人臉識別：技術應用與商業實踐

人臉識別，已成趨勢。關於人臉識別各種碎片式的報導也層出不窮，但對於大多數人而言，依然是管中窺豹，霧裡看花。本篇文章中，筆者將從技術應用與商業模式兩個維度，系統性地說明人臉識別，力求讓讀者，尤其是在考慮AI+應用的從業者，看到全貌。

根據前瞻產業研究院對對人臉識別市場的預估，到2022年，中國人臉識別市場規模將超過66億元。

本篇，我們先來講人臉識別的技術應用。

基礎能力決定上層應用——基礎層演算法

我們可能斷斷續續聽說過人臉檢測、人臉識別等演算法，但這些演算法之間是否有聯絡，是否有體系？答案的是“有的”。

我們可以將人臉識別演算法分為基礎層演算法與應用層演算法。

基礎層演算法，相當於人臉的預處理。一張人臉，首先要經過人臉檢測、特徵關鍵點處理，質量模型過濾之後，才能到應用層演算法做處理，並應用到實際場景中。

基礎層演算法的優劣，很大程度上會影響最終的人臉識別準確率和效果。

應用落地，各取所需——應用層演算法

目前，人臉識別在身份認證領域與互娛領域應用最為廣泛；在智慧互動，資料分析處理等方向上，人臉識別也在進行著積極探索。

身份認證/安防的核心功能在於確認“你是誰”，互娛領域的核心在於“人臉特效處理”； 兩個領域，兩條賽道，分別擁有各自不同的產業鏈。

身份認證猶如一位思維嚴謹的工程師，狠抓識別準確率，防攻擊等指標，並結合應用落地場景，串聯業務流程，也是當下AI結合產業網際網路的典型。

互娛領域就像一位鑽研人性的產品經理，打造各種人臉特效，美顏、貼紙等都不在話下，並結合平臺使用者偏好，使用針對性的人臉特效策略，引領甚至塑造人們的審美潮流。

1. 你是誰？無介質證明身份

日常生活中，原來我們都是需要透過介質(身份證、工牌、駕駛證等)來證明身份，而以人臉識別為代表的生物識別，則無需介質。

身份認證/安防的核心技術在於活體檢測、人臉比對、人臉搜尋；主要用於：線上遠端認證場景(金融開 戶、刷臉註冊、刷臉登入等)、線下無人值守場景(智慧交通、人臉門禁、刷臉取款、刷臉支付等)。

（1）活體檢測

是身份認證的第一步，因為首先我要確認這個人是真人，而不是影片、照片、面具等欺詐盜用行為。

活體檢測的技術上，目前也主要有兩大類：

1. 對硬體依賴度比較低的，如動作活體，靜默活體；
2. 對硬體有一定要求，需要和硬體適配的，比如雙目活體、3D結構光活體等。

雖然後者的成本比前者高，但是防攻擊效果更好，而線上下場景中，天然的需要硬體，因而後者也成為線下場景的最好選擇。

原理上，都是採集人臉照片，並將照片做上標記(真/假樣本)，並送到模型中訓練從而得出演算法。

不同的活體檢測，因為樣本源不一樣，比如紅外攝像頭採集的照片，帶有黑白特徵；3D結構光采集的照片帶有深度資訊，導致識別效果也不同。

所以，活體檢測的關鍵，除了演算法、模型構造，還有一個就是圖片樣本本身所帶有的資訊量。

（2）人臉比對

是將兩張人臉照片進行比對，得出相似度；第一張是現場採集的，第二張該如何得來？一般有兩個來源：

1. 能代表你身份的載體，比如身份證、行駛證、駕駛證等證件照，這類場景用來做金融開 戶、人臉註冊、網約車司機認證等場景，透過現場採集照比對你的證件照資訊，確認你就是本人；
2. 賬號下已經繫結的人臉：一般需要先輸入賬號，獲取對應人臉。這類場景的典型應用是取代原來的密碼功能，比如刷臉登入、刷臉支付等。

（3）人臉搜尋

是將採集到的人臉，和底庫中的人臉全部進行比對，得出相似度最高的幾張人臉底庫照，並得出相似度，超過一定閾值，則可以認為是同一人。

人臉搜尋，無需事先得到底庫人臉照，只需要刷臉即可，線上下門禁、安防、刷臉支付等領域應用廣泛。當然，不同的業務領域中，根據誤識的後果，對人臉搜尋的容錯性也不一樣；比如在工地人臉識別中的容錯率，就要比在刷臉支付中的容錯率要低。

需要說明的是，人臉搜尋的準確率，是要結合底庫中人臉照片的數量來的，底庫中人臉照片越多，識別準確率越低。

這個和人一樣，在2~3個人中，找出你曾經認識的人，比較容易；但是上百萬個人，則長相相似的人也越多，辨識更困難。目前業界做的好的一般是百萬級別的人臉庫，識別準確率在95%以上。

2. 從工具到社交，娛樂至上

互娛應用，也深深契合著行業發展。起初隨著智慧手機興起，人們的自拍分享需求漸漸旺盛，美顏濾鏡，作為與手機硬體深度結合的產品，見證著人們變美的時代，此時，演算法主要由第三方演算法公司提供。

