实训报告网站开发,一起做网店普宁池尾,网站建设需要的流程,数学网站建设方法来源#xff1a;北京物联网智能技术应用协会本文内容涵盖人脸识别发展历程、市场研究、核心技术、商业应用以及产业落地、个人看法等干货研究。注意#xff0c;本文干货满满#xff0c;约有2万7千字#xff0c;强烈建议大家先收藏后学习#xff01;01 发展史1. 人脸识别的… 来源北京物联网智能技术应用协会 本文内容涵盖人脸识别发展历程、市场研究、核心技术、商业应用以及产业落地、个人看法等干货研究。注意本文干货满满约有2万7千字强烈建议大家先收藏后学习01 发展史 1. 人脸识别的理解 人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)自动进行身份识别的一种生物识别技术又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。 人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流并自动在图像中检测和跟踪人脸进而对检测到的人脸图像进行一系列的相关应用操作。技术上包括图像采集、特征定位、身份的确认和查找等等。简单来说就是从照片中提取人脸中的特征比如眉毛高度、嘴角等等再通过特征的对比输出结果。2. 人脸识别的发展简史 第一阶段1950s—1980s初级阶段 人脸识别被当作一个一般性的模式识别问题主流技术基于人脸的几何结构特征。这集中体现在人们对于剪影Profile的研究上人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事 AFR 研究的研究人员除了布莱索Bledsoe外还有戈登斯泰因Goldstein、哈蒙Harmon以及金出武雄(Kanade Takeo)等。总体而言这一阶段是人脸识别研究的初级阶段非常重要的成果不是很多也基本没有获得实际应用。第二阶段1990s高潮阶段 这一阶段尽管时间相对短暂但人脸识别却发展迅速不但出现了很多经典的方法例如Eigen Face, Fisher Face和弹性图匹配并出现了若干商业化运作的人脸识别系统比如最为著名的 Visionics现为 Identix的 FaceIt 系统。 从技术方案上看 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。第三阶段1990s末~现在 人脸识别的研究不断深入研究者开始关注面向真实条件的人脸识别问题主要包括以下四个方面的研究1提出不同的人脸空间模型包括以线性判别分析为代表的线性建模方法以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。2深入分析和研究影响人脸识别的因素包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。3利用新的特征表示包括局部描述子Gabor Face, LBP Face等和深度学习方法。4利用新的数据源例如基于视频的人脸识别和基于素描、近红外图像的人脸识别。02 市场研究 1. 全球人脸识别市场 前瞻根据人脸识别行业发展现状到2016年全球生物识别市场规模在127.13亿美元左右其中人脸识别规模约26.53亿美元占比在20%左右。预计到2021年全球人脸识别市场预计将达到63.7亿美元按预计期间的复合增长率达17.83。2. 中国人脸识别市场 前瞻根据人脸识别行业发展现状估算我国人脸识别市场规模约占全球市场的10%左右。2010-2016年我国人脸识别市场规模逐年增长年均复合增长率达27%。2016年我国人脸识别行业市场规模约为17.25亿元同比增长27.97%增速较上年上升4.64个百分点。3. 国内主要玩家分布 3.1 中国部分人脸识别公司排名不分先后3.2 四大独角兽介绍及对比细分领域1旷视科技 2014年获阿里巴巴旗下蚂蚁金服投资主攻金融和监控两大行业有子公司旷视智安团队成员除了几名来自清华校友外还有来自美国哥伦比亚大学、英国牛津大学和美国南加州大学的科研及开发人员截至目前员工仅有100余人。 