從事人工智能創(chuàng)新性研究的創(chuàng)企從圖像識(shí)別入手,首先與全國(guó)省市級(jí)公安系統(tǒng)合作,對(duì)車(chē)輛品牌、型號(hào)等進(jìn)行精準(zhǔn)識(shí)別,隨后擴(kuò)展到人像識(shí)別,通過(guò)靜態(tài)人像比對(duì)技術(shù)和動(dòng)態(tài)人像比對(duì)技術(shù),協(xié)助公安系統(tǒng)進(jìn)行人員身份核查、追逃、監(jiān)控、關(guān)系挖掘等。

發(fā)展近6年,依圖科技的產(chǎn)品已經(jīng)應(yīng)用到全國(guó)二十多個(gè)省市地區(qū)的安防領(lǐng)域,安防領(lǐng)域之外,依圖也進(jìn)入智慧城市領(lǐng)域和健康醫(yī)療領(lǐng)域,它要協(xié)助政府構(gòu)建"城市大腦",也希望將醫(yī)療領(lǐng)域的巨大知識(shí)鴻溝縮小,改善醫(yī)患體驗(yàn)。

(5)細(xì)分領(lǐng)域?qū)Ρ缺?

(6)主要客戶(hù)對(duì)比

4. 商業(yè)模式

4.1 人臉識(shí)別商業(yè)模式設(shè)計(jì)步驟

4.2 人臉識(shí)別盈利模式

03 人臉識(shí)別的流程及主要技術(shù)

1. 人臉識(shí)別系統(tǒng)組成

2. 人臉識(shí)別的一般流程

2.1 人臉采集

(1)簡(jiǎn)介

不同的人臉圖像通過(guò)攝像鏡頭采集得到,比如靜態(tài)圖像、動(dòng)態(tài)圖像、不同的位置、不同表情等,當(dāng)采集對(duì)象在設(shè)備的拍攝范圍內(nèi)時(shí),采集設(shè)備會(huì)自動(dòng)搜索并拍攝人臉圖像。

(2)人臉采集的主要影響因素

圖像大小:人臉圖像過(guò)小會(huì)影響識(shí)別效果,人臉圖像過(guò)大會(huì)影響識(shí)別速度。非專(zhuān)業(yè)人臉識(shí)別攝像頭常見(jiàn)規(guī)定的最小識(shí)別人臉像素為60*60或100*100以上。在規(guī)定的圖像大小內(nèi),算法更容易提升準(zhǔn)確率和召回率。圖像大小反映在實(shí)際應(yīng)用場(chǎng)景就是人臉離攝像頭的距離。

圖像分辨率:越低的圖像分辨率越難識(shí)別。圖像大小綜合圖像分辨率,直接影響攝像頭識(shí)別距離?，F(xiàn)4K攝像頭看清人臉的最遠(yuǎn)距離是10米,7K攝像頭是20米。

光照環(huán)境:過(guò)曝或過(guò)暗的光照環(huán)境都會(huì)影響人臉識(shí)別效果?？梢詮臄z像頭自帶的功能補(bǔ)光或?yàn)V光平衡光照影響,也可以利用算法模型優(yōu)化圖像光線(xiàn)。

模糊程度:實(shí)際場(chǎng)景主要著力解決運(yùn)動(dòng)模糊,人臉相對(duì)于攝像頭的移動(dòng)經(jīng)常會(huì)產(chǎn)生運(yùn)動(dòng)模糊。部分?jǐn)z像頭有抗模糊的功能,而在成本有限的情況下,考慮通過(guò)算法模型優(yōu)化此問(wèn)題。

遮擋程度:五官無(wú)遮擋、臉部邊緣清晰的圖像為最佳。而在實(shí)際場(chǎng)景中,很多人臉都會(huì)被帽子、眼鏡、口罩等遮擋物遮擋,這部分?jǐn)?shù)據(jù)需要根據(jù)算法要求決定是否留用訓(xùn)練。

采集角度:人臉相對(duì)于攝像頭角度為正臉最佳。但實(shí)際場(chǎng)景中往往很難抓拍正臉。因此算法模型需訓(xùn)練包含左右側(cè)人臉、上下側(cè)人臉的數(shù)據(jù)。工業(yè)施工上攝像頭安置的角度,需滿(mǎn)足人臉與攝像頭構(gòu)成的角度在算法識(shí)別范圍內(nèi)的要求。

2.2 人臉檢測(cè)

(1)簡(jiǎn)介

在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小,并把其中有用的信息挑出來(lái)(如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及Haar特征等),然后利用信息來(lái)達(dá)到人臉檢測(cè)的目的。

(2)人臉關(guān)鍵點(diǎn)檢測(cè)(人臉對(duì)齊)

自動(dòng)估計(jì)人臉圖片上臉部特征點(diǎn)的坐標(biāo)。

(3)主流方法

基于檢測(cè)出的特征采用Adaboost學(xué)習(xí)算法(一種用來(lái)分類(lèi)的方法,它把一些比較弱的分類(lèi)方法合在一起,組合出新的很強(qiáng)的分類(lèi)方法)挑選出一些最能代表人臉的矩形特征(弱分類(lèi)器),按照加權(quán)投票的方式將弱分類(lèi)器構(gòu)造為一個(gè)強(qiáng)分類(lèi)器,再將訓(xùn)練得到的若干強(qiáng)分類(lèi)器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類(lèi)器,有效地提高分類(lèi)器的檢測(cè)速度。

最近人臉檢測(cè)算法模型的流派包括三類(lèi)及其之間的組合:viola-jones框架(性能一般速度尚可,適合移動(dòng)端、嵌入式上使用),dpm(速度較慢),cnn(性能不錯(cuò))。

2.3 人臉圖像預(yù)處理

(1)簡(jiǎn)介

基于人臉檢測(cè)結(jié)果,對(duì)圖像進(jìn)行處理并最終服務(wù)于特征提取的過(guò)程。

(2)原因

系統(tǒng)獲取的原始圖像由于受到各種條件的限制和隨機(jī)干擾,往往不能直接使用,必須在圖像處理的早期階段對(duì)它進(jìn)行灰度矯正、噪聲過(guò)濾等圖像預(yù)處理。

(3)主要預(yù)處理過(guò)程

人臉對(duì)準(zhǔn)(得到人臉位置端正的圖像),人臉圖像的光線(xiàn)補(bǔ)償,灰度變換、直方圖均衡化、歸一化(取得尺寸一致,灰度取值范圍相同的標(biāo)準(zhǔn)化人臉圖像),幾何校正、中值濾波(圖片的平滑操作以消除噪聲)以及銳化等。

2.4 人臉特征提取

(1)簡(jiǎn)介

人臉識(shí)別系統(tǒng)可使用的特征通常分為視覺(jué)特征、像素統(tǒng)計(jì)特征、人臉圖像變換系數(shù)特征、人臉圖像代數(shù)特征等。人臉特征提取就是針對(duì)人臉的某些特征進(jìn)行的,也稱(chēng)人臉表征,它是對(duì)人臉進(jìn)行特征建模的過(guò)程

(2)人臉特征提取的方法

基于知識(shí)的表征方法(主要包括基于幾何特征法和模板匹配法):根據(jù)人臉器官的形狀描述以及它們之間的距離特性來(lái)獲得有助于人臉?lè)诸?lèi)的特征數(shù)據(jù),其特征分量通常包括特征點(diǎn)間的歐氏距離、曲率、和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構(gòu)成,對(duì)這些局部和他們之間結(jié)構(gòu)關(guān)系的幾何描述,可作為識(shí)別人臉的重要特征,這些特征被稱(chēng)為幾何特征。

基于代數(shù)特征或統(tǒng)計(jì)學(xué)習(xí)的表征方法:基于代數(shù)特征方法的基本思想是將人臉在空域內(nèi)的高維描述轉(zhuǎn)化為頻域或者其他空間內(nèi)的低維描述,其表征方法為線(xiàn)性投影表征方法和非線(xiàn)性投影表征方法?；诰€(xiàn)性投影的方法主要有主成分分析法或稱(chēng)K-L變化、獨(dú)立成分分析法和Fisher線(xiàn)性判別分析法。非線(xiàn)性特征提取方法有兩個(gè)重要的分支:基于核的特征提取技術(shù)和以流形學(xué)習(xí)為主導(dǎo)的特征提取技術(shù)。

2.5 匹配與識(shí)別

提取的人臉特征值數(shù)據(jù)與數(shù)據(jù)庫(kù)中存貯的特征模板進(jìn)行搜索匹配,通過(guò)設(shè)定一個(gè)閾值,將相似度與這一閾值進(jìn)行比較,來(lái)對(duì)人臉的身份信息進(jìn)行判斷。

3. 人臉識(shí)別的主要方法

3.1 Eigen Face(特征臉)

MIT實(shí)驗(yàn)室的特克(Turk)和潘特(Pentland)提出的“特征臉”方法無(wú)疑是這一時(shí)期內(nèi)最負(fù)盛名的人臉識(shí)別方法。其后的很多人臉識(shí)別技術(shù)都或多或少與特征臉有關(guān)系,現(xiàn)在特征臉已經(jīng)與歸一化的協(xié)相關(guān)量(Normalized Correlation)方法一道成為人臉識(shí)別的性能測(cè)試基準(zhǔn)算法。

人臉識(shí)別特征臉?biāo)惴ㄎ臋n:

https://blog.csdn.net/zizi7/article/details/52757300

3.2 Fisher Face(漁夫臉)

貝爾胡米爾(Belhumeur)等提出的 Fisherface 人臉識(shí)別方法是這一時(shí)期的另一重要成果。該方法首先采用主成分分析(PCA)對(duì)圖像表觀特征進(jìn)行降維。在此基礎(chǔ)上,采用線(xiàn)性判別分析(LDA)的方法變換降維后的主成分以期獲得“盡量大的類(lèi)間散度和盡量小的類(lèi)內(nèi)散度”。該方法目前仍然是主流的人臉識(shí)別方法之一,產(chǎn)生了很多不同的變種,比如零空間法、子空間判別模型、增強(qiáng)判別模型、直接的LDA 判別方法以及近期的一些基于核學(xué)習(xí)的改進(jìn)策略。

Fisher Face算法文檔:

https://blog.csdn.net/zizi7/article/details/52999432

3.3 EGM(彈性圖匹配)

其基本思想是用一個(gè)屬性圖來(lái)描述人臉:屬性圖的頂點(diǎn)代表面部關(guān)鍵特征點(diǎn),其屬性為相應(yīng)特征點(diǎn)處的多分辨率、多方向局部特征——Gabor變換12特征,稱(chēng)為Jet;邊的屬性則為不同特征點(diǎn)之間的幾何關(guān)系。對(duì)任意輸入人臉圖像,彈性圖匹配通過(guò)一種優(yōu)化搜索策略來(lái)定位預(yù)先定義的若干面部關(guān)鍵特征點(diǎn),同時(shí)提取它們的Jet特征,得到輸入圖像的屬性圖。最后通過(guò)計(jì)算其與已知人臉屬性圖的相似度來(lái)完成識(shí)別過(guò)程。該方法的優(yōu)點(diǎn)是既保留了面部的全局結(jié)構(gòu)特征,也對(duì)人臉的關(guān)鍵局部特征進(jìn)行了建模。

彈性圖匹配算法文檔:

https://blog.csdn.net/real_myth/article/details/44828219

3.4 基于幾何特征的方法

幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系(如相互之間的距離)。這些算法識(shí)別速度快,需要的內(nèi)存小,但識(shí)別率較低。

3.5 基于神經(jīng)網(wǎng)絡(luò)的方法

神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類(lèi)方法同樣需要較多的樣本進(jìn)行訓(xùn)練,而在許多應(yīng)用中,樣本數(shù)量是很有限的。

3.6 基于線(xiàn)段Hausdorff 距離(LHD) 的方法

心理學(xué)的研究表明,人類(lèi)在識(shí)別輪廓圖(比如漫畫(huà))的速度和準(zhǔn)確度上絲毫不比識(shí)別灰度圖差。LHD是基于從人臉灰度圖像中提取出來(lái)的線(xiàn)段圖的,它定義的是兩個(gè)線(xiàn)段集之間的距離,與眾不同的是,LHD并不建立不同線(xiàn)段集之間線(xiàn)段的一一對(duì)應(yīng)關(guān)系,因此它更能適應(yīng)線(xiàn)段圖之間的微小變化。實(shí)驗(yàn)結(jié)果表明,LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn),但是它在大表情的情況下識(shí)別效果不好。

3.7 基于支持向量機(jī)(SVM) 的方法

近年來(lái),支持向量機(jī)是統(tǒng)計(jì)模式識(shí)別領(lǐng)域的一個(gè)新的熱點(diǎn),它試圖使得學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力上達(dá)到一種妥協(xié),從而提高學(xué)習(xí)機(jī)的性能。支持向量機(jī)主要解決的是一個(gè)2分類(lèi)問(wèn)題,它的基本思想是試圖把一個(gè)低維的線(xiàn)性不可分的問(wèn)題轉(zhuǎn)化成一個(gè)高維的線(xiàn)性可分的問(wèn)題。通常的實(shí)驗(yàn)結(jié)果表明SVM有較好的識(shí)別率,但是它需要大量的訓(xùn)練樣本(每類(lèi)300個(gè)),這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。而且支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng),方法實(shí)現(xiàn)復(fù)雜,該函數(shù)的取法沒(méi)有統(tǒng)一的理論。

4. 技術(shù)發(fā)展方向

結(jié)合三維信息:二維和三維信息融合使特征更加魯棒

多特征融合:單一特征難以應(yīng)對(duì)復(fù)雜的光照和姿態(tài)變化

大規(guī)模人臉比對(duì):面向海量數(shù)據(jù)的人臉比對(duì)與搜索

深度學(xué)習(xí):在大數(shù)據(jù)條件下充分發(fā)揮深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力

5. 人臉識(shí)別數(shù)據(jù)庫(kù)

Yale人臉數(shù)據(jù)庫(kù)

ORL人臉數(shù)據(jù)庫(kù)

CMU PIE人臉數(shù)據(jù)庫(kù)

FERET人臉數(shù)據(jù)庫(kù)

MIT數(shù)據(jù)庫(kù)

BANCA人臉數(shù)據(jù)庫(kù)

CAS-PEAL人臉數(shù)據(jù)庫(kù)

JAFE表情數(shù)據(jù)庫(kù)

Cohn-Kanade表情數(shù)據(jù)庫(kù)

MMI表情數(shù)據(jù)庫(kù)

6. 技術(shù)指標(biāo)

6.1 人臉檢測(cè)中的關(guān)鍵指標(biāo)

