走近人臉識別：時代趨勢下的弄潮兒

得益於移動設備的普及和攝像技術的發展，人臉識別技術日新月異，現已普遍運用於各個行業，如：商鋪客流統計、道路安防監控、公司人臉考勤等，"刷臉"辦事正愈發常見。

人臉識別是一種基於人的臉部特徵信息進行身份識別的一種生物識別技術，具體指代用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術。

人臉識別做爲一項互聯網領域熱門技術，目前在不少互聯網產品領域都有着普遍應用。

技術特性

與其餘生物識別方式相比，人臉識別具備天然性、不被察覺性等特色。天然性指該識別方式同人類進行個體識別時所利用的生物特徵相同，而指紋識別、虹膜識別等均不具備天然性。不被察覺的特色使該識別方法不易令人抵觸，而指紋識別或虹膜識別需利用電子壓力傳感器或紅外線採集指紋、虹膜圖像，在採集過程當中體驗感不佳。非接觸性、非侵擾性、硬件基礎完善、採集快捷便利等幾大優點集合起來，就造就了人臉識別迅猛的發展和日趨成熟。

市場分析

近年來，在政策支持下，人工智能在國內狂飆突進，人臉識別技術逐漸在智慧城市、公共安全、軌道交通、政府治理等行業有所應用。2015年以來，國家持續出臺利好政策，推進了人臉識別在金融、安防、醫療等領域的應用，爲人臉識別行業奠基了堅實的基礎。數據顯示，2017年人臉識別市場規模達21.9億元，與2016年相比同比增加27%，2018年人臉識別市場規模預計近爲27.6億元。

工做原理

要理解人臉識別的工做原理，特徵向量這個概念和它脫不開聯繫。衆所周知，機器學習只能理解數字，因此要機器識別一張圖片，根本是機器學習算法將數據集做爲輸入識別數據中的模式，並從中學習經驗。例如，假定咱們但願識別指定圖片中人物的臉，不少物體是能夠看做模式的，如臉部長寬的比例、臉部膚色、頭髮顏色、局部細節的寬度（如鼻子，嘴等）。此時就存在一個模式：不一樣的臉有不一樣的維度，類似的臉有類似的維度。表示一張臉的數字能夠稱爲特徵向量，一個特徵向量包括特定順序的各類數字。舉個例子：

• 臉的長度（cm）
• 臉的寬度（cm）
• 臉的平均膚色（R，G，B）
• 頭髮的平均膚色（R，G，B）
• 鼻子長度（cm）

當給定一個圖片時，咱們能夠標註不一樣的特徵並將其轉化爲特徵向量，好比上述例子便可爲(23；16；250,210,165；150,120,250；5)。
一旦咱們將每一個圖片解碼爲特徵向量，問題就變得更簡單。明顯地，當咱們使用同一我的的兩張面部圖片時，提取的特徵向量會很是類似。換言之，兩個特徵向量的「距離」就變得很是小。
此時機器學習能夠幫咱們完成兩件事：

1. 提取特徵向量。因爲特徵過多，手動列出全部特徵是很是困難的。一個機器學習算法能夠自動標註不少特徵。例如，一個複雜的特徵多是：鼻子長度和前額寬度的比例。手動列出全部的這些衍生特徵是很是困難的。
2. 匹配算法。一旦獲得特徵向量，機器學習算法須要將新圖片和語料庫中的特徵向量進行匹配。

解決方案

阿里雲.人臉識別可支持最多上千我的臉的同時檢測，支持平面360度旋轉人臉檢測，支持左右最大90度側面人臉檢測。同時毫秒級提取圖像中的人臉五官關鍵點，識別人臉105個關鍵點定位。在此基礎上，可識別各個檢測人臉的性別、年齡、表情、眼鏡四種屬性，返回人臉的1024維深度學習特徵，實現高性能的人臉識別。

目前，阿里雲.人臉識別已推出了一套完整的身份驗證解決方案：

身份驗證1 : 1刷臉識別

判斷身份證持有者是否爲本人。
適用於安檢口、酒店、app等須要用戶刷卡作身份驗證的場景。

• 提供sdk、api兩種方式，支持多平臺，靈活部署。
• 支持無交互式及交互式活體檢測
• 高準確率：精度>99%(FAR=0.1%)
• 高效-確保高通行率

身份驗證1 : N動態識人

基於圖像或視頻輸入進行檢測，與註冊庫比對，實現1：N的人臉識別。
適用於人臉登陸、VIP人臉識別、人臉通關等無需刷卡驗證的場景。

• 提供sdk、api調用方式，支持多平臺，CPU、GPU計算模式，靈活部署。
• 支持無交互式或動做活體檢測
• 數千萬人臉樣本收集，CNN網絡模型的不斷訓練和調優，兼顧效率和精度的身份對比網絡。
• 高準確率：千人註冊級別，精度>98%

​​​​​​​

活體檢測 無交互式

經過視頻或者圖像，直接對客戶人臉進行識別，確認用戶是否爲真人，無需動做配合。

• 支持多平臺，CPU、GPU計算模式，靈活部署。
• 對靜態人臉圖像利用深度學習網絡判斷其真實性，無需動做配合
• 基於人臉CNN網絡模型+大量數據實現，精度>95%(FRA=0.1%)

​​​​​​​

活體檢測 交互式

經過人臉特徵點定位跟蹤識別 ，進行3D人臉重建估計、識別搖頭、 眨眼、張嘴等動做，判斷是否爲真人。

• 支持多平臺，CPU、GPU計算模式，靈活部署。
• 基於CNN深度學習網絡，實現人臉檢測和特徵點定位擬合3D人臉模型，完成姿態和動做估計
• 實時完成檢測，精度>95%(FRA=0.1%)

​​​​​​​​​​​​​​

注：部份內容來自網絡，感謝分享

原文連接 本文爲雲棲社區原創內容，未經容許不得轉載。