在金融、安防、零售领域分别开始了商业化探索成功发育出FaceFinancialFaceSecurityFaceBI等垂直人脸验证解决方案主要将人脸识别应用在互联网产品上自己做研发在美图秀秀、淘宝等互联网领域得到良好的应用在金融领域的市场一直占据沙发前排阵营2016年获得上亿元C轮融资最后选择通过计算机视觉技术与NLP技术的结合制造出能“识别万物”的智能机器人提供硬件模组里面内置他们家的算法。目前正在准备启动IPO的步伐VIE架构让他们得以绕过A股不用达到连续三年盈利的标准实现快速上市。2商汤科技 SenseTime商汤科技获IDG资本投资主攻金融、移动互联网、安防监控三大行业由香港中文大学的汤晓欧创建“商汤”中的汤指的就是汤晓欧本人汤晓鸥及其研究团队所开发的DeepID算法率先将深度学习应用到人脸识别上在技术指标上实现了新的突破。主要案例是围绕各个美化软件与直播平台制作人脸贴图重点强化了人脸识别的关键点检测及跟踪技术。 团队有300多号也从当初toC转向toB领域成立于2014年的商汤科技选择另辟蹊径选择用“四大美女”这个话题让人们躁动起来到最后四大美女走了三个商汤的网络都是自己设计的这样对于深度学习网络的掌控力就会更强提供SaaS服务的同时可以通过SaaS把背后的数据拿到再进行更多更细致的分析再次提升服务质量。3云从科技 2015年4月周曦拿到战略投资成立云从科技同年针对金融和银行业推出了40多种解决方案包含从算法、产品、销售、售后的全产业链打造针对农行、建行、交行、中行及多地公安提供定制化服务。团队成员除了来自中科大的校友外还来自中国科学院各大研究所、UIUC、IBM、NEC、MicroSoft等全球顶尖学府及研究机构。 截止2016年11月成立一年半研发团队扩展为200余名核心产品是人脸识别系统及IBIS集成生物识别平台还具备3D模型、红外活体、静默活体等技术可根据场景需求自由调节。选择连接硬件、开发与技术属于全产业链模式因为人脸识别系统多数情况下需要深度定制只有这样才能在客户提出需求的情况下迅速反馈修改统一用户体验。4依图科技 2012 年九月朱珑与他的好友林晨曦在创立依图科技这家从事人工智能创新性研究的创企从图像识别入手首先与全国省市级公安系统合作对车辆品牌、型号等进行精准识别随后扩展到人像识别通过静态人像比对技术和动态人像比对技术协助公安系统进行人员身份核查、追逃、监控、关系挖掘等。 发展近6年依图科技的产品已经应用到全国二十多个省市地区的安防领域安防领域之外依图也进入智慧城市领域和健康医疗领域它要协助政府构建城市大脑也希望将医疗领域的巨大知识鸿沟缩小改善医患体验。5细分领域对比表6主要客户对比4. 商业模式4.1 人脸识别商业模式设计步骤4.2 人脸识别盈利模式03 人脸识别的流程及主要技术1. 人脸识别系统组成2. 人脸识别的一般流程2.1 人脸采集1简介 不同的人脸图像通过摄像镜头采集得到比如静态图像、动态图像、不同的位置、不同表情等当采集对象在设备的拍摄范围内时采集设备会自动搜索并拍摄人脸图像。2人脸采集的主要影响因素图像大小人脸图像过小会影响识别效果人脸图像过大会影响识别速度。非专业人脸识别摄像头常见规定的最小识别人脸像素为60*60或100*100以上。在规定的图像大小内算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。图像分辨率越低的图像分辨率越难识别。图像大小综合图像分辨率直接影响摄像头识别距离。现4K摄像头看清人脸的最远距离是10米7K摄像头是20米。光照环境过曝或过暗的光照环境都会影响人脸识别效果。可以从摄像头自带的功能补光或滤光平衡光照影响也可以利用算法模型优化图像光线。模糊程度实际场景主要着力解决运动模糊人脸相对于摄像头的移动经常会产生运动模糊。部分摄像头有抗模糊的功能而在成本有限的情况下考虑通过算法模型优化此问题。遮挡程度五官无遮挡、脸部边缘清晰的图像为最佳。而在实际场景中很多人脸都会被帽子、眼镜、口罩等遮挡物遮挡这部分数据需要根据算法要求决定是否留用训练。采集角度人脸相对于摄像头角度为正脸最佳。但实际场景中往往很难抓拍正脸。因此算法模型需训练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度需满足人脸与摄像头构成的角度在算法识别范围内的要求。2.2 人脸检测1简介 在图像中准确标定出人脸的位置和大小并把其中有用的信息挑出来如直方图特征、颜色特征、模板特征、结构特征及Haar特征等然后利用信息来达到人脸检测的目的。