起點課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會員專屬社群
榮耀標(biāo)識人臉識別：技術(shù)應(yīng)用與商業(yè)實踐
人臉識別，已成趨勢。關(guān)于人臉識別各種碎片式的報道也層出不窮，但對于大多數(shù)人而言，依然是管中窺豹，霧里看花。本篇文章中，筆者將從技術(shù)應(yīng)用與商業(yè)模式兩個維度，系統(tǒng)性地說明人臉識別，力求讓讀者，尤其是在考慮AI+應(yīng)用的從業(yè)者，看到全貌。
根據(jù)前瞻產(chǎn)業(yè)研究院對對人臉識別市場的預(yù)估，到2022年，中國人臉識別市場規(guī)模將超過66億元。
本篇，我們先來講人臉識別的技術(shù)應(yīng)用。
基礎(chǔ)能力決定上層應(yīng)用——基礎(chǔ)層算法
我們可能斷斷續(xù)續(xù)聽說過人臉檢測、人臉識別等算法，但這些算法之間是否有聯(lián)系，是否有體系？答案的是“有的”。
我們可以將人臉識別算法分為基礎(chǔ)層算法與應(yīng)用層算法。
基礎(chǔ)層算法，相當(dāng)于人臉的預(yù)處理。一張人臉，首先要經(jīng)過人臉檢測、特征關(guān)鍵點處理，質(zhì)量模型過濾之后，才能到應(yīng)用層算法做處理，并應(yīng)用到實際場景中。
基礎(chǔ)層算法的優(yōu)劣，很大程度上會影響最終的人臉識別準(zhǔn)確率和效果。
應(yīng)用落地，各取所需——應(yīng)用層算法
目前，人臉識別在身份認(rèn)證領(lǐng)域與互娛領(lǐng)域應(yīng)用最為廣泛；在智能交互，數(shù)據(jù)分析處理等方向上，人臉識別也在進(jìn)行著積極探索。
身份認(rèn)證/安防的核心功能在于確認(rèn)“你是誰”，互娛領(lǐng)域的核心在于“人臉特效處理”；兩個領(lǐng)域，兩條賽道，分別擁有各自不同的產(chǎn)業(yè)鏈。
身份認(rèn)證猶如一位思維嚴(yán)謹(jǐn)?shù)墓こ處?，狠抓識別準(zhǔn)確率，防攻擊等指標(biāo)，并結(jié)合應(yīng)用落地場景，串聯(lián)業(yè)務(wù)流程，也是當(dāng)下AI結(jié)合產(chǎn)業(yè)互聯(lián)網(wǎng)的典型。
互娛領(lǐng)域就像一位鉆研人性的產(chǎn)品經(jīng)理，打造各種人臉特效，美顏、貼紙等都不在話下，并結(jié)合平臺用戶偏好，使用針對性的人臉特效策略，引領(lǐng)甚至塑造人們的審美潮流。
1. 你是誰？無介質(zhì)證明身份
日常生活中，原來我們都是需要通過介質(zhì)(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(zhì)。
身份認(rèn)證/安防的核心技術(shù)在于活體檢測、人臉比對、人臉?biāo)阉?；主要用于：線上遠(yuǎn)程認(rèn)證場景(金融開戶、刷臉注冊、刷臉登錄等)、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(rèn)證的第一步，因為首先我要確認(rèn)這個人是真人，而不是視頻、照片、面具等欺詐盜用行為。
活體檢測的技術(shù)上，目前也主要有兩大類：
- 對硬件依賴度比較低的，如動作活體，靜默活體；
- 對硬件有一定要求，需要和硬件適配的，比如雙目活體、3D結(jié)構(gòu)光活體等。
雖然后者的成本比前者高，但是防攻擊效果更好，而在線下場景中，天然的需要硬件，因而后者也成為線下場景的最好選擇。
原理上，都是采集人臉照片，并將照片做上標(biāo)記(真/假樣本)，并送到模型中訓(xùn)練從而得出算法。
不同的活體檢測，因為樣本源不一樣，比如紅外攝像頭采集的照片，帶有黑白特征；3D結(jié)構(gòu)光采集的照片帶有深度信息，導(dǎo)致識別效果也不同。
所以，活體檢測的關(guān)鍵，除了算法、模型構(gòu)造，還有一個就是圖片樣本本身所帶有的信息量。
