編輯導語：人臉識别産品早已被應用到生活的各個場景之中。但是你了解它的應用原理嗎？本篇文章裡，作者便将人臉識别原理進行了拆解。感興趣的話就一起看下去吧。

現在AI發展的如火如荼，我們已逐步進入智能時代。雖然人工智能偏技術類，學習和理解需要一定的技術背景和數學做支撐。但拆開看，其原理、方法、思路并不複雜，「不懂技術」的産品經理也能理解。

人工智能牽扯很多學科，知識點盤根錯節，需要具備多學科的知識儲備。從學習路徑上看，比較适合做成系列，從淺入深，從基礎到應用，逐漸深入。但無形中提高了學習門檻，降低了學習的興趣，導緻很難堅持。

有感于此，我想以一種輕松、探索的視角，跟大家一起摸索，用簡單、直白的方式來學習AI。這樣，雖然會有錯誤、遺漏等，但學習難度會降低，那就在過程中完善吧，畢竟「模糊的正确大于精确的錯誤」。

一、人臉識别産品

我們從人臉識别開始，逐步了解其技術路徑的演變和原理等，今天先從最簡單的原理講起。

人臉識别其實很早就有了，多年前就以人臉考勤的方式出現，但由于使用效果不好，用戶體驗不佳，逐步被市場淘汰。

而這一波人工智能的火熱，計算能力、模型等都是其重要推動力，但更重要的是産品能夠落地，能夠在實際業務場景中使用。

尤其是人臉識别，産品在識别精度、速度、用戶友好度等多個方面都有明顯提升，用戶和市場的接受度明顯上升。

二、圖像表示

了解人臉識别，先要從圖像表示講起。

大家都知道，計算機能夠識别和處理的是二進制，不管我們輸入的是文本、圖像、聲音，計算機都是用一定長度的二進制串進行存儲和處理。

我們先以黑白圖片為例，看看計算機是怎麼表示的。

計算機程序可以将黑白圖片可以表示為灰度圖像。在灰度圖像中，一個像素使用8個比特位，從而可以表示256個灰度階，表示範圍是0-255。其中0代表純黑色，255代表純白色。

一個字節可以表示一個像素，那怎麼表示一張圖片呢，用矩陣進行表示。

簡單來說，就是表格，比如可以使用8行8列來表示一張8*8的灰度圖片。

這樣我們就解決了圖像的表示問題，建立了圖像和矩陣的等價關系。圖片可以轉化為矩陣，通過矩陣也可以恢複原始圖片。

大家能算出來下面的矩陣表示什麼嗎？

對的，一眼就看出來了數字1，看來大家都有搞AI的天賦，加油。

三、圖像識别

通過矩陣表示圖像後，圖像的各種處理就轉化為數學問題，可以使用數學的理論和方法進行解決，而這正是計算機所擅長的。

我們輸入圖片，希望計算機能夠将内容識别出來，将結果輸出。

仍以數字為例，當輸入圖片并用矩陣表示後，通過将灰度值轉化為灰度，可以輕松辨識其所表示的内容。

但在計算機的世界裡，隻有0和1。想要通過辨識矩陣内容并将結果輸出，就必須建立矩陣到結果的映射。這樣，輸入一張圖片，經過處理和計算後，才能輸出一個數字。

很樸素的想法就是将各個數字所代表的矩陣提前存放在計算機内，當輸入一張圖片後，計算機通過計算，從而找到最适合的數字進行輸出。

舉個例子，更容易理解一些。比如，計算機内部已經存放了包含數字1和7以及它們所對應的灰度矩陣。

數字1

數字7

當新輸入一張圖像後，程序會自動計算它的矩陣與這些矩陣的相似度。相似度計算可使用的公式很多，比如可以使用百分比，距離等。

簡單起見，就使用兩個矩陣對應元素之差的絕對值之和或者平方和等，計算機進行快速運算，找到最相似的矩陣，然後将其所代表的數字進行輸出。

當輸入以下内容時，經過簡單計算，可以知道輸出結果為 7。

四、人臉表示

既然可以用矩陣來表示圖片，人臉也是照片，那麼也可以用同樣的方法來進行表示，下面的這張人臉可以表示為：

人臉照片

矩陣表示

五、人臉識别

雖然被叫做人臉識别，但更準确的名字應該是「人臉比對」。人臉識别的背後，是一張待比對圖片和人臉底庫中的所有照片進行比對，從而判别圖片中人員的身份。

一般來說，待比對照片就是我們在日常生活中被各種設備所采集的照片，比如通過人臉識别考勤機抓拍的照片。

由于環境、姿勢等原因，采集的照片具有很大的差異，導緻比對成功率不高。為了提升比對的成功率和速度，很多時候會同時抓拍多張人臉進行識别，但每次比對的時候輸入照片隻有一張。

所謂的人臉底庫就是我們在系統中提前錄入的人臉照片，照片和我們的名字一一對應。根據人臉底庫中照片數量的不同，可以将人臉比對分為1:1和1：N，由于數量不同這兩種方法的計算量和計算方法也不盡相同。

1. 1:1

1:1最常見的場景就是人證比對，比如我們在乘高鐵時所遇到的這種設備。

前面的1代表我們從設備中采集的照片，而後面的1代表身份證中的照片，通過将現場采集的照片和身份證中存放的照片進行比對，通過判别持證人是否為本人。

這種情況下隻涉及到兩張圖片的比對，計算量相對較小。

可能用在火車票安檢等場景中，所以要求的精度較高。

身份證中的照片像素較小，通過市面上的身份證讀卡器讀取出來的照片僅為100*100像素左右，給精度帶來了一定的挑戰。

目前這個領域相對成熟，使用場景正在逐步鋪開。

2. 1:N

1:N是1張人臉和底庫中的N張人臉進行比對。

比如在考勤機中，我們的人臉底庫中包含全公司的所有人臉照片。當上班打卡時，考勤機采集到人臉輸入系統，經過比對後輸出員工身份。

這種情況下計算量相對較大，時效性和識别精度太低又會影響用戶體驗，所以廠商一般會綜合考慮權衡，在設備的參數中标注所支持的人臉數量。

這一波人工智能的發展，帶動了1：N領域人臉識别技術的進步，更多的産品能夠在各個場景中落地。比如智慧城市、智慧家居等。

國内廠商也借着這一波東風，加快技術研發和産品落地，誕生了著名的AI視覺四小龍等獨角獸。

今天梳理了人臉識别的基本原理，整個實現過程雖然看起來很簡單，但技術卻在基本原理的基礎上持續完善和進步，最終達到比較好的效果。

下次我們将讨論在複雜場景下人臉識别遇到的挑戰及解決方案。

作者：AIoT産品，10年B端産品設計經驗；AIoT産品

本文由@AIoT産品 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部