2人脸关键点检测人脸对齐 自动估计人脸图片上脸部特征点的坐标。3主流方法 基于检测出的特征采用Adaboost学习算法一种用来分类的方法它把一些比较弱的分类方法合在一起组合出新的很强的分类方法挑选出一些最能代表人脸的矩形特征弱分类器按照加权投票的方式将弱分类器构造为一个强分类器再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器有效地提高分类器的检测速度。 最近人脸检测算法模型的流派包括三类及其之间的组合viola-jones框架性能一般速度尚可适合移动端、嵌入式上使用dpm速度较慢cnn性能不错。2.3 人脸图像预处理1简介 基于人脸检测结果对图像进行处理并最终服务于特征提取的过程。2原因 系统获取的原始图像由于受到各种条件的限制和随机干扰往往不能直接使用必须在图像处理的早期阶段对它进行灰度矫正、噪声过滤等图像预处理。3主要预处理过程 人脸对准得到人脸位置端正的图像人脸图像的光线补偿灰度变换、直方图均衡化、归一化取得尺寸一致灰度取值范围相同的标准化人脸图像几何校正、中值滤波图片的平滑操作以消除噪声以及锐化等。2.4 人脸特征提取1简介 人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的也称人脸表征它是对人脸进行特征建模的过程2人脸特征提取的方法基于知识的表征方法主要包括基于几何特征法和模板匹配法根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据其特征分量通常包括特征点间的欧氏距离、曲率、和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成对这些局部和他们之间结构关系的几何描述可作为识别人脸的重要特征这些特征被称为几何特征。基于代数特征或统计学习的表征方法基于代数特征方法的基本思想是将人脸在空域内的高维描述转化为频域或者其他空间内的低维描述其表征方法为线性投影表征方法和非线性投影表征方法。基于线性投影的方法主要有主成分分析法或称K-L变化、独立成分分析法和Fisher线性判别分析法。非线性特征提取方法有两个重要的分支基于核的特征提取技术和以流形学习为主导的特征提取技术。2.5 匹配与识别 提取的人脸特征值数据与数据库中存贮的特征模板进行搜索匹配通过设定一个阈值将相似度与这一阈值进行比较来对人脸的身份信息进行判断。3. 人脸识别的主要方法3.1 Eigen Face特征脸 MIT实验室的特克Turk和潘特Pentland提出的“特征脸”方法无疑是这一时期内最负盛名的 人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系现在特征脸已经与归一化的协相关量(Normalized Correlation)方法一道成为人脸识别的性能测试基准算法。人脸识别特征脸算法文档https://blog.csdn.net/zizi7/article/details/527573003.2 Fisher Face渔夫脸 贝尔胡米尔Belhumeur等提出的 Fisherface 人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析PCA对图像表观特征进行降维。在此基础上采用线性判别分析LDA的方法 变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一产生了很多不同的变种比如零空间法、子空间判别模型、增强判别模型、直接的LDA 判别方法以及近期的一些基于核学习的改进策略。Fisher Face算法文档https://blog.csdn.net/zizi7/article/details/529994323.3 EGM弹性图匹配 其基本思想是用一个属性图来描述人脸属性图的顶点代表面部关键特征点其属性为相应特征点处 的多分辨率、多方向局部特征——Gabor变换12特征称为Jet边的属性则为不同特征点之间的几何 关系。