例子:在攝像頭某張抓拍圖像中,一共有100張人臉,算法檢測(cè)出80張人臉,其中75張是真實(shí)人臉,5張是把路標(biāo)誤識(shí)為人臉。

檢測(cè)率:識(shí)別正確的人臉/圖中所有的人臉。檢測(cè)率越高,代表檢測(cè)模型效果越好。

誤檢率:識(shí)別錯(cuò)誤的人臉/識(shí)別出來(lái)的人臉。誤檢率越低,代表檢測(cè)模型效果越好。

漏檢率:未識(shí)別出來(lái)的人臉/圖中所有的人臉。漏檢率越低,代表檢測(cè)模型效果越好。

速度:從采集圖像完成到人臉檢測(cè)完成的時(shí)間。時(shí)間約短,檢測(cè)模型效果越好。

在這個(gè)實(shí)際案例中:檢測(cè)率=75/100誤檢率=5/80漏檢率=(100-75)/100

6.2 人臉識(shí)別中的關(guān)鍵指標(biāo)

1000張樣本圖片里,共600張正樣本。相似度為0.9的圖片一共100張,其中正樣本為99張。雖然0.9閾值的正確率很高,為99/100;但是0.9閾值正確輸出的數(shù)量確很少,只有99/600。這樣很容易發(fā)生漏識(shí)的情況。

檢測(cè)率:識(shí)別正確的人臉/圖中所有的人臉。檢測(cè)率越高,代表檢測(cè)模型效果越好。

誤檢率:識(shí)別錯(cuò)誤的人臉/識(shí)別出來(lái)的人臉。誤檢率越低,代表檢測(cè)模型效果越好。

漏檢率:未識(shí)別出來(lái)的人臉/圖中所有的人臉。漏檢率越低,代表檢測(cè)模型效果越好。

速度:從采集圖像完成到人臉檢測(cè)完成的時(shí)間。時(shí)間約短,檢測(cè)模型效果越好。

在這個(gè)實(shí)際案例中:檢測(cè)率=75/100 誤檢率=5/80 漏檢率=(100-75)/100

6.3 人臉識(shí)別中的關(guān)鍵指標(biāo)

1000張樣本圖片里,共600張正樣本。相似度為0.9的圖片一共100張,其中正樣本為99張。雖然0.9閾值的正確率很高,為99/100;但是0.9閾值正確輸出的數(shù)量確很少,只有99/600。這樣很容易發(fā)生漏識(shí)的情況。

精確率(precision):識(shí)別為正確的樣本數(shù)/識(shí)別出來(lái)的樣本數(shù)=99/100

召回率(recall):識(shí)別為正確的樣本數(shù)/所有樣本中正確的數(shù)=99/600

錯(cuò)誤接受率/認(rèn)假率/誤識(shí)率(FARFalse Accept Rate):

定義:指將身份不同的兩張照片,判別為相同身份,越低越好

FAR = NFA / NIRA

式中 NIRA 代表的是類(lèi)間測(cè)試次數(shù),既不同類(lèi)別間的測(cè)試次數(shù),打比方如果有1000個(gè)識(shí)別 模型,有1000個(gè)人要識(shí)別,而且每人只提供一個(gè)待識(shí)別的素材,那 NIRA=1000*(1000-1) 。NFA是錯(cuò)誤接受次數(shù)。

FAR決定了系統(tǒng)的安全性,FRR決定了系統(tǒng)的易用程度,在實(shí)際中,FAR對(duì)應(yīng)的風(fēng)險(xiǎn)遠(yuǎn)遠(yuǎn)高于FRR,因此,生物識(shí)別系統(tǒng)中,會(huì)將FAR設(shè)置為一個(gè)非常低的范圍,如萬(wàn)分之一甚至百萬(wàn)分之一,在FAR固定的條件下,FRR低于5%,這樣的系統(tǒng)才有實(shí)用價(jià)值。

錯(cuò)誤拒絕率/拒真率/拒識(shí)率(FRR False Reject Rate):

定義:指將身份相同的兩張照片,判別為不同身份,越低越好

FRR = NFR / NGRA

上式中NFR是類(lèi)內(nèi)測(cè)試次數(shù),既同類(lèi)別內(nèi)的測(cè)試次數(shù),打比方如果有1000個(gè)識(shí)別模型, 有1000個(gè)人要識(shí)別, 而且每人只提供一個(gè)待識(shí)別的素 材,那 NIRA=1000,如果每個(gè)人提供N張圖片,那么 NIRA=N*1000 。NFR是錯(cuò)誤拒絕次數(shù)。

04 行業(yè)應(yīng)用

1. 人臉識(shí)別(FR)+其他行業(yè)

1.1 FR+金融

(1)實(shí)名認(rèn)證

金融機(jī)構(gòu)傳統(tǒng)上使用人工肉眼判斷、短信驗(yàn)證、綁定銀行卡等手段進(jìn)行實(shí)名認(rèn)證。這些傳統(tǒng)手段存在準(zhǔn)確率不高、客戶(hù)體驗(yàn)較差、成本高等問(wèn)題,對(duì)金融企業(yè)業(yè)務(wù)發(fā)展造成了巨大的困擾?；谌四樧R(shí)別的實(shí)名認(rèn)證方式具有準(zhǔn)確率高(一億人中才存在兩人長(zhǎng)相相同)、客戶(hù)體驗(yàn)好(認(rèn)證速度快、客戶(hù)操作少)、成本低(相較于傳統(tǒng)認(rèn)證方式)的優(yōu)點(diǎn),已被眾多領(lǐng)先金融企業(yè)所采用。

(2)人臉識(shí)別在銀行遠(yuǎn)程開(kāi)戶(hù)上的應(yīng)用

在遠(yuǎn)程開(kāi)戶(hù)時(shí),金融機(jī)構(gòu)可以通過(guò)智能終端在線(xiàn)上進(jìn)行身份鑒權(quán)驗(yàn)證,使用人臉識(shí)別技術(shù)開(kāi)戶(hù)可以極大提升業(yè)務(wù)辦理的安全性、時(shí)效性,并節(jié)省大量人力。

(3)刷臉取款

在這方面人臉取代了銀行卡,只需要人臉+密碼即可完成取款。在前兩個(gè)方面,人臉識(shí)別技術(shù)已經(jīng)被國(guó)內(nèi)各大銀行廣泛采用,刷臉取款方面,農(nóng)行和招行搶先一步在ATM上線(xiàn)了刷臉取款功能。

1.2 FR+醫(yī)療

(1)重點(diǎn)應(yīng)用

打擊涉醫(yī)犯罪,確保就診安全。建立有針對(duì)性的涉醫(yī)犯罪人員布控庫(kù),與屬地公安部門(mén)配合,進(jìn)行實(shí)時(shí)布控。

管控職務(wù)犯罪,控制不當(dāng)競(jìng)爭(zhēng)。對(duì)進(jìn)入醫(yī)院診療區(qū)域的醫(yī)藥代表進(jìn)行管控,協(xié)助解決藥品流通領(lǐng)域經(jīng)營(yíng)不規(guī)范、競(jìng)爭(zhēng)失序等問(wèn)題。

杜絕職業(yè)醫(yī)鬧,保護(hù)人身安全。打擊頻繁出現(xiàn)的職業(yè)醫(yī)鬧,提高事件的響應(yīng)速度,從被動(dòng)響應(yīng)變?yōu)橹鲃?dòng)預(yù)防。

規(guī)范就診流程,和諧醫(yī)患關(guān)系。重點(diǎn)防范黃牛、醫(yī)托等干擾正常就診秩序的特殊人群。

加強(qiáng)監(jiān)管力度,維護(hù)醫(yī)?；稹?shí)現(xiàn)就診病人與醫(yī)保信息庫(kù)中身份證照的比對(duì),杜絕冒用醫(yī)?？ǖ默F(xiàn)象。

易肇事肇禍嚴(yán)重精神障礙患者管控。結(jié)合“雪亮工程”,確保嚴(yán)重精神障礙患者流入地、流出地發(fā)現(xiàn)管控到位。

(2)人臉識(shí)別在醫(yī)療行業(yè)的應(yīng)用突破基于三點(diǎn)

獲取到目標(biāo)對(duì)象的信息:因?yàn)樾姓w系不同,醫(yī)療行業(yè)想獲取到目標(biāo)對(duì)象信息存在較大困難,需相關(guān)行政單位進(jìn)行關(guān)鍵的協(xié)調(diào)工作。目標(biāo)對(duì)象信息包含但不局限于:人臉照片、人像照片、人員基本信息、人員動(dòng)態(tài)等。

人臉識(shí)別的算法進(jìn)一步提升:目前的人臉識(shí)別算法的精度已經(jīng)達(dá)到了相當(dāng)高的水準(zhǔn),誤報(bào)、漏報(bào)均已控制在可接受范圍;更近一步的算法,可以從非結(jié)構(gòu)化的視頻/圖片中獲取更多的價(jià)值信息,從更多地維度來(lái)實(shí)現(xiàn)不同的應(yīng)用。

管理者思維和水平的提升:人工智能、人臉識(shí)別是革命性顛覆性的技術(shù),可以給醫(yī)療行業(yè)帶來(lái)巨大的提升。如何將人臉識(shí)別真正應(yīng)用到醫(yī)療行業(yè)的各方各面需要管理者與技術(shù)提供方一起拓展思維、共同努力。

(3)人臉識(shí)別在醫(yī)療行業(yè)的前景

對(duì)接公安視頻監(jiān)控、醫(yī)警聯(lián)動(dòng)平臺(tái):系統(tǒng)滿(mǎn)足公安現(xiàn)有標(biāo)準(zhǔn)要求,后續(xù)可與公安機(jī)關(guān)視頻監(jiān)控、醫(yī)警聯(lián)動(dòng)等平臺(tái)進(jìn)行無(wú)縫對(duì)接,將報(bào)警信息及關(guān)聯(lián)的視頻、圖片推送給轄區(qū)派出所,實(shí)現(xiàn)聯(lián)動(dòng)。

人臉身份查證:輸入目標(biāo)人員照片,即可知道此人身份及其是否屬于重點(diǎn)管控人員,是否曾經(jīng)來(lái)過(guò)醫(yī)院,及其出現(xiàn)時(shí)間、頻次?？捎糜诤Y查可疑人員,找到其活動(dòng)規(guī)律。

人員軌跡回放:輸入目標(biāo)人員照片,即可查詢(xún)此人是否來(lái)過(guò)醫(yī)院,到過(guò)哪些地方。此功能可還原特定人員的行動(dòng)軌跡,用于嫌疑人行為研判和事后取證。

對(duì)接門(mén)禁系統(tǒng):與門(mén)禁系統(tǒng)對(duì)接,預(yù)留刷臉開(kāi)門(mén)、人臉考勤等高級(jí)功能,方便辦公區(qū)、手術(shù)室、藥品庫(kù)、住院部等區(qū)域的出入管理。

對(duì)接刷卡系統(tǒng):與二代證、醫(yī)保卡等刷卡系統(tǒng)對(duì)接,將采集的人臉照片與證件上存儲(chǔ)的照片進(jìn)行比對(duì),驗(yàn)證刷卡人的真實(shí)身份。

1.3 FR+新零售

(1)應(yīng)用人臉識(shí)別的優(yōu)勢(shì)

為重點(diǎn)客戶(hù)畫(huà)像:幫助賣(mài)家獲得顧客和潛在顧客更精準(zhǔn)的信息,構(gòu)建用戶(hù)畫(huà)像?？梢园惭b在超市、商場(chǎng)、門(mén)店等入口,統(tǒng)計(jì)每天進(jìn)入門(mén)店的人數(shù)、大致年齡和性別等;另一種可以安裝在貨架上,分析客戶(hù)的關(guān)注點(diǎn)和消費(fèi)習(xí)慣等。通過(guò)大數(shù)據(jù)分析挖掘回頭客,提升客戶(hù)提袋率和VIP轉(zhuǎn)化率;

為零售商降本增益:以智能化系統(tǒng)來(lái)代替人工,以人臉識(shí)別系統(tǒng)連接支付端來(lái)代替收銀員,能跟快實(shí)現(xiàn)零售店的導(dǎo)流和商品人流分析等。

減少突發(fā)事件的產(chǎn)生:門(mén)店遇到商品失竊的突發(fā)事件,通過(guò)對(duì)所獲數(shù)據(jù)的分析,也可以將不良客戶(hù)拉入“黑名單”或是降低其信用水平。

完美連接線(xiàn)上線(xiàn)下:識(shí)別系統(tǒng)獲得的用戶(hù)偏好還能反哺線(xiàn)上,將所得數(shù)據(jù)通過(guò)線(xiàn)上反饋給廠商,助力于廠商更全面地了解消費(fèi)者需求,進(jìn)而精準(zhǔn)地研發(fā)產(chǎn)品,設(shè)計(jì)營(yíng)銷(xiāo)策略。這些都是完美實(shí)現(xiàn)新零售“打通線(xiàn)上線(xiàn)下”內(nèi)在要求的極佳方式。

(2)人臉識(shí)別的安全隱患

人臉特征容易被復(fù)制:眾所周知,破解密碼的最常用手段是復(fù)制,通過(guò)竊取數(shù)字密碼以及套取指紋來(lái)解密的案例己經(jīng)不勝枚舉。與記錄在大腦中或其他介質(zhì)上面的數(shù)字密碼相比,暴露在外面的人臉更容易被復(fù)制。通過(guò)拍照完全可以獲得一個(gè)人的臉部特征并進(jìn)行復(fù)制,利用整容技術(shù)或者用照片識(shí)別等欺詐的方法可以騙過(guò)人臉支付系統(tǒng)。

個(gè)人信息泄露問(wèn)題:在科技發(fā)達(dá)的今天,人們似乎很輕易就可以通過(guò)無(wú)孔不入的渠道查到消費(fèi)者的各種信息。而對(duì)于刷臉支付來(lái)講,像人臉特征這種人體密碼一旦交給別人保管,個(gè)人信息的安全系數(shù)將如何確保?獲取用戶(hù)的面部特征是否會(huì)涉及到個(gè)人隱私?基于面部掃描系統(tǒng)的支付在普遍應(yīng)用之后會(huì)不會(huì)帶來(lái)基于位置服務(wù)造成的個(gè)人行蹤泄露?

