本文作者根據多年人臉識别項目經驗，總結了人臉識别技術在安防、商業領域應用及産品設計細節，彙總成應用層下的人臉識别系列文章。本文為系列文章的第三篇——介紹人臉比對相關内容。全文圍繞人類比對類型、人臉比對要素展開介紹。

一、人臉比對類型

人臉比對類型可分為四種，分别是：人臉1:1、人臉1:n、人臉1:N、人臉M:N。

人臉識别應用無非就是圍繞着這四種比對方式展開，下面将依次介紹各種比對類型。

1. 人臉1:1

人臉1:1一般用于人證核驗，可以簡單理解為：證明你就是。

例如：在乘坐火車、飛機，出入境，銀行辦卡時，通常需要驗證本人與其持有身份證是否為同一個人。

如下圖，系統隻需讀取二代身份證中的人臉照片，與現場抓拍的本人照片做比對即可。

人臉1:1又稱為靜态人臉比對，同時具有配合式的特點，完成比對需要用戶攜帶身份證并主動配合采集人臉。

2. 人臉1:n

人臉1:n：将一張人臉照片與人臉庫中的多張人臉逐一進行比對，人臉庫有多少人臉就需要比對多少次——平台采集了“我”的一張照片之後，從海量的人像數據庫中找到與當前使用者人臉數據相符合的圖像，并進行匹配，找出來“我是誰”。

人臉1:n又稱動态人臉比對。

比對照片是從動态視頻中獲取的，同時具有非配合特點——整個比對過程是無感知的，不需要人為配合。這兩個特性使人臉1:n能迅速落地于公安追捕逃犯，但時其難度要遠高于人臉1:1 。（其通常會受到光照變化、人臉姿态的影響——比如側臉、低頭、逆光現象，會大大提升人臉漏報率。）

人臉1:n中“n”的大小（人臉庫照片的數量）會影響人臉識别的準确率和比對速度，所以比對人臉庫規模會設置的相對較小。

3. 人臉1:N

人臉1:N又稱靜态大庫檢索：即以人臉圖片、人臉相似度作為檢索條件，在人臉庫中搜索與其相似（相似度大于設定阈值）的圖片——類似于百度以圖搜圖。

檢索過程實際就是：進行N次人臉比對，并留下比分大于阈值的結果。

人臉1:N的人臉庫規模相較于人臉1:n會大很多，最高可支持億級人臉檢索，所以這裡的N為大寫。

4. 人臉M:N

人臉M:N實際就是兩個人臉庫進行比對。

例如：人臉庫A有M個人臉，人臉庫B有N個人臉。如果想查看人臉庫A和B包含多少個相同的人，就需要用人臉庫A中M個人臉逐一與人臉庫B中N個人臉進行比對，相當于是M個人臉1:N相加的結果。

人臉M:N常用于慣犯排查、身份查重。

例如：辦案人員在處理類似三搶一盜的案件中，一般來說80%的案件是慣犯所為。于是，将線索地點路人庫與慣犯庫進行人臉M:N比對碰撞，可快速排查嫌疑，找出偵查方向。

二、人臉比對的要素

1. 人臉數據

人工智能算法的演進必須有數據作為支撐。

使用大量标注好的數據訓練模型，可将識别的準确率從70%提升到99%水平。客觀、精準的數據是人工智能應用必須具備的條件。

獲取人臉數據的五種方式：

1. 監控相機、手機相機等各種類型相機：拍攝的視頻、照片是人臉原始數據的主要來源。項目中常通過RTSP、FTP等協議對接這類相機獲取實時視頻流或圖片流。
2. NVR/DVR等錄像儲存設備：儲存了大量視頻資源，可通過ONVIF協議對接這類設備獲取數據。
3. 第三方企業、事業單位的人員信息庫：例如公安的八大信息資源庫、企業在職員工信息庫等。獲取這類數據難度較大，會涉及到第三方平台對接，還需考慮到保密、網絡安全等問題。
4. 互聯網中的開放數據集：常用的WebFace、FDDB、LFW、YouTube Face等人臉數據集，提供了優質的标注數據，可用于算法測試及模訓練。
5. 網絡爬取：通過編寫或者利用免費網絡爬蟲程序，自動抓取萬維網中的圖片。它們被廣泛用于互聯網的數據采集中。