对任意输入人脸图像弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点同时提取它们的Jet特征得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征也对人脸的关键局部特征进行了建模。弹性图匹配算法文档https://blog.csdn.net/real_myth/article/details/448282193.4 基于几何特征的方法 几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系如相互之间的距离。这些算法识别速 度快需要的内存小但识别率较低。3.5 基于神经网络的方法 神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练而在许多应用中样本数量是很有限的。3.6 基于线段Hausdorff 距离(LHD) 的方法 心理学的研究表明人类在识别轮廓图比如漫画的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的它定义的是两个线段集之间的距离与众不同的是LHD并不建立不同线段集之间线段的一一对应关系因此它更能适应线段图之间的微小变化。实验结果表明LHD在不同光照条件下和不同姿态情况下都有非常出色的表现但是它在大表情的情况下识别效果不好。3.7 基于支持向量机(SVM) 的方法 近年来支持向量机是统计模式识别领域的一个新的热点它试图使得学习机在经验风险和泛化能力上达到一种妥协从而提高学习机的性能。支持向量机主要解决的是一个2分类问题它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率但是它需要大量的训练样本每类300个这在实际应用中往往是不现实的。而且支持向量机训练时间长方法实现复杂该函数的取法没有统一的理论。4. 技术发展方向结合三维信息二维和三维信息融合使特征更加鲁棒多特征融合单一特征难以应对复杂的光照和姿态变化大规模人脸比对面向海量数据的人脸比对与搜索深度学习在大数据条件下充分发挥深度神经网络强大的学习能力5. 人脸识别数据库Yale人脸数据库ORL人脸数据库CMU PIE人脸数据库FERET人脸数据库MIT数据库BANCA人脸数据库CAS-PEAL人脸数据库JAFE表情数据库Cohn-Kanade表情数据库MMI表情数据库6. 技术指标6.1 人脸检测中的关键指标 例子在摄像头某张抓拍图像中一共有100张人脸算法检测出80张人脸其中75张是真实人脸5 张是把路标误识为人脸。检测率识别正确的人脸/图中所有的人脸。检测率越高代表检测模型效果越好。误检率识别错误的人脸/识别出来的人脸。误检率越低代表检测模型效果越好。漏检率未识别出来的人脸/图中所有的人脸。漏检率越低代表检测模型效果越好。速度从采集图像完成到人脸检测完成的时间。时间约短检测模型效果越好。在这个实际案例中检测率75/100误检率5/80漏检率100-75/1006.2 人脸识别中的关键指标 1000张样本图片里共600张正样本。相似度为0.9的图片一共100张其中正样本为99张。虽然0.9阈值的正确率很高为99/100但是0.9阈值正确输出的数量确很少只有99/600。这样很容易发生漏识的情况。检测率识别正确的人脸/图中所有的人脸。检测率越高代表检测模型效果越好。误检率识别错误的人脸/识别出来的人脸。误检率越低代表检测模型效果越好。漏检率未识别出来的人脸/图中所有的人脸。漏检率越低代表检测模型效果越好。速度从采集图像完成到人脸检测完成的时间。时间约短检测模型效果越好。 在这个实际案例中检测率75/100 误检率5/80 漏检率100-75/1006.3 人脸识别中的关键指标 1000张样本图片里共600张正样本。相似度为0.9的图片一共100张其中正样本为99张。虽然0.9阈值的正确率很高为99/100但是0.9阈值正确输出的数量确很少只有99/600。这样很容易发生漏识的情况。精确率precision识别为正确的样本数/识别出来的样本数99/100召回率recall识别为正确的样本数/所有样本中正确的数99/600错误接受率/认假率/误识率FARFalse Accept Rate定义指将身份不同的两张照片判别为相同身份越低越好FAR NFA / NIRA式中 NIRA 代表的是类间测试次数既不同类别间的测试次数打比方如果有1000个识别 模型有1000个人要识别而且每人只提供一个待识别的素材那 NIRA1000*(1000-1) 。