1.4 FR+安防

(1)智慧城市的基礎(chǔ)

視頻分析:基于視頻中的人臉照片進(jìn)行遠(yuǎn)距離、快速、無(wú)接觸式的重點(diǎn)人員布控預(yù)警。讓?xiě)?yīng)用于車(chē)站、機(jī)場(chǎng)、地鐵等重點(diǎn)場(chǎng)所和大型商場(chǎng)超市等人群密集的公共場(chǎng)所視頻監(jiān)控系統(tǒng)能夠?qū)σ曨l圖像進(jìn)行采集、自動(dòng)分析、抓取人臉實(shí)時(shí)比對(duì),主動(dòng)在監(jiān)控場(chǎng)景中識(shí)別重點(diǎn)關(guān)注人員,實(shí)現(xiàn)重點(diǎn)人員的布控和識(shí)別。

重要場(chǎng)所的布控:對(duì)機(jī)場(chǎng)、車(chē)站、港口、地鐵重點(diǎn)場(chǎng)所和大型商超等人群密集公共場(chǎng)所進(jìn)行布控,以達(dá)到對(duì)一些重點(diǎn)人員的排查,抓捕逃犯等目的。

靜態(tài)庫(kù)或身份庫(kù)的檢索:對(duì)常住人口、暫住人口的人臉圖片進(jìn)行預(yù)先建庫(kù),通過(guò)輸入各種渠道采集的人臉圖片,能夠進(jìn)行比對(duì)和按照相似度排序,進(jìn)而獲悉輸入人員的身份或者其他關(guān)聯(lián)信息,此類(lèi)應(yīng)用存在兩種擴(kuò)展形式,單一身份庫(kù)自動(dòng)批量比對(duì)并發(fā)現(xiàn)疑似的一個(gè)人員具有兩個(gè)或以上身份信息的靜態(tài)庫(kù)查重,兩個(gè)身份庫(kù)之間自動(dòng)交叉比對(duì)發(fā)現(xiàn)交集數(shù)據(jù)的靜態(tài)庫(kù)碰撞。

動(dòng)態(tài)庫(kù)或抓拍庫(kù)的檢索:對(duì)持續(xù)采集的各攝像頭點(diǎn)位的抓拍圖片建庫(kù),通過(guò)輸入一張指定人員的人臉圖片,獲得其在指定時(shí)間范圍和指定攝像頭點(diǎn)位出現(xiàn)的所有抓拍記錄,方便快速瀏覽,當(dāng)攝像頭點(diǎn)位關(guān)聯(lián)GIS系統(tǒng),則可以進(jìn)一步的按照時(shí)間順序排列檢索得到的抓拍記錄,并繪制到GIS上,得到人員運(yùn)動(dòng)的軌跡。

(2)反恐行動(dòng)的助力

現(xiàn)在新疆、西藏等城市都將人臉識(shí)別作為基礎(chǔ)設(shè)施建設(shè)領(lǐng)域的投資重點(diǎn),由于人員復(fù)雜、居住人口相對(duì)混亂等因素,這些城市成為了恐怖襲擊等違法犯罪行為的高發(fā)場(chǎng)所。而人臉識(shí)別技術(shù)采用人臉檢測(cè)算法、人臉跟蹤算法、人臉質(zhì)量評(píng)分算法以及人臉識(shí)別算法。實(shí)現(xiàn)城市居住人員人臉的抓拍采集、建模存儲(chǔ),實(shí)時(shí)黑名單比對(duì)報(bào)警和人臉后檢索等功能。能及時(shí)在危險(xiǎn)發(fā)生之前制止。

(3)兒童安全的保鏢

近年來(lái)兒童拐賣(mài)活動(dòng)越來(lái)越猖獗,為了更好的保護(hù)兒童安全,有些幼兒園、小學(xué)在門(mén)口已經(jīng)安裝上了面部識(shí)別系統(tǒng)。系統(tǒng)采用人臉識(shí)別加IC/ID卡(非接觸式智能卡) 雙重認(rèn)證:每一位幼兒在入學(xué)注冊(cè)時(shí)進(jìn)行相關(guān)登記:資料、面像、IC/ID卡號(hào)、接送者、接送者面像。

每次入園時(shí)刷卡進(jìn)行報(bào)道,放學(xué)時(shí)刷卡并進(jìn)行接送家長(zhǎng)人臉認(rèn)證,如果認(rèn)證失敗拍照后即報(bào)警通知管理員,如果認(rèn)證成功即拍照放行。不論識(shí)別成功與否,系統(tǒng)都會(huì)記錄下被識(shí)別者圖像。每一次接送都有詳細(xì)的時(shí)間、接送人員的照片可供查詢(xún)。另外系統(tǒng)提供短信提示的擴(kuò)展功能,家長(zhǎng)可在手機(jī)上看到人臉識(shí)別認(rèn)證時(shí)所拍的照片,從而監(jiān)控到接送這個(gè)過(guò)程,從其中一個(gè)重要源頭杜絕了兒童被拐的可能性。

(4)智慧酒店的管理

以前開(kāi)房登記流程是:接待人員問(wèn)詢(xún)——身份證掃描確認(rèn)——支付押金——選房層發(fā)房卡——打印紙質(zhì)票據(jù),這些流程非常繁雜,尤其是身份認(rèn)證耗時(shí)最長(zhǎng),若遇到團(tuán)隊(duì)入住情況則更為復(fù)雜,身份證識(shí)別設(shè)備可能會(huì)因高頻使用出現(xiàn)故障,而急于進(jìn)房間休息的顧客卻只能在前臺(tái)等待手續(xù)完成,客戶(hù)體驗(yàn)非常糟糕。

人臉識(shí)別技術(shù)就能很好的解決這一難題,幫助酒店實(shí)現(xiàn)系統(tǒng)化業(yè)務(wù)管理和一站式共享解決方案。智慧酒店的安防系統(tǒng)利用人臉識(shí)別技術(shù),當(dāng)顧客走到前臺(tái)時(shí)系統(tǒng)已經(jīng)自動(dòng)根據(jù)顧客被攝像頭捕捉到的影像調(diào)取顧客身份核對(duì)。整個(gè)驗(yàn)證核對(duì)過(guò)程簡(jiǎn)單、快速且實(shí)現(xiàn)了自動(dòng)化,更大幅降低了人工識(shí)別造成的誤差。而且,針對(duì)酒店VIP客人,系統(tǒng)可實(shí)時(shí)對(duì)比酒店大堂的攝像頭影像和登記在酒店基礎(chǔ)系統(tǒng)中的VIP面部數(shù)據(jù),當(dāng)VIP客人到達(dá)時(shí),酒店可第一時(shí)間提供個(gè)性化周到服務(wù),提高客戶(hù)的滿(mǎn)意度。

1.5 FR+公安

尋人尋親:對(duì)老百姓或其他業(yè)務(wù)部門(mén)提供的照片,直接送入系統(tǒng)進(jìn)行比對(duì)、檢索、篩選,最后人工確認(rèn)。

派出所擋獲違法人員:對(duì)派出所擋獲的人員,登記筆錄,對(duì)于其中一些少數(shù)民族、聾啞人或保持沉默者等無(wú)法查證身份的人員,可拍攝照片送入各種照片庫(kù)中比對(duì),排查涉及大案要案人員,以免漏網(wǎng);或查證其前科,累計(jì)處理。

查證無(wú)名尸源:需要查證無(wú)名尸源時(shí),先拍攝正面照片,送入計(jì)算機(jī),如果照片閉眼、破損或變形,可用人像合成系統(tǒng)或人工繪制一幅標(biāo)準(zhǔn)照,送入比對(duì)系統(tǒng)比對(duì)查證。

目擊者描述排查:獲得現(xiàn)場(chǎng)目擊者對(duì)嫌疑人的形象描述后,可用人像合成系統(tǒng)進(jìn)行排查。

視頻監(jiān)控照片:一般監(jiān)控系統(tǒng)針對(duì)場(chǎng)景,得到的涉案嫌疑人的圖像都有模糊、偏轉(zhuǎn)、逆?zhèn)裙獾荣|(zhì)量不佳問(wèn)題,這時(shí)需要根據(jù)圖像用人像合成系統(tǒng)或人工繪制一幅標(biāo)準(zhǔn)照,送入照片比對(duì)系統(tǒng)比對(duì)查證。

公共場(chǎng)所集會(huì):在政府、球場(chǎng)等公共場(chǎng)所,時(shí)常會(huì)有人員滋事,此時(shí)公安民警不便直接帶人處理,可以采用長(zhǎng)焦攝像機(jī)拍攝特寫(xiě)鏡頭,如果效果不夠好可以用人像合成系統(tǒng)修正,送入比對(duì)系統(tǒng)比對(duì)查證。

一代/二代居民身份證識(shí)別:根據(jù)犯罪人員的身份證照片信息,與系統(tǒng)照片庫(kù)中的信息資料進(jìn)行比對(duì),提取出與證件上照片相似的人員信息,能充分利用現(xiàn)有的二代身份證照片資源,為公安部門(mén)的工作提供高效有利的幫助。

其他應(yīng)用:常住人口的比對(duì)查詢(xún)、暫住人口的比對(duì)查詢(xún)、重點(diǎn)人口的比對(duì)查詢(xún)、CCIC在逃人員的比對(duì)查詢(xún)等。

1.6 FR+商業(yè)場(chǎng)景

訪客登記:訪客到訪公司,于平板電腦進(jìn)行訪客信息登記,由攝像頭自動(dòng)抓取人臉,通過(guò)系統(tǒng)打印出訪客貼紙;

識(shí)別迎賓:公司員工,貴賓進(jìn)入公司入口,攝像頭能識(shí)別到訪人員,實(shí)現(xiàn)門(mén)禁功能管理;

人臉識(shí)別考勤:通過(guò)入口處的前臺(tái)平板電腦進(jìn)行人臉識(shí)別考勤,也可通過(guò)手機(jī)端進(jìn)行人臉識(shí)別考;

智能生活:較多的園區(qū)、樓宇需要人臉門(mén)禁系統(tǒng),人員進(jìn)出快速通行,便于管理住戶(hù)、訪客的進(jìn)出記錄;

智慧教育:為嚴(yán)防替考事件的發(fā)生,確?？荚嚢踩?人臉識(shí)別可加強(qiáng)考試入場(chǎng)環(huán)節(jié)的考生身份認(rèn)證,并有效實(shí)現(xiàn)智能視頻監(jiān)考、作弊防控等;

智慧商場(chǎng):利用人臉識(shí)別技術(shù)追蹤并分析商場(chǎng)內(nèi)的人流屬性,人群分布等。

應(yīng)用模式典型具體應(yīng)用特點(diǎn)說(shuō)明應(yīng)用領(lǐng)域:

2. FR的部分應(yīng)用

2.1 人臉檢測(cè)跟蹤

(1)應(yīng)用

商場(chǎng)客流跟蹤分析,地鐵、火車(chē)站、會(huì)場(chǎng)、機(jī)場(chǎng)等場(chǎng)所的可疑人員的跟蹤檢測(cè),體育賽事的現(xiàn)場(chǎng)監(jiān)控等。

(2)難點(diǎn)

多人臉跟蹤、遠(yuǎn)場(chǎng)識(shí)別人臉、背景復(fù)雜、低質(zhì)量圖片人臉識(shí)別(算法預(yù)處理),還有側(cè)臉(3D重建人物全面),遮擋,模糊,表情變化、強(qiáng)弱光(多特征融合增強(qiáng)抗干擾力)等各種實(shí)際環(huán)境。

(3)建議

遠(yuǎn)場(chǎng)識(shí)別(可依據(jù)距離識(shí)別)、背景復(fù)雜(可虛化無(wú)關(guān)場(chǎng)景,凸顯主角)。

2.2 人臉關(guān)鍵點(diǎn)定位

(1)應(yīng)用

可用于圖片的合成、動(dòng)態(tài)圖片的分析(直播行業(yè)鑒黃、鑒暴),通過(guò)關(guān)鍵點(diǎn)分析人臉表情情緒。

(2)難點(diǎn)

大角度側(cè)臉,表情變化、遮擋、模糊、明暗等,動(dòng)靜態(tài)關(guān)鍵點(diǎn)捕捉。

(3)建議

對(duì)模糊部位可進(jìn)行平滑處理,根據(jù)眼睛、嘴的特點(diǎn)建立不同的區(qū)域塊等。

2.3 人臉身份認(rèn)證

(1)應(yīng)用

關(guān)鍵性應(yīng)用(金融身份認(rèn)證、海關(guān)檢查、火車(chē)站和機(jī)場(chǎng)等進(jìn)站),非關(guān)鍵性應(yīng)用(智慧小區(qū)居民進(jìn)出、辦公大樓進(jìn)出、公司單位上班打卡等)

(2)難點(diǎn)

年輕時(shí)的證件照和本人識(shí)別匹配、戴眼鏡和未戴眼鏡、側(cè)臉和正臉、表情、背景干擾、整容后、雙胞胎及長(zhǎng)相類(lèi)似等。

(3)建議

可基于三維人像分析避免認(rèn)證時(shí)的假冒,動(dòng)作分析等。(曠視的難以區(qū)分蠟像、海報(bào)和真人)

2.4 人臉屬性(性別、年齡、種族、表情、飾品、胡須、面部動(dòng)作狀態(tài))

(1)人臉表情識(shí)別(Face expression recognition 簡(jiǎn)稱(chēng)FER)

普遍認(rèn)為人類(lèi)主要有六種基本情感:憤怒(anger)、高興(happiness)、悲傷(sadness)、驚訝(surprise)、厭惡(disgust)、恐懼(fear)。而大多數(shù)表情識(shí)別是基于這六種情感及其拓展情緒實(shí)現(xiàn)的

主要困難點(diǎn)是:

表情的精細(xì)化程度劃分:每種情緒最微弱的表現(xiàn)是否需要被分類(lèi)。分類(lèi)的界限需要產(chǎn)品給出評(píng)估規(guī)則。

表情類(lèi)別的多樣化:是否還需要補(bǔ)充其他類(lèi)別的情緒,六種情緒在一些場(chǎng)景下遠(yuǎn)不能變現(xiàn)人類(lèi)的真實(shí)情緒。因此除了基本表情識(shí)別外,還有精細(xì)表情識(shí)別、混合表情識(shí)別、非基本表情識(shí)別等細(xì)致領(lǐng)域的研究。

缺少魯棒性

(2)人臉性別識(shí)別

性別分類(lèi)是一個(gè)典型的二類(lèi)問(wèn)題,人臉性別分類(lèi)問(wèn)題需要解決的兩個(gè)關(guān)鍵問(wèn)題是人臉特征提取和分類(lèi)器的選擇。人臉性別識(shí)別其實(shí)僅能識(shí)別到人臉外貌更偏向于女性還是男性,很難對(duì)女生男相、男生女相進(jìn)行正確判斷。

(3)人臉年齡識(shí)別

難點(diǎn):單人的不同年齡段識(shí)別和多人的不同年齡段識(shí)別,人臉年齡識(shí)別常和人臉識(shí)別進(jìn)行組合識(shí)別,能更正確的判斷在一定年限內(nèi)“是否是一個(gè)人”的問(wèn)題;除了以上內(nèi)容,還有是否戴眼鏡、頭發(fā)長(zhǎng)度、膚色等。

建議:識(shí)別年齡無(wú)變化的人臉用分類(lèi)即可,而對(duì)年齡變化的人臉識(shí)別方法是通過(guò)年齡模擬,將測(cè)試圖像和查詢(xún)庫(kù)中的圖像變換到某一共同的年年齡,從而去除年齡不同的影響,使識(shí)別在年齡相同的人臉圖像進(jìn)行。