（2）人臉比對
是將兩張人臉照片進(jìn)行比對，得出相似度；第一張是現(xiàn)場采集的，第二張該如何得來？一般有兩個來源：
- 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、人臉注冊、網(wǎng)約車司機認(rèn)證等場景，通過現(xiàn)場采集照比對你的證件照信息，確認(rèn)你就是本人；
- 賬號下已經(jīng)綁定的人臉：一般需要先輸入賬號，獲取對應(yīng)人臉。這類場景的典型應(yīng)用是取代原來的密碼功能，比如刷臉登錄、刷臉支付等。
（3）人臉?biāo)阉?/strong>
是將采集到的人臉，和底庫中的人臉全部進(jìn)行比對，得出相似度最高的幾張人臉底庫照，并得出相似度，超過一定閾值，則可以認(rèn)為是同一人。
人臉?biāo)阉?，無需事先得到底庫人臉照，只需要刷臉即可，在線下門禁、安防、刷臉支付等領(lǐng)域應(yīng)用廣泛。當(dāng)然，不同的業(yè)務(wù)領(lǐng)域中，根據(jù)誤識的后果，對人臉?biāo)阉鞯娜蒎e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?biāo)阉鞯臏?zhǔn)確率，是要結(jié)合底庫中人臉照片的數(shù)量來的，底庫中人臉照片越多，識別準(zhǔn)確率越低。
這個和人一樣，在2~3個人中，找出你曾經(jīng)認(rèn)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(yè)界做的好的一般是百萬級別的人臉庫，識別準(zhǔn)確率在95%以上。
2. 從工具到社交，娛樂至上
互娛應(yīng)用，也深深契合著行業(yè)發(fā)展。起初隨著智能手機興起，人們的自拍分享需求漸漸旺盛，美顏濾鏡，作為與手機硬件深度結(jié)合的產(chǎn)品，見證著人們變美的時代，此時，算法主要由第三方算法公司提供。
隨著4G時代帶來，短視頻社交成為人們生活熱點，美顏濾鏡、貼紙也應(yīng)用于各大互娛平臺中，并成為不可分割的一部分；對于短視頻內(nèi)容生產(chǎn)者來說，甚至已成為核心競爭力。
因此，諸如快手、抖音等平臺，都以自研算法，并結(jié)合客戶群畫像，獨自研發(fā)。
（1）濾鏡美顏
濾鏡是圖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(xiàn)調(diào)色和添加效果。2008年，美圖一炮而紅，人們發(fā)現(xiàn)，原來濾鏡還可以這么玩，自此，美顏濾鏡開始了從工具到美學(xué)定義者的轉(zhuǎn)變。
早期的傳統(tǒng)算法，主要是先使用人臉特征關(guān)鍵點算法，勾畫有效區(qū)域，然后在不同的區(qū)域進(jìn)行亮度提升、去噪聲等算法，實現(xiàn)美顏濾鏡。
隨著深度學(xué)習(xí)的興起，研究人員們開始更關(guān)注結(jié)果，設(shè)計師將原圖P成美化完成后的結(jié)果圖，并用于訓(xùn)練。人們美顏后，究竟想變成什么樣？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。核心還是人臉特征關(guān)鍵點，對于貼紙和人臉融合來說，關(guān)鍵點的數(shù)量越多越好，對齊的越準(zhǔn)確。人臉融合，則是將兩張人臉的關(guān)鍵點進(jìn)行融合。
3.?不斷進(jìn)取，跨越感知智能
人工智能承載了業(yè)界對于改造世界的期望，一定程度上說，屬性識別、視線估計、GAN等，從感知智能往前更進(jìn)了一步，但是因為技術(shù)不夠成熟、商業(yè)應(yīng)用領(lǐng)域狹窄等原因，至今未得到大規(guī)模商業(yè)應(yīng)用。