NFA是错误接受次数。FAR决定了系统的安全性FRR决定了系统的易用程度在实际中FAR对应的风险远远高于FRR因此生物识别系统中会将FAR设置为一个非常低的范围如万分之一甚至百万分之一在FAR固定的条件下FRR低于5%这样的系统才有实用价值。错误拒绝率/拒真率/拒识率FRR False Reject Rate定义指将身份相同的两张照片判别为不同身份越低越好FRR NFR / NGRA上式中NFR是类内测试次数既同类别内的测试次数打比方如果有1000个识别模型 有1000个人要识别 而且每人只提供一个待识别的素 材那 NIRA1000如果每个人提供N张图片那么 NIRAN*1000 。NFR是错误拒绝次数。04 行业应用1. 人脸识别FR其他行业1.1 FR金融1实名认证 金融机构传统上使用人工肉眼判断、短信验证、绑定银行卡等手段进行实名认证。这些传统手段存在准确率不高、客户体验较差、成本高等问题对金融企业业务发展造成了巨大的困扰。基于人脸识别的实名认证方式具有准确率高一亿人中才存在两人长相相同、客户体验好认证速度快、客户操作少、成本低相较于传统认证方式的优点已被众多领先金融企业所采用。2人脸识别在银行远程开户上的应用 在远程开户时金融机构可以通过智能终端在线上进行身份鉴权验证使用人脸识别技术开户可以极大提升业务办理的安全性、时效性并节省大量人力。3刷脸取款 在这方面人脸取代了银行卡只需要人脸密码即可完成取款。在前两个方面人脸识别技术已经被国内各大银行广泛采用刷脸取款方面农行和招行抢先一步在ATM上线了刷脸取款功能。1.2 FR医疗1重点应用打击涉医犯罪确保就诊安全。建立有针对性的涉医犯罪人员布控库与属地公安部门配合进行实时布控。管控职务犯罪控制不当竞争。对进入医院诊疗区域的医药代表进行管控协助解决药品流通领域经营不规范、竞争失序等问题。杜绝职业医闹保护人身安全。打击频繁出现的职业医闹提高事件的响应速度从被动响应变为主动预防。规范就诊流程和谐医患关系。重点防范黄牛、医托等干扰正常就诊秩序的特殊人群。加强监管力度维护医保基金。实现就诊病人与医保信息库中身份证照的比对杜绝冒用医保卡的现象。易肇事肇祸严重精神障碍患者管控。结合“雪亮工程”确保严重精神障碍患者流入地、流出地发现管控到位。2人脸识别在医疗行业的应用突破基于三点获取到目标对象的信息因为行政体系不同医疗行业想获取到目标对象信息存在较大困难需相关行政单位进行关键的协调工作。目标对象信息包含但不局限于人脸照片、人像照片、人员基本信息、人员动态等。人脸识别的算法进一步提升目前的人脸识别算法的精度已经达到了相当高的水准误报、漏报均已控制在可接受范围更近一步的算法可以从非结构化的视频/图片中获取更多的价值信息从更多地维度来实现不同的应用。管理者思维和水平的提升人工智能、人脸识别是革命性颠覆性的技术可以给医疗行业带来巨大的提升。如何将人脸识别真正应用到医疗行业的各方各面需要管理者与技术提供方一起拓展思维、共同努力。3人脸识别在医疗行业的前景对接公安视频监控、医警联动平台系统满足公安现有标准要求后续可与公安机关视频监控、医警联动等平台进行无缝对接将报警信息及关联的视频、图片推送给辖区派出所实现联动。人脸身份查证输入目标人员照片即可知道此人身份及其是否属于重点管控人员是否曾经来过医院及其出现时间、频次。可用于筛查可疑人员找到其活动规律。人员轨迹回放输入目标人员照片即可查询此人是否来过医院到过哪些地方。此功能可还原特定人员的行动轨迹用于嫌疑人行为研判和事后取证。对接门禁系统与门禁系统对接预留刷脸开门、人脸考勤等高级功能方便办公区、手术室、药品库、住院部等区域的出入管理。对接刷卡系统与二代证、医保卡等刷卡系统对接将采集的人脸照片与证件上存储的照片进行比对验证刷卡人的真实身份。1.3 FR新零售1应用人脸识别的优势为重点客户画像帮助卖家获得顾客和潜在顾客更精准的信息构建用户画像。可以安装在超市、商场、门店等入口统计每天进入门店的人数、大致年龄和性别等;另一种可以安装在货架上分析客户的关注点和消费习惯等。通过大数据分析挖掘回头客提升客户提袋率和VIP转化率为零售商降本增益以智能化系统来代替人工以人脸识别系统连接支付端来代替收银员能跟快实现零售店的导流和商品人流分析等。