(4)人臉屬性的應(yīng)用

根據(jù)物理屬性(性別、年齡、種族、眼鏡顏值等)可用于廣告定向投放、個(gè)性化智能推薦、顧客分析、婚戀交友等;化學(xué)屬性(面部動(dòng)作、情緒等)可用于即時(shí)視頻社交、圖片合成、圖片美化等。

(5)識(shí)別建議

人臉屬性分析時(shí),可利用K-近鄰算法匹配云端庫(kù)里的類(lèi)似照片后再對(duì)相似屬性進(jìn)行分析。

2.5 人臉聚類(lèi)

(1)應(yīng)用:個(gè)性化相冊(cè)管理、照片分享社交、婚戀交友相似臉型匹配推薦興趣社交等。

(2)難點(diǎn):角度、光線(xiàn)、發(fā)型、相似臉型等干擾分類(lèi)。

(3)建議:可基于一張正臉照片,將其他照片進(jìn)行依次比對(duì)分析后再分類(lèi)等(智能相冊(cè)、婚戀社交)。

2.6 真人檢測(cè)

(1)應(yīng)用:銀行開(kāi)戶(hù)驗(yàn)證、車(chē)站、機(jī)場(chǎng)、公司打卡等。

(2)難點(diǎn):2D和3D的識(shí)別檢測(cè)、真人與蠟像、硅膠假冒人臉識(shí)別、照片和真人識(shí)別檢測(cè)驗(yàn)證等。

(3)建議:可基于三維人像分析避免認(rèn)證時(shí)的假冒等,動(dòng)態(tài)識(shí)別驗(yàn)證以區(qū)分假象(曠視的難以區(qū)分蠟像、海報(bào)和真人)。

2.7 人像美顏/美妝

(1)應(yīng)用:興趣社交、婚戀交友、圖像合成、個(gè)性化用品推薦和廣告投放等。

(2)難點(diǎn):美顏與一般濾鏡效果的區(qū)別、美顏后的自然效果等。

(3)建議:基于數(shù)據(jù)集的算法更新迭代。

2.8 人體關(guān)鍵點(diǎn)(CPM、DeeperCut)

(1)應(yīng)用:關(guān)鍵動(dòng)作抓拍、人體姿態(tài)估計(jì)、舞蹈難度評(píng)定。

(2)難點(diǎn):多目標(biāo)關(guān)鍵點(diǎn)定位、關(guān)鍵點(diǎn)遮擋、光線(xiàn)強(qiáng)弱等。

(3)建議:關(guān)鍵點(diǎn)遮擋(分塊處理、三維構(gòu)建找尋關(guān)鍵點(diǎn))

3. FR的商業(yè)化

3.1 從時(shí)間上看商業(yè)化的不同階段

3.2 從業(yè)務(wù)場(chǎng)景上看

場(chǎng)景關(guān)鍵點(diǎn):

盤(pán)子夠大,支撐公司發(fā)展

數(shù)據(jù)回流,為公司所用

高頻使用,需求占比高

可在行業(yè)中復(fù)制

3.3 垂直行業(yè)人臉解決方案(地產(chǎn)行業(yè)為例)

(1)地產(chǎn)行業(yè)分布

商業(yè)地產(chǎn):辦公樓宇+園區(qū)廠區(qū)+商業(yè)零售+酒店

住宅地產(chǎn):生活小區(qū)+公寓

(2)地產(chǎn)行業(yè)的市場(chǎng)規(guī)模

(3)演變方向及客戶(hù)痛點(diǎn)

視頻監(jiān)控:傳統(tǒng)視頻監(jiān)控廠家正在進(jìn)行智能化轉(zhuǎn)型,從原先的“監(jiān)控”視頻,到現(xiàn)在的“讀懂”視頻當(dāng)中的人、車(chē)、物、事;

門(mén)禁控制:傳統(tǒng)門(mén)禁控制領(lǐng)域價(jià)值鏈低,所有廠家正在尋求新的方式來(lái)轉(zhuǎn)型,絕大部分都在生物識(shí)別方式上進(jìn)行摸索;人臉識(shí)別面板機(jī)、閘機(jī)及其它通行道閘雨后春筍般出現(xiàn);

樓宇對(duì)講:普通樓宇對(duì)講功能已無(wú)法滿(mǎn)足使用要求,結(jié)合人臉識(shí)別功能的門(mén)禁系統(tǒng)需求越來(lái)越多;

防盜告警:通過(guò)智能化手段,達(dá)到降本增效目的,已成為防盜告警、巡更檢查等功能的重點(diǎn)迭代方向;

可視化系統(tǒng):降低非專(zhuān)業(yè)人士的使用難度,使得多方數(shù)據(jù)為“我”所用,為多種決策提供依據(jù);信息孤島問(wèn)題亟待解決,萬(wàn)物互聯(lián)已是所有廠家達(dá)成的共識(shí)。

信息孤島問(wèn)題(痛點(diǎn)):

智能化系統(tǒng)種類(lèi)繁多,系統(tǒng)之間無(wú)法實(shí)現(xiàn)無(wú)縫連接,綜合管理難度大,效率低;

智能化子系統(tǒng)數(shù)據(jù)采集離散,標(biāo)準(zhǔn)不一,數(shù)據(jù)價(jià)值大打折扣,無(wú)法為管理提供決策依據(jù)和幫助;

各子系統(tǒng)依靠人工管理,人員配備要求高、勞動(dòng)強(qiáng)度大,人工成本居高不小;

絕大多數(shù)B端客戶(hù)不懂具體業(yè)務(wù)或細(xì)節(jié),需要具象化、可視化系統(tǒng)呈現(xiàn)。

(4)建設(shè)步驟及架構(gòu)

步驟:

第一步:人員通信管理

基于人員通行管理的平臺(tái)系統(tǒng)(功能性產(chǎn)品+后臺(tái)系統(tǒng)管理)

員工、VIP、訪客、陌生人、黑名單等人員權(quán)限管理;

第二步:傳感網(wǎng)絡(luò)融合

CCTV、車(chē)輛等;

基于“人員”、“車(chē)”、“監(jiān)控”的三位一體智慧建筑場(chǎng)景應(yīng)用;

其他子系統(tǒng)模塊鏈接,形成整體傳感網(wǎng)絡(luò),智能物聯(lián);

第三步:商業(yè)地產(chǎn)+新零售

人員、車(chē)輛、CCTV三功能在工作+消費(fèi)場(chǎng)景融合;

構(gòu)建以人為核心的商業(yè)綜合體運(yùn)營(yíng)方案。

整體IoT架構(gòu):

(5)影響因素與優(yōu)化方案

決定監(jiān)控系統(tǒng)性能的幾個(gè)主要因素:

模板庫(kù)的人數(shù):不宜大,包含關(guān)鍵人物即可;

經(jīng)過(guò)攝像頭的人數(shù):同時(shí)出現(xiàn)在攝像頭的人數(shù)決定了單位時(shí)間里的比對(duì)次數(shù);

報(bào)警反饋時(shí)間:實(shí)時(shí)性越強(qiáng),對(duì)系統(tǒng)性能要求越高;

攝像頭采集幀數(shù):幀數(shù)越高,人員經(jīng)過(guò)攝像頭前采集的次數(shù)越多,比對(duì)的次數(shù)也越多。

實(shí)戰(zhàn)中的優(yōu)化方案:

使用更先進(jìn)的高清攝像頭(3-5百萬(wàn));

室內(nèi)均勻光線(xiàn),或室外白天,無(wú)側(cè)光和折射光;

人群面向同樣的方向,朝向相機(jī)的方向運(yùn)動(dòng);

恰當(dāng)?shù)谋O(jiān)控點(diǎn),如走廊、巷子或安檢門(mén)/閘機(jī)口等(不要一群人同時(shí)出現(xiàn));

相機(jī)與人臉的角度小于20度。

3.4 頂尖公司的應(yīng)用舉例

(1)Google:2011年07月 谷歌收購(gòu)人臉識(shí)別軟件公司PittPatt

(2)Facebook:2012年6月 Facebook收購(gòu)以色列臉部識(shí)別公司Face.com

(3) 微軟:2012年6月 微軟亞洲研究院發(fā)布人臉檢測(cè)算法,面部識(shí)別系統(tǒng)

(4)網(wǎng)易:2012年5月,網(wǎng)易人臉識(shí)別系統(tǒng)全國(guó)公測(cè),用于郵箱登陸

(5)百度:2012年12月 百度推出人臉識(shí)別,基于圖像的全網(wǎng)人臉?biāo)阉?

(6)阿里:2015年11月,在推出支付寶刷臉認(rèn)證付款

(7)騰訊:2012年下半年,成立優(yōu)圖項(xiàng)目組

05 人臉識(shí)別(FR)的產(chǎn)品落地

1. FR技術(shù)產(chǎn)品的優(yōu)勢(shì)

1.1 非接觸

人臉圖像的采集不同于指紋、掌紋需要接觸指掌紋專(zhuān)用采集設(shè)備,指掌紋的采集除了對(duì)設(shè)備有一定的磨損外,也不衛(wèi)生,容易引起被采集者的反感,而人臉圖像采集的設(shè)備是攝像頭,無(wú)須接觸。

1.2 非侵?jǐn)_

人臉照片的采集可使用攝像頭自動(dòng)拍照,無(wú)須工作人員干預(yù),也無(wú)須被采集者配合,只需以正常狀態(tài)經(jīng)過(guò)攝像頭前即可。

1.3 友好

人臉是一個(gè)人出生之后暴露在外的生物特征,因此它的隱私性并不像指掌紋、虹膜那樣強(qiáng),因此人臉的采集并不像指掌紋采集那樣難以讓人接受。

1.4 直觀

我們判斷一個(gè)人是誰(shuí),通過(guò)看這個(gè)人的臉就是最直觀的方式,不像指掌紋、虹膜等需要相關(guān)領(lǐng)域?qū)＜也趴梢耘袆e。

1.5 快速

從攝像頭監(jiān)控區(qū)域進(jìn)行人臉的采集是非?？焖俚?因?yàn)樗姆歉深A(yù)性和非接觸性,讓人臉采集的時(shí)間大大縮短。

1.6 簡(jiǎn)便

人臉采集前端設(shè)備——攝像頭隨處可見(jiàn),它不是專(zhuān)用設(shè)備,因此簡(jiǎn)單易操作。

1.7 可擴(kuò)展性好

它的采集端完全可以采用現(xiàn)有視頻監(jiān)控系統(tǒng)的攝像設(shè)備,后端應(yīng)用的擴(kuò)展性決定了人臉識(shí)別可以應(yīng)用在出入控制、黑名單監(jiān)控、人臉照片搜索等多領(lǐng)域。

2. FR三大識(shí)別場(chǎng)景

2.1 人臉確認(rèn)(1:1)

簡(jiǎn)介:將某人面像與指定人員面像進(jìn)行一對(duì)一的比對(duì),根據(jù)其相似程度來(lái)判斷二者是否是同一人,相似程度一般以能否超過(guò)某一量化閥值為依據(jù)。簡(jiǎn)單的說(shuō)就是A/B兩張照片比對(duì),產(chǎn)生的計(jì)算數(shù)值是否達(dá)到要求。

產(chǎn)品應(yīng)用:快速的人臉識(shí)別比對(duì),移動(dòng)支付認(rèn)證、安全性身份核對(duì)、作為身份確認(rèn)的一種新方式,比如考生身份確認(rèn)、公司考勤確認(rèn)、各種證件照和本人確認(rèn)。

實(shí)際問(wèn)題:產(chǎn)品在系統(tǒng)設(shè)計(jì)的邏輯上,需要先考慮調(diào)取已儲(chǔ)存對(duì)象信息的先驗(yàn)條件。通過(guò)界面/語(yǔ)音的提示,使得待認(rèn)證者預(yù)先知道自己正處于被核對(duì)的過(guò)程中,且已預(yù)先了解擬核對(duì)對(duì)象的身份。

比對(duì)來(lái)源的三種主要方式:

用戶(hù)自傳照片,比如支付寶的人臉比對(duì),用戶(hù)自傳的照片最大的問(wèn)題是照片質(zhì)量的合格率太低,拍照的光線(xiàn)、角度等因素會(huì)導(dǎo)致采集源的質(zhì)量下降,不利于后期的大批量人臉特征碼管理。

使用身份證讀卡器,讀取身份證上的照片,遺憾的是這張照片2K的大小,不過(guò)也是目前用最多的源照片提取方式,比較適合簽到場(chǎng)合。

使用公安部旗下NCIIC的人臉比對(duì)接口(注意,不是網(wǎng)紋照片接口,這個(gè)接口已經(jīng)不對(duì)外),使用的是直接的人臉比對(duì)接口。

2.2 人臉辨認(rèn)(1:N)

(1)簡(jiǎn)介

將某人面像與數(shù)據(jù)庫(kù)中的多人的人臉進(jìn)行比對(duì),并根據(jù)比對(duì)結(jié)果來(lái)鑒定此人身份,或找到其中最相似的人臉,并按相似程度的大小輸出檢索結(jié)果。

(2)產(chǎn)品應(yīng)用

人臉開(kāi)門(mén)、人臉檢索,排查犯罪嫌疑人、失蹤人口的全庫(kù)搜尋、一人多證的重復(fù)排查等。

(3)實(shí)際問(wèn)題

走失兒童的項(xiàng)目中去:這一類(lèi)系統(tǒng)的部署需要兩個(gè)條件:A. BCD基本庫(kù)(比如1000萬(wàn)人)B.強(qiáng)大的算法硬件

零售店中的刷臉支付長(zhǎng)江,需要用戶(hù)預(yù)先輸入全手機(jī)號(hào),確定用戶(hù)身份再進(jìn)行人臉識(shí)別,將原本為1:N的問(wèn)題轉(zhuǎn)化為了1:1的問(wèn)題。

(4)產(chǎn)品難點(diǎn)

a. 1:N中的N能夠支持多大

場(chǎng)景多樣化:從一個(gè)班級(jí)百號(hào)人刷臉簽到,到一個(gè)公司千號(hào)人的刷臉打卡,再到一個(gè)學(xué)校的幾萬(wàn)人,一個(gè)四線(xiàn)城市幾十萬(wàn)人,一個(gè)一線(xiàn)城市的幾千萬(wàn)人,難度是呈指數(shù)上升的。