2. 人臉比對庫

人臉比對庫為人臉識别提供比對模闆——人臉1:n、人臉1:N、人臉M:N必須要有人臉比對庫才能進行比對。

系列第二篇文章《應用層下的人臉識别（二）：人臉庫》詳細的介紹了人臉庫的建立方法。

3. 比對阈值

比對阈值：人臉比對的相似度。

人臉比對結果以相似度值呈現，在人臉比對之前需要設定一個相似度的門檻值，大于這個門檻則判定兩張照片可能為同一個人。

比對阈值對人臉識别的準确率、漏報率影響頗大，比對阈值設置的越高準确率就越高，漏報率也會随之升高。比對阈值沒有一個固定的标準，應根據應用場景來靈活調整。

例如：刷臉支付更關注比對準确率，需要調高阈值；而公安嫌犯人臉布控要求降低漏報，就需要适當調低阈值。

4. 芯片

人工智能的三要素是算法、算力和數據，而芯片決定了算力。

深度學習工程的兩大關鍵環節training（訓練）和inference（推測）需要大量的算力支撐，普通的CPU無法滿足計算要求。

相繼推出的高性能GPU、TPU、FPGA、ASIC等加速芯片，大大提升了計算速度，同時也促進了算法的發展。

GPU在人臉1:n、1:N、M:N比對中是不可或缺的，而部分人臉1:1計算量不大，可以不使用加速芯片。億級人臉檢索在GPU的加速下可以達到秒級返回結果。

5. 人臉算法

人臉算法效果決定了人臉識别的上限，也是人臉比對最關鍵的要素。随着深度學習技術的普及，各大公司的人臉算法效果差距也越來越小。

目前主流的人臉識别算法可以分為以下四類：

1. 基于人臉特征點的識别算法
2. 基于整幅人臉圖像的識别算法
3. 基于模闆的識别算法
4. 利用神經網絡進行識别的算法

2018年11月20日公布的，有工業界黃金标準之稱的全球人臉識别算法測試(FRVT)結果（如下圖）：

排名前五的算法都被中國包攬：

• 依圖科技(yitu)繼續保持全球人臉識别競賽冠軍，在千萬分之一誤報下的識别準确率超過99%。
• 排名第二的算法也來自依圖科技。
• 商湯科技(sensetime)摘得第三名和第四名。
• 中國科學院深圳先進技術研究院(siat)排名第五。

人臉算法雖然在各種數據集的測試中準确率頗高，但還遠沒達到在商業應用中的滿意程度。

目前仍然有很多缺陷需要解決，例如：

姿态問題：

人臉識别主要依據人的面部表象特征來進行，“如何識别由姿态引起的面部變化？”就成了該技術的難點之一。

姿态問題涉及：頭部在三維垂直坐标系中，繞三個軸的旋轉造成的面部變化。其中，垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。這使得姿态問題成為人臉識别的一個技術難題。

針對姿态的研究相對比較的少，目前多數的人臉識别算法主要針列正面、準正面人臉圖像。當發生俯仰或者左右側而比較厲害的情況下，人臉識别算法的識别率也将會急劇下降。

圖像質量問題：

人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不一樣。

特别是對于那些低分辨率、噪聲大、質量差的人臉圖像（如：手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等），“如何進行有效地人臉識别？”就是個需要關注的問題。

而對于高分辨圖像對人臉識别算法的影響，也需要進一步的研究。

現在，我們在人臉識别時，一般采用的都是相同尺寸、清晰度很接近的人臉圖片，所以圖像質量問題基本可以解決。但是，面對現實中更加複雜的問題，還是需要繼續優化處理。

遮擋問題：

對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。

特别是在監控環境下，往往被監控對象都會帶着眼鏡、帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了後面的特征提取與識别，甚至會導緻人臉檢測算法的失效。

人臉算法在人臉五官被擋的情況下表現的不是很好。

目前對遮擋識别效果較好的DeepID2算法，可穩定識别遮擋在20%以内，塊大小在30*30以下的人臉。

樣本缺乏問題：

基于統計學習的人臉識别算法是目前人臉識别領域中的主流算法，但是統計學習方法需要大量的訓練。

由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本隻是對人臉圖像空間中的一個極小部分的采樣。關于“如何解決小樣本下的統計學習問題？”，還有待進一步的研究。

以上就是系列文章的第三篇——《應用層下的人臉識别（三）：人臉比對》的相關内容。

歡迎大家添加公衆号“陽春柏樰”與我繼續交流圖像識别相關問題。

三、相關閱讀

應用層下的人臉識别（一）：圖像獲取

應用層下的人臉識别（二）：人臉庫

本文由@陽春柏樰 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