减少突发事件的产生门店遇到商品失窃的突发事件通过对所获数据的分析也可以将不良客户拉入“黑名单”或是降低其信用水平。完美连接线上线下识别系统获得的用户偏好还能反哺线上将所得数据通过线上反馈给厂商助力于厂商更全面地了解消费者需求进而精准地研发产品设计营销策略。这些都是完美实现新零售“打通线上线下”内在要求的极佳方式。2人脸识别的安全隐患人脸特征容易被复制众所周知破解密码的最常用手段是复制通过窃取数字密码以及套取指纹来解密的案例己经不胜枚举。与记录在大脑中或其他介质上面的数字密码相比暴露在外面的人脸更容易被复制。通过拍照完全可以获得一个人的脸部特征并进行复制利用整容技术或者用照片识别等欺诈的方法可以骗过人脸支付系统。个人信息泄露问题在科技发达的今天人们似乎很轻易就可以通过无孔不入的渠道查到消费者的各种信息。而对于刷脸支付来讲像人脸特征这种人体密码一旦交给别人保管个人信息的安全系数将如何确保获取用户的面部特征是否会涉及到个人隐私基于面部扫描系统的支付在普遍应用之后会不会带来基于位置服务造成的个人行踪泄露1.4 FR安防1智慧城市的基础视频分析基于视频中的人脸照片进行远距离、快速、无接触式的重点人员布控预警。让应用于车站、机场、地铁等重点场所和大型商场超市等人群密集的公共场所视频监控系统能够对视频图像进行采集、自动分析、抓取人脸实时比对主动在监控场景中识别重点关注人员实现重点人员的布控和识别。重要场所的布控对机场、车站、港口、地铁重点场所和大型商超等人群密集公共场所进行布控以达到对一些重点人员的排查抓捕逃犯等目的。静态库或身份库的检索对常住人口、暂住人口的人脸图片进行预先建库通过输入各种渠道采集的人脸图片能够进行比对和按照相似度排序进而获悉输入人员的身份或者其他关联信息此类应用存在两种扩展形式单一身份库自动批量比对并发现疑似的一个人员具有两个或以上身份信息的静态库查重两个身份库之间自动交叉比对发现交集数据的静态库碰撞。动态库或抓拍库的检索对持续采集的各摄像头点位的抓拍图片建库通过输入一张指定人员的人脸图片获得其在指定时间范围和指定摄像头点位出现的所有抓拍记录方便快速浏览当摄像头点位关联GIS系统则可以进一步的按照时间顺序排列检索得到的抓拍记录并绘制到GIS上得到人员运动的轨迹。 2反恐行动的助力 现在新疆、西藏等城市都将人脸识别作为基础设施建设领域的投资重点由于人员复杂、居住人口相对混乱等因素这些城市成为了恐怖袭击等违法犯罪行为的高发场所。而人脸识别技术采用人脸检测算法、人脸跟踪算法、人脸质量评分算法以及人脸识别算法。实现城市居住人员人脸的抓拍采集、建模存储实时黑名单比对报警和人脸后检索等功能。能及时在危险发生之前制止。3儿童安全的保镖 近年来儿童拐卖活动越来越猖獗为了更好的保护儿童安全有些幼儿园、小学在门口已经安装上了面部识别系统。系统采用人脸识别加IC/ID卡(非接触式智能卡) 双重认证每一位幼儿在入学注册时进行相关登记资料、面像、IC/ID卡号、接送者、接送者面像。 每次入园时刷卡进行报道放学时刷卡并进行接送家长人脸认证如果认证失败拍照后即报警通知管理员如果认证成功即拍照放行。不论识别成功与否系统都会记录下被识别者图像。每一次接送都有详细的时间、接送人员的照片可供查询。另外系统提供短信提示的扩展功能家长可在手机上看到人脸识别认证时所拍的照片从而监控到接送这个过程从其中一个重要源头杜绝了儿童被拐的可能性。4智慧酒店的管理以前开房登记流程是接待人员问询——身份证扫描确认——支付押金——选房层发房卡——打印纸质票据这些流程非常繁杂尤其是身份认证耗时最长若遇到团队入住情况则更为复杂身份证识别设备可能会因高频使用出现故障而急于进房间休息的顾客却只能在前台等待手续完成客户体验非常糟糕。 人脸识别技术就能很好的解决这一难题帮助酒店实现系统化业务管理和一站式共享解决方案。智慧酒店的安防系统利用人脸识别技术当顾客走到前台时系统已经自动根据顾客被摄像头捕捉到的影像调取顾客身份核对。整个验证核对过程简单、快速且实现了自动化更大幅降低了人工识别造成的误差。而且针对酒店VIP客人系统可实时对比酒店大堂的摄像头影像和登记在酒店基础系统中的VIP面部数据当VIP客人到达时酒店可第一时间提供个性化周到服务提高客户的满意度。1.5 FR公安寻人寻亲对老百姓或其他业务部门提供的照片直接送入系统进行比对、检索、筛选最后人工确认。