公司實(shí)際情況:目前各家公司的成熟人臉識(shí)別應(yīng)用能夠支持幾萬(wàn)到幾百萬(wàn)人不等的應(yīng)用場(chǎng)景,而且還有一個(gè)錯(cuò)誤率的概念。比如,公司宣稱(chēng)千萬(wàn)分之一的錯(cuò)誤率的情況下(1/10000000),人臉通過(guò)率其實(shí)只有93%,這是因?yàn)楹茈y做到一定不發(fā)生錯(cuò)誤,而且每個(gè)人都能識(shí)別通過(guò)。(假如一家公司說(shuō)自己能做到億分之一的錯(cuò)誤率,通過(guò)率能做到98%以上,多半是虛假宣傳,在實(shí)際使用中是很難達(dá)到的)

b. 非配合場(chǎng)景

在配合場(chǎng)景下:比如ATM機(jī)刷臉取款,用戶(hù)會(huì)自主配合,將人臉以一個(gè)理想的角度通過(guò)識(shí)別。

而在非配合應(yīng)用場(chǎng)景下,比如監(jiān)控視頻下的人臉識(shí)別,追蹤違法犯罪分子的身份信息,情況就要困難得多。這種情況下,用戶(hù)臉部會(huì)發(fā)生角度偏大,遮擋,光線(xiàn)不可控等問(wèn)題。

c. 跨人種,跨年齡識(shí)別問(wèn)題

研究發(fā)現(xiàn),在一個(gè)數(shù)據(jù)集上訓(xùn)練好的模型,想到遷移到另外一個(gè)人種上,效果會(huì)出現(xiàn)較大程度的下降。另外,人臉隨著年齡的變化帶來(lái)的改變也給人臉識(shí)別帶來(lái)不小的挑戰(zhàn)。

要改善這樣的問(wèn)題,一個(gè)必要條件是需要建立一個(gè)足夠完備的跨人種,跨年齡的人臉數(shù)據(jù)庫(kù);在國(guó)內(nèi)的話(huà),是以漢族人為主,同時(shí)跨年齡的人臉數(shù)據(jù)庫(kù)也比較難收集,需要不短的時(shí)間跨度。

d. 產(chǎn)品體驗(yàn)

近來(lái)備受關(guān)注的刷臉支付,很多時(shí)候都會(huì)要求用戶(hù)輸入全手機(jī)號(hào),或手機(jī)號(hào)后四位,以縮小用戶(hù)搜索庫(kù)大小,實(shí)際上這是比較影響體驗(yàn)的。

西安一高校晨讀刷臉簽到,由于系統(tǒng)實(shí)際響應(yīng)匹配時(shí)間過(guò)長(zhǎng),導(dǎo)致學(xué)生排百米長(zhǎng)隊(duì)。

2.3 多人臉檢索(N:N)

(1)簡(jiǎn)介

1:N同時(shí)作業(yè)就是N:N了,同時(shí)相應(yīng)多張照片檢索需求。

(2)實(shí)際產(chǎn)品問(wèn)題中

在視頻級(jí)N:N的校驗(yàn)中,如果要提高通過(guò)率,很多時(shí)候是采取降低準(zhǔn)確率的方式,降低算法隊(duì)列數(shù)量;同樣在一些比賽中為了降低誤識(shí)率,大大提高了準(zhǔn)確率,所以算法在校驗(yàn)的過(guò)程中必須遵循至少一個(gè)固定標(biāo)準(zhǔn),追求的是速度效率還是最高準(zhǔn)確率。

視頻流的幀處理所用,對(duì)服務(wù)器的計(jì)算環(huán)境要求嚴(yán)苛,目前的算法系統(tǒng)所支撐的輸出率非常有限。

主要的限制如下:

海量的人臉照片解析需要大量運(yùn)算(目前很少看到在采集端直接解析的,都是照片剪裁)海量的人臉照片傳輸需要大量的帶寬(常見(jiàn)的720布控?cái)z像頭抓取最小的人臉照片為20K)海量的人臉照片在后臺(tái)檢索需要耗費(fèi)大量的運(yùn)算(國(guó)內(nèi)主流主機(jī)為例,最多到24路攝像頭)。

3. 產(chǎn)品實(shí)戰(zhàn)中的物理問(wèn)題

3.1 光照問(wèn)題

(1)簡(jiǎn)介

光照問(wèn)題是機(jī)器視覺(jué)重的老問(wèn)題,在人臉識(shí)別中的表現(xiàn)尤為明顯。由于人臉的3D結(jié)構(gòu),光照投射出的陰影,會(huì)加強(qiáng)或減弱原有的人臉特征。

(2)解決思路

A、對(duì)其進(jìn)行包括光照強(qiáng)度和方向、人臉?lè)瓷鋵傩缘牧炕?面部陰影和照度分析等,嘗試建立數(shù)學(xué)模型,以利用這些光照模型,在人臉圖像預(yù)處理或者歸一化階段盡可能的補(bǔ)償乃至消除其對(duì)識(shí)別性能的影響,將固有的人臉屬性(反射率屬性、3D表面形狀屬性)和光源、遮擋及高光等非人臉固有屬性分離開(kāi)來(lái)。

B、基于光照子空間模型的任意光照?qǐng)D像生成算法,用于生成多個(gè)不同光照條件的訓(xùn)練樣本,然后利用具有良好的學(xué)習(xí)能力的人臉識(shí)別算法,如子空間法,SVM等方法進(jìn)行識(shí)別。

3.2 人臉姿態(tài)問(wèn)題

(1)簡(jiǎn)介

與光照問(wèn)題類(lèi)似,姿態(tài)問(wèn)題也是目前人臉識(shí)別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。姿態(tài)問(wèn)題涉及頭部在三維垂直坐標(biāo)系中繞三個(gè)軸的旋轉(zhuǎn)造成的面部變化,其中垂直于圖像平面的兩個(gè)方向的深度旋轉(zhuǎn)會(huì)造成面部信息的部分缺失。針對(duì)姿態(tài)的研究相對(duì)比較的少,目前多數(shù)的人臉識(shí)別算法主要針列正面、準(zhǔn)正而人臉圖像,當(dāng)發(fā)生俯仰或者左右側(cè)而比較厲害的情況下,人臉識(shí)別算法的識(shí)別率也將會(huì)急劇下降。面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識(shí)別的準(zhǔn)確率。

(2)解決思路

第一種思路:是學(xué)習(xí)并記憶多種姿態(tài)特征,這對(duì)于多姿態(tài)人臉數(shù)據(jù)可以容易獲取的情況比較實(shí)用,其優(yōu)點(diǎn)是算法與正面人臉識(shí)別統(tǒng)一,不需要額外的技術(shù)支持,其缺點(diǎn)是存儲(chǔ)需求大,姿態(tài)泛化能力不能確定,不能用于基于單張照片的人臉識(shí)別算法中等。

第二種思路:是基于單張視圖生成多角度視圖,可以在只能獲取用戶(hù)單張照片的情況下合成該用戶(hù)的多個(gè)學(xué)習(xí)樣本,可以解決訓(xùn)練樣本較少的情況下的多姿態(tài)人臉識(shí)別問(wèn)題,從而改善識(shí)別性能。

第三種思路:是基于姿態(tài)不變特征的方法,即尋求那些不隨姿態(tài)的變化而變化的特征。中科院計(jì)算所的思路是采用基于統(tǒng)計(jì)的視覺(jué)模型,將輸入姿態(tài)圖像校正為正面圖像,從而可以在統(tǒng)一的姿態(tài)空間內(nèi)作特征的提取和匹配。

3.3 遮擋問(wèn)題

對(duì)于非配合情況下的人臉圖像采集,遮擋問(wèn)題是一個(gè)非常嚴(yán)重的問(wèn)題。特別是在監(jiān)控環(huán)境下,往往彼監(jiān)控對(duì)象都會(huì)帶著眼鏡,帽子等飾物,使得被采集出來(lái)的人臉圖像有可能不完整,從而影響了后面的特征提取與識(shí)別,甚至?xí)?dǎo)致人臉檢測(cè)算法的失效。

3.4 年齡變化

隨著年齡的變化,面部外觀也在變化,特別是對(duì)于青少年,這種變化更加的明顯。對(duì)于不同的年齡段,人臉識(shí)別算法的識(shí)別率也不同。一個(gè)人從少年變成青年,變成老年,他的容貌可能會(huì)發(fā)生比較大的變化,從而導(dǎo)致識(shí)別率的下降。對(duì)于不同的年齡段,人臉識(shí)別算法的識(shí)別率也不同。

3.5 人臉相似性

不同個(gè)體之間的區(qū)別不大,所有的人臉的結(jié)構(gòu)都相似,甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對(duì)于利用人臉進(jìn)行定位是有利的,但是對(duì)于利用人臉區(qū)分人類(lèi)個(gè)體是不利的。

3.6 圖像質(zhì)量

人臉圖像的來(lái)源可能多種多樣,由于采集設(shè)備的不同,得到的人臉圖像質(zhì)量也不一樣,特別是對(duì)于那些低分辨率、噪聲大、質(zhì)量差的人臉圖像(如手機(jī)攝像頭拍攝的人臉圖片、遠(yuǎn)程監(jiān)控拍攝的圖片等)如何進(jìn)行有效地人臉識(shí)別是個(gè)需要關(guān)注的問(wèn)題。同樣的,對(duì)于高分辨圖像對(duì)人臉識(shí)別算法的影響也需要進(jìn)一步的研究。

3.7 樣本缺乏

基于統(tǒng)計(jì)學(xué)習(xí)的人臉識(shí)別算法是目前人臉識(shí)別領(lǐng)域中的主流算法,但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的訓(xùn)練。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流形分布,能得到的樣本只是對(duì)人臉圖像空間中的一個(gè)極小部分的采樣,如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問(wèn)題有待進(jìn)一步的研究。

3.8 海量數(shù)據(jù)

傳統(tǒng)人臉識(shí)別方法如PCA、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對(duì)于海量數(shù)據(jù),這些方法其訓(xùn)練過(guò)程難以進(jìn)行,甚至有可能崩潰。

3.9 大規(guī)模人臉識(shí)別

隨著人臉數(shù)據(jù)庫(kù)規(guī)模的增長(zhǎng),人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降。

3.10 動(dòng)態(tài)識(shí)別

非配合性人臉識(shí)別的情況下,運(yùn)動(dòng)導(dǎo)致面部圖像模糊或攝像頭對(duì)焦不正確都會(huì)嚴(yán)重影響面部識(shí)別的成功率。在地鐵、高速公路卡口、車(chē)站卡口、超市反扒、邊檢等安保和監(jiān)控識(shí)別的使用中,這種困難明顯突出。

3.11 人臉?lè)纻?

偽造人臉圖像進(jìn)行識(shí)別的主流欺騙手段是建立一個(gè)三維模型,或者是一些表情的嫁接。隨著人臉?lè)纻渭夹g(shù)的完善、3D面部識(shí)別技術(shù)、攝像頭等智能計(jì)算視覺(jué)技術(shù)的引入,偽造面部圖像進(jìn)行識(shí)別的成功率會(huì)大大降低。

3.12 丟幀和丟臉問(wèn)題

需要的網(wǎng)絡(luò)識(shí)別和系統(tǒng)的計(jì)算機(jī)識(shí)別可能會(huì)造成視頻的丟幀和丟臉現(xiàn)象,特別是監(jiān)控人流量大的區(qū)域,由于網(wǎng)絡(luò)傳輸?shù)膸拞?wèn)題和計(jì)算能力問(wèn)題,常常引起丟幀和丟臉問(wèn)題。

3.13 攝像機(jī)的頭像問(wèn)題

攝像機(jī)很多技術(shù)參數(shù)影響視頻圖像的質(zhì)量,這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內(nèi)置圖像處理芯片和鏡頭等,同時(shí)攝像機(jī)內(nèi)置的一些設(shè)置參數(shù)也將影響質(zhì)量,如曝光時(shí)間、光圈、動(dòng)態(tài)白平衡等參數(shù)。

4. 實(shí)戰(zhàn)中的數(shù)據(jù)標(biāo)注

4.1 數(shù)據(jù)標(biāo)注

(1)一般來(lái)說(shuō),數(shù)據(jù)標(biāo)注部分可以有三個(gè)角色

標(biāo)注員:標(biāo)注員負(fù)責(zé)標(biāo)記數(shù)據(jù)。

審核員:審核員負(fù)責(zé)審核被標(biāo)記數(shù)據(jù)的質(zhì)量。

管理員:管理人員、發(fā)放任務(wù)、統(tǒng)計(jì)工資。

只有在數(shù)據(jù)被審核員審核通過(guò)后,這批數(shù)據(jù)才能夠被算法同事利用。

(2)數(shù)據(jù)標(biāo)記流程

任務(wù)分配:假設(shè)標(biāo)注員每次標(biāo)記的數(shù)據(jù)為一次任務(wù),則每次任務(wù)可由管理員分批發(fā)放記錄,也可將整個(gè)流程做成“搶單式”的,由后臺(tái)直接分發(fā)。

標(biāo)記程序設(shè)計(jì):需要考慮到如何提升效率,比如快捷鍵的設(shè)置、邊標(biāo)記及邊存等等功能都有利于提高標(biāo)記效率。

進(jìn)度跟蹤:程序?qū)?biāo)注員、審核員的工作分別進(jìn)行跟蹤,可利用“規(guī)定截止日期”的方式淘汰怠惰的人。

質(zhì)量跟蹤:通過(guò)計(jì)算標(biāo)注人員的標(biāo)注正確率和被審核通過(guò)率,對(duì)人員標(biāo)注質(zhì)量進(jìn)行跟蹤,可利用“末位淘汰”制提高標(biāo)注人員質(zhì)量。

4.2 模型訓(xùn)練

數(shù)據(jù)標(biāo)記完成后,交由算法同學(xué)進(jìn)行模型的訓(xùn)練,期間發(fā)現(xiàn)的問(wèn)題可與產(chǎn)品一起商討。訓(xùn)練過(guò)程中,最好能可視化一些中間結(jié)果。一來(lái)可以檢測(cè)代碼實(shí)現(xiàn)是否有Bug,二來(lái)也可以通過(guò)這些中間結(jié)果,來(lái)幫助自己更好的理解這個(gè)算法的過(guò)程。

4.3 模型測(cè)試

測(cè)試同事(一般來(lái)說(shuō)算法同事也會(huì)直接負(fù)責(zé)模型測(cè)試)將未被訓(xùn)練過(guò)的數(shù)據(jù)在新的模型下做測(cè)試。

如果沒(méi)有后臺(tái)設(shè)計(jì),測(cè)試結(jié)果只能由人工抽樣計(jì)算,抽樣計(jì)算繁瑣且效率較低。模型的效果,需要在精確率(識(shí)別為正確的樣本數(shù)/識(shí)別出來(lái)的樣本數(shù))和召回率(識(shí)別為正確的樣本數(shù)/所有樣本中正確的數(shù))中達(dá)到某一個(gè)平衡。

測(cè)試同事需要關(guān)注特定領(lǐng)域內(nèi)每個(gè)類(lèi)別的指標(biāo),比如針對(duì)識(shí)別人臉的表情,里面有喜怒哀樂(lè)等分類(lèi),每一個(gè)分類(lèi)對(duì)應(yīng)的指標(biāo)都是不一樣的。測(cè)試同事需要將測(cè)試的結(jié)果完善地反饋給算法同事,算法同事才能找準(zhǔn)模型效果欠缺的原因。同時(shí),測(cè)試同事將本次模型的指標(biāo)結(jié)果反饋給產(chǎn)品,由產(chǎn)品評(píng)估是否滿(mǎn)足上線(xiàn)需求。

