爆料！傳阿里人靠臉吃飯，真相是......

阿里技術_發表於2018-11-27

阿里

640?wx_fmt=png

阿里妹導讀：影像識別是機器智慧的一個重要領域。影像識別使得機器能夠“看”事物，甚至包括人類無法看到的事物。本週，阿里妹將陸續推出數個“影像識別”方向的阿里技術實踐案例，和大家一起發現影像演算法之美。

從進出辦公大樓到會議室，從取快遞到食堂吃飯，只需對準攝像頭刷一下臉，就能輕鬆完成通行、支付、取件等操作。在阿里巴巴，“臉”已經成為員工日常生活辦公的通行證。

640?wx_fmt=png

阿里園區食堂使用人臉支付

作為園區“刷臉”的主要技術支援方，阿里巴巴資訊平臺事業部園區大腦技術團隊負責人楊含飛（花名：少昊）表示，今年1月初，第一臺人臉閘機才正式在園區落地。而現在，“人臉”已經運用在阿里園區的方方面面，平均每天會進行20多萬次的人臉識別。

此外，隨著會議活動對安防要求的增加，一些大型展會對人臉識別的需求也變得越來越強烈。在今年9月雲棲大會上，阿里內部的這套人臉閘機，支援現場12萬人次的通行。

640?wx_fmt=gif

雲棲大會上的人臉門禁

那麼，在這些大規模的人員識別場景中，阿里內部的人臉識別究竟是如何做保障的？

今天，我們邀請少昊親自揭祕阿里巴巴人臉識別的優化方案。

人臉識別時，首先需要對方提供一張照片進行人臉註冊，然後在識別過程中，通過終端照片去檢測當前畫面照片上是否有人臉出現。如果有就會去提取特徵並與服務端演算法進行對比，來確認兩者之間是否一致。可見，人臉識別實際上是特徵的“提取”與“對比”。

少昊認為，在這一過程中，特徵提取是否完整與充分，對比是否快速準確，與識別演算法、終端軟硬體以及人臉底庫照片都有關係。所以，資訊平臺在做大型人員識別的優化時，主要從這三個方向入手：

終端的優化

終端的優化分為硬體與軟體。硬體上，主要針對攝像頭採用寬動態技術，IPS優化，從捕捉畫面前景與背景處理上達到清晰均衡的要求，解決逆光問題，讓人臉識別更加快速有效。

640?wx_fmt=png

軟體上，我們主要對拍攝清晰度做管理和控制。一般來說，在捕捉到識別影像後，首先會對每幀影像進行資料監控與評估。在經過資料化打標之後，會給影像進行分類，來考察不同清晰度下的影像通過率。以及不同清晰度與角度下，影像的實際分佈情況。這能有效管控識別速度與識別距離，確保整個識別過程的通行效率。

識別演算法的優化

誤識率是人臉識別的基礎，所以在識別演算法上，技術人員一是對誤識進行控制；二是對相似度進行管理。

因為受演算法效能影響，隨著人臉底庫的增加，演算法效能會逐步降低。如何在識別服務上進行優化，成為人臉識別的一大關鍵。

使用者行為產生的大量資料，使資料預測成為可能。比如在杭州進行人臉識別出現誤識別，本人有可能實際上正在北京出差或休假等。所以，如果結合資料演算法模型來準確的預測使用者行為，對人群進行合理區分的話，就能一定程度解決誤識別。

基於此，團隊成員在誤識別上進行的第一個優化就是——分組優化。通過特徵細分人群，降低誤識，提高通過率。

分組優化首先需要考慮時間與空間因素。如果把一個區域空間圈得越小，未來一定時間內出現在該特定區域內的人也會越少。同時，時效越強，在該區域該時段出現的人臉也會越少。

同時，結合實際應用場景，通過業務規則與特點的判斷，以及人臉識別演算法的效能特性，就能更好確認合理的空間、時間以及人數的分組規模情況。

以阿里巴巴園區人臉識別取件的分組優化為例。從地域屬性上來看，每個小郵局都是一個固定的空間單元，有具體的位置。從時效性來看，當包裹到達小郵局後，它的主人在一段時間內會去拿包裹。從業務屬性上來看，小郵局是收取包裹快遞的地方。通過這三點屬性，就能基本確定取件場景的分組優化方案。判斷哪些員工會去哪個小郵局的分組中。

此外，取件還會存在代領情況。這一情況在業務規則中就沒法確認，需要基於歷史行為去分析，一個包裹被別人代領的可能性是多少，以及被誰代領的可能性更高。然後將這一預判結果加入到人臉識別的分組中。

640?wx_fmt=gif