派出所挡获违法人员对派出所挡获的人员登记笔录对于其中一些少数民族、聋哑人或保持沉默者等无法查证身份的人员可拍摄照片送入各种照片库中比对排查涉及大案要案人员以免漏网或查证其前科累计处理。查证无名尸源需要查证无名尸源时先拍摄正面照片送入计算机如果照片闭眼、破损或变形可用人像合成系统或人工绘制一幅标准照送入比对系统比对查证。目击者描述排查获得现场目击者对嫌疑人的形象描述后可用人像合成系统进行排查。视频监控照片一般监控系统针对场景得到的涉案嫌疑人的图像都有模糊、偏转、逆侧光等质量不佳问题这时需要根据图像用人像合成系统或人工绘制一幅标准照送入照片比对系统比对查证。公共场所集会在政府、球场等公共场所时常会有人员滋事此时公安民警不便直接带人处理可以采用长焦摄像机拍摄特写镜头如果效果不够好可以用人像合成系统修正送入比对系统比对查证。一代/二代居民身份证识别根据犯罪人员的身份证照片信息与系统照片库中的信息资料进行比对提取出与证件上照片相似的人员信息能充分利用现有的二代身份证照片资源为公安部门的工作提供高效有利的帮助。其他应用常住人口的比对查询、暂住人口的比对查询、重点人口的比对查询、CCIC在逃人员的比对查询等。1.6 FR商业场景访客登记访客到访公司于平板电脑进行访客信息登记由摄像头自动抓取人脸通过系统打印出访客贴纸识别迎宾公司员工贵宾进入公司入口摄像头能识别到访人员实现门禁功能管理人脸识别考勤通过入口处的前台平板电脑进行人脸识别考勤也可通过手机端进行人脸识别考智能生活较多的园区、楼宇需要人脸门禁系统人员进出快速通行便于管理住户、访客的进出记录智慧教育为严防替考事件的发生确保考试安全人脸识别可加强考试入场环节的考生身份认证并有效实现智能视频监考、作弊防控等智慧商场利用人脸识别技术追踪并分析商场内的人流属性人群分布等。 应用模式典型具体应用特点说明应用领域2. FR的部分应用2.1 人脸检测跟踪1应用 商场客流跟踪分析地铁、火车站、会场、机场等场所的可疑人员的跟踪检测体育赛事的现场监控等。2难点 多人脸跟踪、远场识别人脸、背景复杂、低质量图片人脸识别算法预处理还有侧脸3D重建人物全面遮挡模糊表情变化、强弱光多特征融合增强抗干扰力等各种实际环境。3建议 远场识别可依据距离识别、背景复杂可虚化无关场景凸显主角。2.2 人脸关键点定位1应用 可用于图片的合成、动态图片的分析直播行业鉴黄、鉴暴通过关键点分析人脸表情情绪。2难点 大角度侧脸表情变化、遮挡、模糊、明暗等动静态关键点捕捉。3建议 对模糊部位可进行平滑处理根据眼睛、嘴的特点建立不同的区域块等。2.3 人脸身份认证1应用 关键性应用金融身份认证、海关检查、火车站和机场等进站非关键性应用智慧小区居民进出、办公大楼进出、公司单位上班打卡等2难点 年轻时的证件照和本人识别匹配、戴眼镜和未戴眼镜、侧脸和正脸、表情、背景干扰、整容后、双胞胎及长相类似等。3建议 可基于三维人像分析避免认证时的假冒动作分析等。旷视的难以区分蜡像、海报和真人2.4 人脸属性性别、年龄、种族、表情、饰品、胡须、面部动作状态1人脸表情识别Face expression recognition 简称FER普遍认为人类主要有六种基本情感愤怒anger、高兴happiness、悲伤sadness、惊讶surprise、厌恶disgust、恐惧fear。而大多数表情识别是基于这六种情感及其拓展情绪实现的主要困难点是表情的精细化程度划分每种情绪最微弱的表现是否需要被分类。分类的界限需要产品给出评估规则。表情类别的多样化是否还需要补充其他类别的情绪六种情绪在一些场景下远不能变现人类的真实情绪。因此除了基本表情识别外还有精细表情识别、混合表情识别、非基本表情识别等细致领域的研究。缺少鲁棒性2人脸性别识别 性别分类是一个典型的二类问题人脸性别分类问题需要解决的两个关键问题是人脸特征提取和分类器的选择。人脸性别识别其实仅能识别到人脸外貌更偏向于女性还是男性很难对女生男相、男生女相进行正确判断。3人脸年龄识别难点单人的不同年龄段识别和多人的不同年龄段识别人脸年龄识别常和人脸识别进行组合识别能更正确的判断在一定年限内“是否是一个人”的问题除了以上内容还有是否戴眼镜、头发长度、肤色等。建议识别年龄无变化的人脸用分类即可而对年龄变化的人脸识别方法是通过年龄模拟将测试图像和查询库中的图像变换到某一共同的年年龄从而去除年龄不同的影响使识别在年龄相同的人脸图像进行。