(1)測(cè)試環(huán)境說(shuō)明

例如:

CPU:Intel(R) Core(TM) i7-4790 CPU @ 3.60 GHz

內(nèi)存:8GB

系統(tǒng):Ubuntu 14.04 x86_64/Windows 7 SP1 64bit

GCC版本:4.8.2

(2)測(cè)試集和測(cè)試需求說(shuō)明

比如“圖片包含人臉大小應(yīng)超過(guò)96*96像素,測(cè)試結(jié)果達(dá)到XX程度滿(mǎn)足需求。

經(jīng)典人臉身份識(shí)別測(cè)試集LFW,共包含13233 張圖片 5749 種不同身份;世界記錄99.7%。

CK+ (一個(gè)人臉表情數(shù)據(jù)集),包含固定表情和自發(fā)表情,包含123個(gè)人的593個(gè)表情序列。每個(gè)序列的目標(biāo)表情被FACS編碼,同時(shí)添加了已驗(yàn)證的情感標(biāo)簽(生氣、厭惡、害怕、快樂(lè)、悲傷、驚訝)。

(3)需要說(shuō)明“有效距離,左右角度,上下角度,速度”等參數(shù)值(范圍)

注:這和“部署的靈活性”相關(guān)——由于不同客戶(hù)不同場(chǎng)景的需求不同,所以技術(shù)方的人臉檢測(cè)模塊,一般可以通過(guò)調(diào)整參數(shù)得到N種亞型,以適應(yīng)不同應(yīng)用場(chǎng)景(光照、角度、有效距離、速度) 下對(duì)運(yùn)算量和有效檢測(cè)距離的需求。

(4)測(cè)試結(jié)果——欠擬合

定義:模型沒(méi)有很好地捕捉到數(shù)據(jù)特征,不能夠很好地?cái)M合數(shù)據(jù)

左圖表示size與prize關(guān)系的數(shù)據(jù),中間的圖就是出現(xiàn)欠擬合的模型,不能夠很好地?cái)M合數(shù)據(jù),如果在中間的圖的模型后面再加一個(gè)二次項(xiàng),就可以很好地?cái)M合圖中的數(shù)據(jù)了,如右面的圖所示。

解決方法

添加其他特征項(xiàng),有時(shí)候我們模型出現(xiàn)欠擬合的時(shí)候是因?yàn)樘卣黜?xiàng)不夠?qū)е碌?可以添加其他特征項(xiàng)來(lái)很好地解決。例如,“組合”、“泛化”、“相關(guān)性”三類(lèi)特征是特征添加的重要手段,無(wú)論在什么場(chǎng)景,都可以照葫蘆畫(huà)瓢,總會(huì)得到意想不到的效果。

添加多項(xiàng)式特征,這個(gè)在機(jī)器學(xué)習(xí)算法里面用的很普遍,例如將線(xiàn)性模型通過(guò)添加二次項(xiàng)或者三次項(xiàng)使模型泛化能力更強(qiáng)。例如上面的圖片的例子。

減少正則化參數(shù),正則化的目的是用來(lái)防止過(guò)擬合的,但是現(xiàn)在模型出現(xiàn)了欠擬合,則需要減少正則化參數(shù)。

嘗試非線(xiàn)性模型,比如核SVM 、決策樹(shù)、DNN等模型。

(5)測(cè)試結(jié)果——過(guò)擬合

定義:模型把數(shù)據(jù)學(xué)習(xí)的太徹底,以至于把噪聲數(shù)據(jù)的特征也學(xué)習(xí)到了,這樣就會(huì)導(dǎo)致在后期測(cè)試的時(shí)候不能夠很好地識(shí)別數(shù)據(jù),即不能正確的分類(lèi),模型泛化能力太差。例如下面的例子。

上面左圖表示size和prize的關(guān)系,我們學(xué)習(xí)到的模型曲線(xiàn)如右圖所示,雖然在訓(xùn)練的時(shí)候模型可以很好地匹配數(shù)據(jù),但是很顯然過(guò)度扭曲了曲線(xiàn),不是真實(shí)的size與prize曲線(xiàn)。

解決方法

從產(chǎn)品角度:

重新清洗數(shù)據(jù),導(dǎo)致過(guò)擬合的一個(gè)原因也有可能是數(shù)據(jù)不純導(dǎo)致的,噪音太多影響到模型效果,如果出現(xiàn)了過(guò)擬合就需要我們重新清洗數(shù)據(jù)。

增大數(shù)據(jù)的訓(xùn)練量,還有一個(gè)原因就是我們用于訓(xùn)練的數(shù)據(jù)量太小導(dǎo)致的,訓(xùn)練數(shù)據(jù)占總數(shù)據(jù)的比例過(guò)小。

從算法角度:

交叉檢驗(yàn),通過(guò)交叉檢驗(yàn)得到較優(yōu)的模型參數(shù);

特征選擇,減少特征數(shù)或使用較少的特征組合,對(duì)于按區(qū)間離散化的特征,增大劃分的區(qū)間;

正則化,常用的有 L1、L2 正則。而且 L1正則還可以自動(dòng)進(jìn)行特征選擇;

如果有正則項(xiàng)則可以考慮增大正則項(xiàng)參數(shù) lambda;

增加訓(xùn)練數(shù)據(jù)可以有限的避免過(guò)擬合;

Bagging ,將多個(gè)弱學(xué)習(xí)器Bagging 一下效果會(huì)好很多,比如隨機(jī)森林等.

4.5 標(biāo)注流程中遇到的問(wèn)題

(1)項(xiàng)目過(guò)程中的不確定性

a. 出現(xiàn)原因:

一般情況下,只要數(shù)據(jù)標(biāo)注的規(guī)范清晰,對(duì)規(guī)則的界定從一而終,標(biāo)注工作的流程還是比較簡(jiǎn)單的。

數(shù)據(jù)標(biāo)注規(guī)范可能會(huì)在測(cè)試后根據(jù)結(jié)果情況進(jìn)行調(diào)整,那么,規(guī)則修改前后“數(shù)據(jù)標(biāo)注的一致性”就出現(xiàn)了問(wèn)題,會(huì)導(dǎo)致多次返工,在時(shí)間和人工成本上頗有影響。

b. 解決方法:

1)如是分類(lèi)性質(zhì)的解析工作,建議標(biāo)注規(guī)則先從非?？隙ǖ姆呛诩窗组_(kāi)始;規(guī)則設(shè)定由簡(jiǎn)到繁,帶有疑慮數(shù)據(jù)再另外作記號(hào)。隨著規(guī)則一步步深入,可能會(huì)出現(xiàn)交叉影響,此時(shí)就需要放棄一些低頻問(wèn)題的規(guī)則,余下的未標(biāo)注的數(shù)據(jù)就根據(jù)新的規(guī)則標(biāo)注。

2)如是多類(lèi)規(guī)則同時(shí)進(jìn)行的標(biāo)注工作,需要把每類(lèi)規(guī)則定得足夠細(xì)致。

3)實(shí)例:

如詢(xún)問(wèn)機(jī)器人會(huì)干什么的語(yǔ)料中出現(xiàn),“你說(shuō)你會(huì)干什么?”可以理解為詢(xún)問(wèn),也可能是嫌棄,這兩類(lèi)應(yīng)對(duì)的策略不同,有歧義,所以不能把它歸納如詢(xún)問(wèn)類(lèi),需要把它從訓(xùn)練集里剔除。

如人臉情緒識(shí)別中,一個(gè)人在流眼淚,有時(shí)可以理解為傷心落淚,有時(shí)可以理解為喜極而泣,還有時(shí)可以理解為激動(dòng)落淚,甚至是感動(dòng)落淚等,所以在看到此類(lèi)照片時(shí),不能簡(jiǎn)單的憑借慣性化思維將其歸納到悲傷一類(lèi)中,當(dāng)人眼都很難判別清楚時(shí),需要把它從訓(xùn)練集里剔除。

5. 實(shí)際案例分析

5.1 某領(lǐng)域的人臉識(shí)別監(jiān)測(cè)與身份確認(rèn)

(1)案例問(wèn)題

光照影響:過(guò)暗或過(guò)亮等非正常光照環(huán)境,會(huì)對(duì)模型的效果產(chǎn)生很大干擾。

(2)解決方案

a. 從產(chǎn)品角度控制

在用戶(hù)可以更換環(huán)境的前提下(比如銀行刷臉取錢(qián)等),可語(yǔ)音/界面提示用戶(hù)目前環(huán)境不理想(頭歪、頭發(fā)、眼鏡等),建議進(jìn)行正確的正臉取照。

在用戶(hù)不能控制更換環(huán)境的情況下(比如人臉識(shí)別、車(chē)輛識(shí)別等攝像頭固定的場(chǎng)景),只能通過(guò)調(diào)試硬件設(shè)施彌補(bǔ)這個(gè)問(wèn)題。

晚上:由于攝像頭在晚上會(huì)自動(dòng)切換到黑夜場(chǎng)景(從圖片上看就是從彩色切換為黑白),因此在晚上強(qiáng)光下(例如路燈照射)人臉就會(huì)過(guò)曝,這時(shí),我們可以通過(guò)強(qiáng)制設(shè)置攝像頭環(huán)境為白天(圖像為彩色)來(lái)避免。而過(guò)暗的情況,從節(jié)省成本角度看,可以在攝像頭旁邊增加一個(gè)光線(xiàn)發(fā)散、功率不高的燈來(lái)彌補(bǔ)。當(dāng)然這兩個(gè)問(wèn)題也可以通過(guò)購(gòu)買(mǎi)高質(zhì)量的攝像頭解決,但這樣做也意味著更高的成本。

白天:白天也會(huì)出現(xiàn)光線(xiàn)過(guò)亮的情況,這種情況可以考慮用濾光片等等。

b. 從算法角度控制

用算法將圖片進(jìn)行處理,可以將圖片恢復(fù)得讓人眼看清的程度。

5.2 某款人臉年齡識(shí)別產(chǎn)品

(1)案例問(wèn)題

一款識(shí)別人臉年齡的產(chǎn)品對(duì)女性某個(gè)年齡階段(25—35)的判斷,誤差較大,經(jīng)過(guò)發(fā)現(xiàn),是因?yàn)樵撃挲g階段有以下特點(diǎn):

女性在這個(gè)年齡階段面貌變化不是很大,有時(shí)人眼給出的判斷誤差都很離譜。

在這個(gè)年齡層次的女性注重打扮,化妝品很大程度上掩蓋了其真實(shí)年齡,有時(shí)30多的跟20歲沒(méi)多大差別;C. 精裝打扮的和素顏的差別不是很大。

(2)解決方案

補(bǔ)充數(shù)據(jù):針對(duì)該年齡層次的人臉圖片數(shù)據(jù)做補(bǔ)充。不僅補(bǔ)充正例(“XXX”應(yīng)為多少歲),還應(yīng)補(bǔ)充負(fù)例(“XXX”不應(yīng)為多少歲)。

優(yōu)化數(shù)據(jù):修改大批以往的錯(cuò)誤標(biāo)注。

數(shù)據(jù)總結(jié):對(duì)化妝和不化妝的人臉圖片進(jìn)行分析,以便調(diào)整算法參數(shù)。

(3)需求研究

自拍:如女性群體一般都希望自拍時(shí),年齡的判別在心里預(yù)期中能越小越好,當(dāng)在和一群人自拍中可以適當(dāng)?shù)膶⒅魅斯哪挲g判別結(jié)果調(diào)低至達(dá)到用戶(hù)心理滿(mǎn)足感。此時(shí)可適當(dāng)降低算法的參照度。

婚戀交友:在婚戀網(wǎng)站交友過(guò)程中,雙方都希望知道彼此的真實(shí)年齡信息,此時(shí)運(yùn)用人臉年齡識(shí)別可以分析雙方的年齡、皮膚等物理信息為彼此提供參考。此時(shí)的信息就不能以達(dá)到心理滿(mǎn)足感為主了,應(yīng)當(dāng)追求準(zhǔn)確度。

5.3 某款A(yù)R美顏相機(jī)

(1)無(wú)法定位出人臉

在背景出現(xiàn)多人或?qū)櫸飼r(shí),相機(jī)有時(shí)并未能精確定位出目標(biāo)用戶(hù),而定位到背景圖片中的人、寵物、身旁的其他人;有時(shí)屏幕一片漆黑;有時(shí)顯示未檢測(cè)出人臉。

從產(chǎn)品角度:界面提醒用戶(hù)遠(yuǎn)離復(fù)雜背景,或美顏時(shí)最好屏幕中只出現(xiàn)一人,或給出方框圖讓用戶(hù)自己手動(dòng)選擇主要定位區(qū)域進(jìn)行AR美顏;屏幕一片漆黑時(shí)可提醒用戶(hù)是否是光線(xiàn)太暗,或是攝像頭被障礙物遮擋等;

從算法角度:可對(duì)人臉關(guān)鍵點(diǎn)進(jìn)行定位,計(jì)算目標(biāo)用戶(hù)與攝像頭的距離或計(jì)算人臉在頻幕的區(qū)域占比來(lái)確定目標(biāo)用戶(hù)(一般幾何距離近的、頻幕區(qū)域占比較大的為美顏目標(biāo)),結(jié)合活體檢測(cè)來(lái)排除背景圖片人物的干擾等。

(2)圖像模糊昏暗

光線(xiàn)太暗、運(yùn)動(dòng)、對(duì)焦等造成模糊(攝像頭距離因素,造成圖像低頻存在,高頻流失等)

從產(chǎn)品角度:可提醒用戶(hù)在光線(xiàn)較溫和的區(qū)域進(jìn)行美顏操作;或是擦除前置攝像頭的障礙物;或文字提示動(dòng)作太快;或是更換高清前置攝像頭;或提示對(duì)焦失敗,給與對(duì)焦框圖讓用戶(hù)手動(dòng)對(duì)焦等。

從算法角度:在美顏前可在后臺(tái)中調(diào)取手機(jī)亮度調(diào)節(jié)功能,用算法調(diào)節(jié)光線(xiàn)的亮暗程度以適應(yīng)美顏所需的物理?xiàng)l件;用算法設(shè)法補(bǔ)齊高頻部分從,而減少對(duì)照片的干擾。

(3)人臉關(guān)鍵動(dòng)作抓捕太慢

在進(jìn)行AR美顏搞怪時(shí)(如張嘴動(dòng)作,屏幕出現(xiàn)音符、唾沫星子等)對(duì)動(dòng)作抓捕太慢(半天才抓捕到張嘴動(dòng)作)。

從產(chǎn)品角度:文字提示不支持快速移動(dòng)或提示緩慢移動(dòng)(如,親!您的動(dòng)作太快了,奴家還未反應(yīng)過(guò)來(lái)等)