隨著4G時代帶來，短影片社交成為人們生活熱點，美顏濾鏡、貼紙也應用於各大互娛平臺中，併成為不可分割的一部分；對於短影片內容生產者來說，甚至已成為核心競爭力。

因此，諸如快手、抖音等平臺，都以自研演算法，並結合客戶群畫像，獨自研發。

（1）濾鏡美顏

濾鏡是影像美化中必不可少的步驟， 所謂濾鏡，最初是指安裝在相機鏡頭前過濾自然光的附加鏡頭，用來實現調色和新增效果。2008年，美圖一炮而紅，人們發現，原來濾鏡還可以這麼玩，自此， 美顏濾鏡開始了從工具到美學定義者的轉變。

早期的傳統演算法，主要是先使用人臉特徵關鍵點演算法，勾畫有效區域，然後在不同的區域進行亮度提升、去噪聲等演算法，實現美顏濾鏡。

隨著深度學習的興起，研究人員們開始更關注結果，設計師將原圖P成美化完成後的結果圖，並用於訓練。人們美顏後，究竟想變成什麼樣？研究重心也開始偏移。

（2）人臉融合與貼紙

貼紙，人臉融合，則是更高階的玩法。核心還是人臉特徵關鍵點，對於貼紙和人臉融合來說，關鍵點的數量越多越好，對齊的越準確。人臉融合，則是將兩張人臉的關鍵點進行融合。

3. 不斷進取，跨越感知智慧

人工智慧承載了業界對於改造世界的期望，一定程度上說，屬性識別、視線估計、GAN等，從感知智慧往前更進了一步，但是因為技術不夠成熟、商業應用領域狹窄等原因，至今未得到大規模商業應用。

可以說，視覺AI想跨越到認知智慧，AI與AI之間相互融合，依然還有很漫長的路要走

（1）屬性識別

年齡、性別，高興、悲傷、憤怒等情緒，獲取使用者更多維的資料，豐富使用者畫像，用於個性化推薦、廣告展示等場景，聽著很美好，對不對？畢竟在資料為王的時代，資料就是價值。但是，商用化還是存在技術硬傷，識別準確率也就70%左右。

近日，美國等5名專家，耗時兩年，查閱1000多項研究，在論文《再論人類情感表達：從人類面部表情辨別情緒的方法論面臨的挑戰》（論文原名為：《Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements》）中表示：人類情緒的表達方式及其豐富複雜，很難靠簡單的面部表情識別，人們生氣時，在平均不到30%的時間裡他們會皺眉，故皺眉不等於憤怒，皺眉只是“憤怒”的眾多表達方式之一。同時，表情和語言、情境的相關關係也非常大。

（2）視線估計

視線估計與人臉特徵關鍵點比較像，檢測完人臉之後，再檢測人眼以及眼球，並鎖定眼球中心等關鍵點位置，根據座標來鎖定視線方向。主要應用於課堂上，評估學生注意力；

AR VR等新型硬體互動，透過視線方向，自動切換影片中的位置等；廣告投放，評估行人對廣告的注意力；目前而言，市場體系還是比較小，未得到大規模應用。

（3）GAN

GAN全稱為生成對抗網路，初衷是生成不存在於真實世界中的資料，使得AI具有創造力或者想象力，也是目前AI領域一個比較熱門的研究方向。

GAN的核心網路分為生成器與判別器；生成器負責憑空捏造資料，判別器負責判斷資料是否是真實資料；兩個核心網路相互博弈，直至動態平衡，讓生成的資料無限接近與真實資料。

如圖，隨機噪聲就是隨機生成的一些數，也就是GAN生成影像的源頭。

生成器根據一串隨機數生成一個假影像，並用這些假圖去欺騙判別器

而判別器透過真圖和假圖的資料(相當於天然的label)，進行一個二分類神經網路訓練，並判別輸入的是真圖還是假圖，給出一個分值。

舉個例子，真圖是一系列的人臉照。起初，生成器生成的照片，肯定是亂七八糟的，但是判別器會去判斷打分，告訴生成器，你生成的不是真圖(人臉照)，於是生成器根據深度學習，反向傳播等，不斷去修改自己的圖片，然後，生成的圖片會越來越趨近於真實人臉，直至動態平衡。

GAN受到關注，很多原因，比如：

1. 本身是無監督的，目前人工智慧的絕大部分能夠商業應用演算法都是監督演算法，所謂監督演算法，就是需要海量的樣本，並進行人工標註，傳播訓練，所以行業也有“有多少人工，就有多少智慧”的調侃；
2. 讓AI具備想象力，比如將模糊圖變清晰(去雨、去霧、去抖動、去馬賽克等)，能腦補情節 很多paper都在研究gan的發展前景。

結語

任何技術，也都遵循著從技術發展—>技術成熟—>商業落地的發展規律。技術的池子不斷創新，同時商業也從技術池中，探索合適的技術，改造世界；

人臉識別作為一項複合性技術，既擁有現在，同時也在不斷開拓未來。雖然困難重重，但前景令人心動。

 

作者：雲識客，公眾號: 雲識客(ID: zhiquysk)，立足視覺AI，專注場景識別的AI服務商

本文由 @胡安安 原創釋出於人人都是產品經理。未經許可，禁止轉載