可以說，視覺AI想跨越到認(rèn)知智能，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，獲取用戶更多維的數(shù)據(jù)，豐富用戶畫像，用于個性化推薦、廣告展示等場景，聽著很美好，對不對？畢竟在數(shù)據(jù)為王的時代，數(shù)據(jù)就是價值。但是，商用化還是存在技術(shù)硬傷，識別準(zhǔn)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(dá)：從人類面部表情辨別情緒的方法論面臨的挑戰(zhàn)》（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(dá)方式及其豐富復(fù)雜，很難靠簡單的面部表情識別，人們生氣時，在平均不到30%的時間里他們會皺眉，故皺眉不等于憤怒，皺眉只是“憤怒”的眾多表達(dá)方式之一。同時，表情和語言、情境的相關(guān)關(guān)系也非常大。
（2）視線估計
視線估計與人臉特征關(guān)鍵點比較像，檢測完人臉之后，再檢測人眼以及眼球，并鎖定眼球中心等關(guān)鍵點位置，根據(jù)坐標(biāo)來鎖定視線方向。主要應(yīng)用于課堂上，評估學(xué)生注意力；
AR VR等新型硬件交互，通過視線方向，自動切換視頻中的位置等；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(guī)模應(yīng)用。
（3）GAN
GAN全稱為生成對抗網(wǎng)絡(luò)，初衷是生成不存在于真實世界中的數(shù)據(jù)，使得AI具有創(chuàng)造力或者想象力，也是目前AI領(lǐng)域一個比較熱門的研究方向。
GAN的核心網(wǎng)絡(luò)分為生成器與判別器；生成器負(fù)責(zé)憑空捏造數(shù)據(jù)，判別器負(fù)責(zé)判斷數(shù)據(jù)是否是真實數(shù)據(jù)；兩個核心網(wǎng)絡(luò)相互博弈，直至動態(tài)平衡，讓生成的數(shù)據(jù)無限接近與真實數(shù)據(jù)。
如圖，隨機噪聲就是隨機生成的一些數(shù)，也就是GAN生成圖像的源頭。
生成器根據(jù)一串隨機數(shù)生成一個假圖像，并用這些假圖去欺騙判別器
而判別器通過真圖和假圖的數(shù)據(jù)(相當(dāng)于天然的label)，進(jìn)行一個二分類神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并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)，于是生成器根據(jù)深度學(xué)習(xí)，反向傳播等，不斷去修改自己的圖片，然后，生成的圖片會越來越趨近于真實人臉，直至動態(tài)平衡。
GAN受到關(guān)注，很多原因，比如：
- 本身是無監(jiān)督的，目前人工智能的絕大部分能夠商業(yè)應(yīng)用算法都是監(jiān)督算法，所謂監(jiān)督算法，就是需要海量的樣本，并進(jìn)行人工標(biāo)注，傳播訓(xùn)練，所以行業(yè)也有“有多少人工，就有多少智能”的調(diào)侃；
- 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(jié) 很多paper都在研究gan的發(fā)展前景。
結(jié)語
任何技術(shù)，也都遵循著從技術(shù)發(fā)展—>技術(shù)成熟—>商業(yè)落地的發(fā)展規(guī)律。技術(shù)的池子不斷創(chuàng)新，同時商業(yè)也從技術(shù)池中，探索合適的技術(shù)，改造世界；
人臉識別作為一項復(fù)合性技術(shù)，既擁有現(xiàn)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：云識客，公眾號: 云識客(ID: zhiquysk)，立足視覺AI，專注場景識別的AI服務(wù)商
本文由 @胡安安 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載
題圖來自Unsplash，基于CC0協(xié)議
- 目前還沒評論，等你發(fā)揮！