從算法角度:人臉姿態(tài)估計(jì)、關(guān)鍵點(diǎn)定位來(lái)捕捉人臉動(dòng)作。

(4)關(guān)鍵位置添加虛擬物品失敗(如在嘴上叼煙、耳朵吊耳環(huán)、眼鏡戴墨鏡、臉顯紅暈)

從產(chǎn)品角度:文字/圖片提醒用戶(hù)擺正人臉位置。

從算法角度:可利用算法對(duì)人臉關(guān)鍵區(qū)域進(jìn)行分割并定位,來(lái)達(dá)到人臉精準(zhǔn)定位添加虛擬物品

5.4 人臉開(kāi)門(mén)和人臉檢索

(1)人臉開(kāi)門(mén)等跨網(wǎng)方案需要關(guān)注的因素

遠(yuǎn)程算法更新:遠(yuǎn)程算法更新必然會(huì)造成本地局域網(wǎng)功能暫時(shí)性無(wú)法使用。因此遠(yuǎn)程算法更新的頻率、時(shí)間、更新效果都需要產(chǎn)品在更新前精確評(píng)估。

增刪改人臉數(shù)據(jù)與本地?cái)?shù)據(jù)的同步:本地局域網(wǎng)和互聯(lián)網(wǎng)是無(wú)法直接交互的,因此用戶(hù)在互聯(lián)網(wǎng)一旦對(duì)人臉數(shù)據(jù)庫(kù)進(jìn)行增刪改的操作,下發(fā)程序的穩(wěn)定性和及時(shí)性都需要重點(diǎn)關(guān)注。

硬件環(huán)境:本地存儲(chǔ)空間的大小和GPU直接影響到本地識(shí)別的速度。服務(wù)器的穩(wěn)定性影響到功能地正常使用。

守護(hù)程序:斷電等外置情況意外情況發(fā)生又被處理完善后,程序能自動(dòng)恢復(fù)正常。

(2)人臉檢索等某一局域網(wǎng)方案需要關(guān)注的因素

速度:除了算法識(shí)別需要消耗一定時(shí)間外,該局域網(wǎng)下的網(wǎng)速會(huì)影響到識(shí)別結(jié)果輸出的速度。

數(shù)據(jù)庫(kù)架構(gòu):通過(guò)檢索結(jié)果關(guān)聯(lián)結(jié)構(gòu)化數(shù)據(jù)。

閾值的可配置性:在界面設(shè)置閾值功能,從產(chǎn)品層面輸入閾值后,改變相對(duì)應(yīng)的結(jié)果輸出。

輸出結(jié)果排序:根據(jù)相似度排序或結(jié)構(gòu)化數(shù)據(jù)排序內(nèi)容地抉擇

云服務(wù)的穩(wěn)定性。

5.5 曠視科技官網(wǎng)產(chǎn)品體驗(yàn)(多圖預(yù)警)

(1)年齡略有差距,自我估計(jì)+-5,性別基本無(wú)誤,頭部狀態(tài)略有誤差,人種誤差在30-40%(樣本量10,白種人和黃種人誤差明顯),情緒基本無(wú)誤,眼鏡種類(lèi)識(shí)別有誤差(商品識(shí)別的范疇),強(qiáng)光狀態(tài)下表現(xiàn)不佳。

(2)邏輯錯(cuò)誤:左眼(睜眼、普通眼鏡)、右眼(墨鏡);相似度大(下圖為張一山和夏雨)的較難區(qū)分(雙胞胎估計(jì)很難區(qū)分)

(3)遠(yuǎn)距離檢測(cè)較難:左圖檢測(cè)出一張,右圖檢測(cè)出兩張(估計(jì)10米開(kāi)外檢測(cè)不到)

(4)能夠識(shí)別蠟像、海報(bào)等非真人場(chǎng)景,因此在一些場(chǎng)合可欺騙攝像頭,如在金融領(lǐng)域里的身份識(shí)別,海關(guān)檢查等關(guān)鍵性應(yīng)用中,將會(huì)有風(fēng)險(xiǎn)。

(5)佩戴的口罩無(wú)法檢測(cè)出人臉

(6)公司體驗(yàn)對(duì)比結(jié)果

6. 項(xiàng)目虛擬實(shí)戰(zhàn)(以AR美顏APP為例,過(guò)程為理論經(jīng)驗(yàn)推理所得,自己并未實(shí)習(xí))

人臉檢測(cè)系統(tǒng)下,有很多FR相關(guān)的應(yīng)用,比如人臉屬性識(shí)別(年齡、表情、性別、種族等)、人臉美顏/美妝、人臉聚類(lèi)等等。我們從AR美顏/美妝這一個(gè)例子著手,探索項(xiàng)目的具體流程。

6.1 項(xiàng)目前期準(zhǔn)備

(1)需求調(diào)研

場(chǎng)景及痛點(diǎn):現(xiàn)在大多數(shù)美顏相機(jī)拍照后,都只有添加各種濾鏡、加幾個(gè)字、變白一點(diǎn),早已經(jīng)不能滿(mǎn)足廣大女性群體對(duì)于美顏的需求;加上如今年輕女性和男性的審美標(biāo)準(zhǔn)和獵奇心理都在發(fā)生改變,社交方式的趣味性也變得不同,比如原來(lái)大家可能在空間、朋友圈、直播上看到美女帥哥都會(huì)覺(jué)得很吸睛,點(diǎn)贊粉絲直奔而來(lái),但隨著快手和抖音的出現(xiàn),可以發(fā)現(xiàn)不僅僅是俊男靚女的照片和視頻能引起圍觀,同樣的各種普通群眾的搞怪合成視頻或合成照片(虛擬的AR特效帶來(lái)的各種浮夸造型)同樣能吸引無(wú)數(shù)粉絲的追捧,讓普通人也能享受被人膜拜的滿(mǎn)足感,而這些都需要用到人臉識(shí)別的相關(guān)技術(shù)。

(2)目標(biāo)用戶(hù)畫(huà)像分析

了解目標(biāo)用戶(hù)的主流群體:學(xué)生(大學(xué)生、高中生、初中生)群體對(duì)月美顏美妝的心理需求、時(shí)尚人士的美妝需求、長(zhǎng)相普通的人和長(zhǎng)相突出的人對(duì)于美顏的心理需求等。

了解用戶(hù)的年齡組成、地域分布對(duì)應(yīng)美妝的特點(diǎn)。

不同收入群體(白領(lǐng)、金領(lǐng)、藍(lán)領(lǐng)等)的美顏美妝需求關(guān)注點(diǎn)。

(3)市場(chǎng)分析

美顏美妝的市場(chǎng)規(guī)模,產(chǎn)業(yè)鏈,潛在的邊際效應(yīng)利益等。

6.2 文檔準(zhǔn)備

(1)需求文檔

詳細(xì)的分析目前的用戶(hù)需求,針對(duì)不同群體,設(shè)計(jì)不同的產(chǎn)品解決方案,包括市場(chǎng)的需求文檔。

(2)數(shù)據(jù)文檔

前期的人臉圖片收集、分發(fā)、標(biāo)注總結(jié)文檔(確定什么樣的圖片能要,什么樣的不能要),各種臉型(長(zhǎng)的、寬的、圓的、前額凸出的、眼睛深陷的等等)的分類(lèi),多少人完成眼睛美顏圖片的分類(lèi)等。

(3)產(chǎn)品文檔

場(chǎng)景落地文檔:如聽(tīng)歌時(shí)頭上戴虛擬耳機(jī),嘆氣時(shí)嘴上叼煙,說(shuō)話(huà)時(shí)唾沫星子等針對(duì)不同的人臉姿態(tài)場(chǎng)景研究可能的落地產(chǎn)品形式。

產(chǎn)品的設(shè)計(jì)文檔:如美顏APP的頁(yè)面交互設(shè)計(jì)、導(dǎo)航設(shè)計(jì)、視覺(jué)呈現(xiàn)設(shè)計(jì)等;直播APP中的彈幕呈現(xiàn)設(shè)計(jì)、點(diǎn)贊分享按鈕設(shè)計(jì)等。

產(chǎn)品開(kāi)發(fā)流程文檔:如PM先提交需求、可行性分析、立項(xiàng)、設(shè)計(jì)流程、開(kāi)發(fā)流程,算法搭建、模型訓(xùn)練、測(cè)試訓(xùn)練等一系列流程的步驟及跟進(jìn)。

模型訓(xùn)練及測(cè)試文檔:數(shù)據(jù)標(biāo)注好后,喂給算法,搭建人臉識(shí)別美顏的模型框架,如前期用成千上萬(wàn)的照片訓(xùn)練機(jī)器的人臉關(guān)鍵點(diǎn)定位,讓機(jī)器找準(zhǔn)鼻子、眼睛、耳朵、嘴等位置等。

6.3 數(shù)據(jù)標(biāo)注

(1)數(shù)據(jù)圖片的采集

在文檔的指引下,從公開(kāi)網(wǎng)站上爬取收集符合模型訓(xùn)練的人臉圖片、或是運(yùn)用公司的數(shù)據(jù)圖片等

(2)數(shù)據(jù)圖片的標(biāo)注

在標(biāo)注規(guī)范文檔的指引下,將圖片分發(fā)給標(biāo)注團(tuán)隊(duì)進(jìn)行數(shù)據(jù)的標(biāo)注,對(duì)一些模棱兩可的圖片,如圖片中的人臉較模糊,此時(shí)該照片是要還是不要,期間應(yīng)與算法同事保持溝通,有時(shí)暗的圖片在算法的優(yōu)化中能準(zhǔn)確識(shí)別,這樣增加實(shí)際情況的容錯(cuò)率(實(shí)際中較暗的人臉圖像也能定位出關(guān)鍵部位),那么這張圖片則視為有效數(shù)據(jù);有時(shí)較暗的圖片經(jīng)過(guò)算法之后并不能達(dá)到要求(及無(wú)法定位出人臉關(guān)鍵點(diǎn)),此時(shí)這照片則視為無(wú)效數(shù)據(jù),直接剔除;但是標(biāo)注團(tuán)隊(duì)并不知道這張圖片是有效還是無(wú)效,所以標(biāo)注過(guò)程中,算法同事也需間接參與進(jìn)來(lái)。

(3)數(shù)據(jù)的反饋

在部分圖片標(biāo)注過(guò)程后,交于算法同事訓(xùn)練模型調(diào)節(jié)參數(shù),期間將測(cè)試后的數(shù)據(jù)(精確率和召回率的計(jì)算,來(lái)反映數(shù)據(jù)的標(biāo)注結(jié)果)反饋給還在標(biāo)注的人員,有時(shí)可能造成過(guò)擬合有時(shí)可能造成欠擬合等方便對(duì)數(shù)據(jù)進(jìn)行重新操作。

6.4 項(xiàng)目流程跟蹤

(1)產(chǎn)品立項(xiàng)后,每天的任務(wù)管理,流程進(jìn)度跟蹤,產(chǎn)出時(shí)間管理,開(kāi)會(huì)反饋工作成果等。

(2)軟硬件端:在開(kāi)發(fā)流程文檔的指引下,按照常規(guī)的軟硬件跟蹤開(kāi)發(fā)。

(3)算法流程:人臉采集、人臉檢測(cè)、圖像的預(yù)處理(模糊的則用算法去模糊等)、人臉特征提取、圖像的匹配識(shí)別、AR虛擬等。

6.5 項(xiàng)目測(cè)試

手機(jī)攝像頭測(cè)試

平臺(tái)后臺(tái)程序測(cè)序

算法與平臺(tái)后臺(tái)測(cè)試

模型識(shí)別時(shí)間、準(zhǔn)確率、召回率測(cè)試

服務(wù)器穩(wěn)定性測(cè)試

網(wǎng)絡(luò)帶寬限制測(cè)試

其他平臺(tái)、硬件產(chǎn)品常規(guī)測(cè)試

目標(biāo)用戶(hù)使用測(cè)試

6.6 項(xiàng)目?jī)?yōu)化

經(jīng)過(guò)各種測(cè)試之后,針對(duì)反饋回來(lái)的數(shù)據(jù)進(jìn)行產(chǎn)品的優(yōu)化。

如一張嘴就給你來(lái)根煙,結(jié)果煙插到鼻子上了,這就明顯是沒(méi)有定位到人臉關(guān)鍵點(diǎn),是數(shù)據(jù)的原因還是算法的原因,這些都要經(jīng)過(guò)優(yōu)化處理;經(jīng)過(guò)種子用戶(hù)測(cè)試后,反饋得知這個(gè)點(diǎn)贊按鈕操作起來(lái)有點(diǎn)別扭,應(yīng)該怎樣怎樣,這時(shí)可能要與設(shè)計(jì)的同學(xué)討論一下,該怎樣優(yōu)化產(chǎn)品的設(shè)計(jì)和體驗(yàn)。

6.7 項(xiàng)目驗(yàn)收上線(xiàn)

產(chǎn)品按照流程功能進(jìn)行驗(yàn)收后上線(xiàn)。

06 FR的個(gè)人看法

1. 人臉識(shí)別的現(xiàn)狀

1.1 實(shí)驗(yàn)室效果和現(xiàn)實(shí)效果對(duì)比,差距巨大

現(xiàn)如今的人臉識(shí)別技術(shù)在金融、安防等領(lǐng)域的應(yīng)用實(shí)際上的效果要比實(shí)驗(yàn)室里的差很多,前陣子西安的某高校引入人臉識(shí)別晨讀打卡,由于反應(yīng)速度太慢,到中午還排著很長(zhǎng)的隊(duì)?？梢?jiàn)實(shí)際生活中,由于各種物理因素(光照、角度、對(duì)焦、人魚(yú)攝像頭的距離等)導(dǎo)致抓拍的圖片質(zhì)量比較差,又經(jīng)過(guò)網(wǎng)絡(luò)傳輸?shù)骄钟蚓W(wǎng)/互聯(lián)網(wǎng)進(jìn)行對(duì)比(網(wǎng)絡(luò)差的過(guò)程中,反應(yīng)很慢),使得實(shí)際效果大打折扣。大多數(shù)情況下,實(shí)際抓拍圖像質(zhì)量遠(yuǎn)低于訓(xùn)練圖像質(zhì)量。

1.2 訓(xùn)練時(shí)的標(biāo)準(zhǔn)和實(shí)際應(yīng)用的標(biāo)準(zhǔn)

大多數(shù)情況下,實(shí)際應(yīng)用的標(biāo)準(zhǔn)會(huì)遠(yuǎn)高于訓(xùn)練標(biāo)準(zhǔn)。例如,人臉識(shí)別實(shí)驗(yàn)室的標(biāo)準(zhǔn)是通過(guò)正臉數(shù)據(jù)訓(xùn)練出模型,能識(shí)別正確人臉就可以。而實(shí)際情況可能沒(méi)有正臉數(shù)據(jù),對(duì)訓(xùn)練提出了更高的要求。

1.3 訓(xùn)練效果和現(xiàn)實(shí)效果

大多數(shù)情況下,實(shí)際效果會(huì)遠(yuǎn)低于訓(xùn)練效果?，F(xiàn)在市面上CV公司都是說(shuō)自己的訓(xùn)練效果在99%以上(無(wú)限接近于100%),但這不等于實(shí)際應(yīng)用的效果就是99%。工業(yè)上場(chǎng)景復(fù)雜的人臉應(yīng)用(類(lèi)似識(shí)別黑名單這種1:N的人臉比對(duì))正確率在90%以上就已經(jīng)是表現(xiàn)得很好的算法模型。

2. 未來(lái)發(fā)展趨勢(shì)的思考

隨著人工智能的火熱和發(fā)展,在全球信息化、云計(jì)算、大數(shù)據(jù)的背景下,生物識(shí)別技術(shù)的應(yīng)用面會(huì)越來(lái)越大,由以人臉識(shí)別為其中代表。以下幾個(gè)發(fā)展趨勢(shì)呈現(xiàn):

網(wǎng)絡(luò)化趨勢(shì):人臉識(shí)別解決了日常生活中一個(gè)基本的身份識(shí)別問(wèn)題,今后,這總身份認(rèn)證的結(jié)果會(huì)越來(lái)越多的和各行各業(yè)應(yīng)用結(jié)合起來(lái),并通過(guò)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)得以信息共享,簡(jiǎn)單來(lái)說(shuō)就是“身份識(shí)別+物聯(lián)網(wǎng)”的發(fā)展趨勢(shì)未來(lái)將十分普遍。

多生物識(shí)別模式融合趨勢(shì):人臉識(shí)別技術(shù)現(xiàn)如今的還達(dá)不到人類(lèi)的預(yù)期體驗(yàn),對(duì)于一些安全性要求高的特殊行業(yè)應(yīng)用,如金融行業(yè),人臉識(shí)別很容易被不法分子攻破漏洞進(jìn)行身份造假,因此需要多種生物特征識(shí)別技術(shù)的融合應(yīng)用(如活體檢測(cè)、虹膜識(shí)別等)以進(jìn)一步提高身份識(shí)別的整體安全性。

云技術(shù):未來(lái)的云技術(shù)也將大大給人臉識(shí)別的應(yīng)用提供數(shù)據(jù)和計(jì)算力支持,基于云技術(shù)的門(mén)禁控制可以同時(shí)管理成百上千的通道,加上物聯(lián)網(wǎng)的普及,用戶(hù)對(duì)任何地方的門(mén)禁進(jìn)行遠(yuǎn)程控制和管理,準(zhǔn)確識(shí)別本人,將廣泛應(yīng)用到企業(yè)、學(xué)校、培訓(xùn)機(jī)構(gòu)、大型商業(yè)場(chǎng)合、辦公大樓的門(mén)禁解決方案。

3. 盈利模式的思考

(1)單一盈利模式

現(xiàn)如今的人臉識(shí)別技術(shù)服務(wù)商,都以將技術(shù)接入第三方應(yīng)用軟件,或是搭載在智能終端上,通過(guò)收取一定技術(shù)服務(wù)費(fèi)來(lái)獲取盈利。目前國(guó)內(nèi)的第一梯隊(duì)創(chuàng)業(yè)公司都在技術(shù)和數(shù)據(jù)上沉淀,而是否盈利,盈利多少都還尚不明確。

如在金融領(lǐng)域,人臉識(shí)別用于身份確認(rèn),然而身份確認(rèn)之后,就沒(méi)你什么事,你跟用戶(hù)的關(guān)系只在于,打開(kāi)某款A(yù)PP或某個(gè)終端場(chǎng)景(閘機(jī))的鑰匙,打開(kāi)之后,用戶(hù)的所有行為都沉浸在APP中,并沒(méi)有給FR技術(shù)服務(wù)商帶來(lái)其他的使用數(shù)據(jù)及用戶(hù)行為信息;從根本上來(lái)看,用戶(hù)只是用鑰匙開(kāi)了門(mén),而往往是門(mén)里面的東西(用戶(hù)數(shù)據(jù))才能帶來(lái)商業(yè)價(jià)值。

(2)對(duì)比互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)

互聯(lián)網(wǎng)時(shí)代早期有很多功能性的產(chǎn)品。如早年間的QQ只有聊天的功能;360用戶(hù)只是用它來(lái)給電腦殺殺毒;百度就是個(gè)即問(wèn)即答的老師;搜狐、新浪也就是用來(lái)看看新聞而已。

移動(dòng)互聯(lián)網(wǎng)時(shí)代也有很多這樣的產(chǎn)品。滴滴幫用戶(hù)叫個(gè)車(chē);高德也就差不多是古代的指南針。

案例分析:眾所周知,上面舉的例子不是互聯(lián)網(wǎng)時(shí)代的高市值企業(yè),就是移動(dòng)互聯(lián)網(wǎng)時(shí)代高融資率的企業(yè)。

QQ后來(lái)用戶(hù)數(shù)越來(lái)越多,QQ號(hào)成網(wǎng)絡(luò)身份的一個(gè)必不可少的身份屬性之一,用戶(hù)大量的數(shù)據(jù)沉淀在其中,通過(guò)用戶(hù)的使用行為信息,小馬哥知道了這么多人都用我的QQ,那趕緊搞個(gè)什么娛樂(lè)活動(dòng),讓有QQ號(hào)的人都來(lái)玩,于是就有了龐大的游戲帝國(guó)產(chǎn)業(yè),游戲里面又加上各種鉆(什么粉鉆、綠鉆、紫鉆、黑鉆)對(duì)應(yīng)的各種會(huì)員機(jī)制,QQ號(hào)又以其他的方式來(lái)獲取用戶(hù)的行為信息如,QQ音樂(lè)(下歌要錢(qián)、換皮膚要錢(qián))、騰訊視頻(各種廣告收入、會(huì)員充錢(qián)等)、QQ郵箱(會(huì)員高級(jí)功能)等,讓人們?cè)郊映两赒Q帝國(guó)的生態(tài)圈中,莫名其妙的就被吸走了很多錢(qián)?？赡苣銜?huì)說(shuō)我還可以用其他的呀,但是好煩啊,這個(gè)也要注冊(cè),那個(gè)也要注冊(cè),明明一個(gè)QQ號(hào)可以玩轉(zhuǎn)所有,沒(méi)辦法我就是這么懶,所以說(shuō)懶人創(chuàng)造了這個(gè)世界的絕大多數(shù)科技產(chǎn)品。

滴滴現(xiàn)如今估值幾百億美刀,投資人為何給一個(gè)只幫你叫車(chē)的公司如此高的估值,我們知道滴滴打車(chē)比一般的直接叫車(chē)要便宜一點(diǎn)點(diǎn)(專(zhuān)車(chē)除外),那它的盈利點(diǎn)從而來(lái),投資人有看中了它的哪一點(diǎn)。其實(shí)不難理解,滴滴之所以有如今的估值,正因?yàn)槠鋷缀鯄艛嗔藝?guó)內(nèi)的打車(chē)市場(chǎng),大量的用戶(hù)使用它,必然就會(huì)有用戶(hù)的使用數(shù)據(jù),而這些數(shù)據(jù)便是變現(xiàn)的好東西,一旦整個(gè)生態(tài)搭建完畢,未來(lái)滴滴就將這些數(shù)據(jù)用無(wú)人駕駛方面,一旦搶占了市場(chǎng)的制高點(diǎn),未來(lái)在行業(yè)鏈上就有絕對(duì)的議價(jià)能力。比如現(xiàn)在人們已經(jīng)習(xí)慣了去一個(gè)陌生地方,就來(lái)一個(gè)滴滴打車(chē),若滴滴突然漲價(jià),一公里漲幾毛或一元,你用它還是不用;心理學(xué)表明,人養(yǎng)成一個(gè)習(xí)慣之后,就會(huì)有慣性,對(duì)于沒(méi)有超出心理承受預(yù)期的東西(不是漲價(jià)漲得特別離譜),人們會(huì)一直保持這個(gè)習(xí)慣中的一些行為,而不愿做出改變(也就是常說(shuō)的人有一種惰性)。因此我想大多數(shù)人都會(huì)去接受,因?yàn)榭赡苣慊〞r(shí)間自己打車(chē)也是需要很多成本的;用戶(hù)基數(shù)比較大,那這個(gè)漲了幾毛的就會(huì)帶來(lái)不少的盈利空間(中國(guó)十幾億人口,一人給我一毛錢(qián),我都能成為億萬(wàn)富翁了,但對(duì)別人而言,一毛錢(qián)可能連袋辣條都買(mǎi)不到),這還只是一方面。

d. 人臉識(shí)別作為一種技術(shù),并沒(méi)有實(shí)際的產(chǎn)品承載點(diǎn)。以上分析中的種種產(chǎn)品,你都能叫出來(lái)名字,是因?yàn)檫@些功能或是技術(shù)都有一個(gè)實(shí)際的產(chǎn)品承載點(diǎn),比如QQ用了即時(shí)通訊技術(shù),頭條背后的智能推薦用了機(jī)器學(xué)習(xí)相關(guān)技術(shù),但在我們心目中它不是以一種技術(shù)停留在我們的心智空間里,它是一款實(shí)實(shí)在在的產(chǎn)品,我們可以操作它,使用它。無(wú)論是QQ還是滴滴、高德、今熱頭條、新浪等等,這些產(chǎn)品我們都能實(shí)實(shí)在在的接觸到,并且后續(xù)行為都在這個(gè)技術(shù)的承載點(diǎn)里(如即時(shí)通訊技術(shù)的產(chǎn)品承載點(diǎn)是QQ,機(jī)器學(xué)習(xí)技術(shù)的產(chǎn)品承載點(diǎn)是頭條),那么用戶(hù)的數(shù)據(jù)自然也就在產(chǎn)品承載點(diǎn)之中,這樣我們才能應(yīng)用數(shù)據(jù)來(lái)創(chuàng)造價(jià)值,從而實(shí)現(xiàn)盈利。

e. 人臉識(shí)別目前的階段停留在大眾視野里只是一種技術(shù),人們的潛意識(shí)里并沒(méi)有建立起一個(gè)概念,那就是這個(gè)人臉識(shí)別到底是個(gè)什么東西,我能操作它嗎?它能給我?guī)?lái)什么呢?而一旦人臉識(shí)別有一個(gè)產(chǎn)品承載點(diǎn),讓用戶(hù)能實(shí)實(shí)在在的進(jìn)行操作,并有數(shù)據(jù)積累,才會(huì)有盈利的可能。而人臉識(shí)別的產(chǎn)品承載點(diǎn)是什么,目前還都沒(méi)有出現(xiàn),未來(lái)肯定會(huì)有,這也是未來(lái)的一大機(jī)會(huì),無(wú)論是什么,這個(gè)產(chǎn)品必然都能被用戶(hù)實(shí)實(shí)在在的接觸到,并且后續(xù)也都將在其中產(chǎn)生行為,后者是必要條件。

4. 信息安全的思考

一旦前面提到的產(chǎn)品承載點(diǎn)出現(xiàn),FR技術(shù)必將大行其道,隨之而來(lái)的可能是信息安全問(wèn)題。

物聯(lián)網(wǎng)時(shí)代之下,萬(wàn)物互聯(lián),萬(wàn)物智能,FR技術(shù)也必將融入到物聯(lián)網(wǎng)之中,人們可能都不需要身份類(lèi)的實(shí)物證件?；丶议_(kāi)門(mén)掃臉,外出開(kāi)車(chē)門(mén)掃臉,進(jìn)公司掃臉,出去吃飯付錢(qián)掃臉。當(dāng)人臉成為你的虛擬證件時(shí),一旦又不法公司、團(tuán)體、個(gè)人泄露或是破解了你的人臉虛擬證件,那么你的一切信息可能都暴露在他人面前,財(cái)產(chǎn)、房子、車(chē)子可能都有風(fēng)險(xiǎn),還有可能因?yàn)閬G失人臉證件,將無(wú)法證明你自己的身份,就像你丟了身份證一樣?？上攵畔踩闹匾?未來(lái)估計(jì)會(huì)誕生一個(gè)虛擬身份信息系統(tǒng),里面有每一個(gè)人的身份信息,當(dāng)?shù)谌叫枰矸菡J(rèn)證時(shí),可接入系統(tǒng)等。前陣子臉書(shū)因?yàn)樯缃恍畔⑿孤抖巧媳娕鸸P(guān)麻煩。我想未來(lái)如果有一個(gè)公司專(zhuān)門(mén)負(fù)責(zé)用戶(hù)信息數(shù)據(jù)的監(jiān)管,我也不會(huì)覺(jué)得很奇怪的。

5. 產(chǎn)品形式的思考

可接觸性:無(wú)論FR技術(shù)最終是以硬件還是軟件方式出現(xiàn)在用戶(hù)面前,前提是用戶(hù)能夠?qū)嶋H的接觸到,而不是仿佛在云端不可觸摸,只有用戶(hù)接觸了,才能在心里產(chǎn)生出它是一款產(chǎn)品,而不是一項(xiàng)技術(shù)的概念。如AR美顏就是實(shí)實(shí)在在可操作的產(chǎn)品。

連續(xù)使用性(高頻性):產(chǎn)品必須是用戶(hù)能連續(xù)使用的,也就是所謂的高頻性,只有這樣才能產(chǎn)生可利用的信息數(shù)據(jù)來(lái)變現(xiàn)。

功能承載性:產(chǎn)品要能以一種功能的方式為用戶(hù)解決生活中的某一類(lèi)問(wèn)題。人臉除了身份認(rèn)證(金融行業(yè)、安防門(mén)禁)、視覺(jué)欣賞(美顏美妝、整容)、社交評(píng)判依據(jù)(婚戀網(wǎng)站)還能用來(lái)干什么呢?

To C or To B:結(jié)合互聯(lián)網(wǎng)時(shí)代的發(fā)展,我個(gè)人始終認(rèn)為一款產(chǎn)品只有圍繞用戶(hù)提供服務(wù),才有可能成就明星產(chǎn)品。從歷史的角度來(lái)看,每一個(gè)王朝的興衰更替都是以老百姓的意愿為轉(zhuǎn)移,有道是“水能載舟亦能覆舟”。產(chǎn)品亦是如此,產(chǎn)品概念誕生到現(xiàn)在,每一款產(chǎn)品的興衰也都是建立在用戶(hù)的基礎(chǔ)之上。任何一款產(chǎn)品拋開(kāi)用戶(hù)之后都只能死亡,盡管目前FR大層面上應(yīng)用在B端,但是未來(lái)成功的FR應(yīng)用產(chǎn)品必然是誕生在C端。

原文標(biāo)題:深度干貨!一文讀懂人臉識(shí)別技術(shù)(建議收藏)

文章出處:【微信號(hào):szwlw26059696,微信公眾號(hào):物聯(lián)網(wǎng)之聲】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。