4人脸属性的应用 根据物理属性性别、年龄、种族、眼镜颜值等可用于广告定向投放、个性化智能推荐、顾客分析、婚恋交友等化学属性面部动作、情绪等可用于即时视频社交、图片合成、图片美化等。5识别建议 人脸属性分析时可利用K-近邻算法匹配云端库里的类似照片后再对相似属性进行分析。2.5 人脸聚类 1应用个性化相册管理、照片分享社交、婚恋交友相似脸型匹配推荐兴趣社交等。 2难点角度、光线、发型、相似脸型等干扰分类。 3建议可基于一张正脸照片将其他照片进行依次比对分析后再分类等智能相册、婚恋社交。2.6 真人检测 1应用银行开户验证、车站、机场、公司打卡等。 2难点2D和3D的识别检测、真人与蜡像、硅胶假冒人脸识别、照片和真人识别检测验证等。 3建议可基于三维人像分析避免认证时的假冒等动态识别验证以区分假象旷视的难以区分蜡像、海报和真人。2.7 人像美颜/美妆 1应用兴趣社交、婚恋交友、图像合成、个性化用品推荐和广告投放等。 2难点美颜与一般滤镜效果的区别、美颜后的自然效果等。 3建议基于数据集的算法更新迭代。2.8 人体关键点CPM、DeeperCut 1应用关键动作抓拍、人体姿态估计、舞蹈难度评定。 2难点多目标关键点定位、关键点遮挡、光线强弱等。 3建议关键点遮挡分块处理、三维构建找寻关键点3. FR的商业化3.1 从时间上看商业化的不同阶段3.2 从业务场景上看 场景关键点盘子够大支撑公司发展数据回流为公司所用高频使用需求占比高可在行业中复制3.3 垂直行业人脸解决方案地产行业为例1地产行业分布商业地产办公楼宇园区厂区商业零售酒店住宅地产生活小区公寓2地产行业的市场规模3演变方向及客户痛点视频监控传统视频监控厂家正在进行智能化转型从原先的“监控”视频到现在的“读懂”视频当中的人、车、物、事门禁控制传统门禁控制领域价值链低所有厂家正在寻求新的方式来转型绝大部分都在生物识别方式上进行摸索人脸识别面板机、闸机及其它通行道闸雨后春笋般出现楼宇对讲普通楼宇对讲功能已无法满足使用要求结合人脸识别功能的门禁系统需求越来越多防盗告警通过智能化手段达到降本增效目的已成为防盗告警、巡更检查等功能的重点迭代方向可视化系统降低非专业人士的使用难度使得多方数据为“我”所用为多种决策提供依据信息孤岛问题亟待解决万物互联已是所有厂家达成的共识。信息孤岛问题痛点智能化系统种类繁多系统之间无法实现无缝连接综合管理难度大效率低智能化子系统数据采集离散标准不一数据价值大打折扣无法为管理提供决策依据和帮助各子系统依靠人工管理人员配备要求高、劳动强度大人工成本居高不小绝大多数B端客户不懂具体业务或细节需要具象化、可视化系统呈现。4建设步骤及架构步骤第一步人员通信管理基于人员通行管理的平台系统功能性产品后台系统管理员工、VIP、访客、陌生人、黑名单等人员权限管理第二步传感网络融合CCTV、车辆等基于“人员”、“车”、“监控”的三位一体智慧建筑场景应用其他子系统模块链接形成整体传感网络智能物联第三步商业地产新零售人员、车辆、CCTV三功能在工作消费场景融合构建以人为核心的商业综合体运营方案。整体IoT架构5影响因素与优化方案决定监控系统性能的几个主要因素模板库的人数不宜大包含关键人物即可经过摄像头的人数同时出现在摄像头的人数决定了单位时间里的比对次数报警反馈时间实时性越强对系统性能要求越高摄像头采集帧数帧数越高人员经过摄像头前采集的次数越多比对的次数也越多。实战中的优化方案使用更先进的高清摄像头3-5百万室内均匀光线或室外白天无侧光和折射光人群面向同样的方向朝向相机的方向运动恰当的监控点如走廊、巷子或安检门/闸机口等不要一群人同时出现相机与人脸的角度小于20度。3.4 顶尖公司的应用举例 1Google2011年07月 谷歌收购人脸识别软件公司PittPatt 2Facebook2012年6月 Facebook收购以色列脸部识别公司Face.com 3 微软2012年6月 微软亚洲研究院发布人脸检测算法面部识别系统 4网易2012年5月网易人脸识别系统全国公测用于邮箱登陆 5百度2012年12月 百度推出人脸识别基于图像的全网人脸搜索 6阿里2015年11月在推出支付宝刷脸认证付款 7腾讯2012年下半年成立优图项目组05 人脸识别FR的产品落地1. FR技术产品的优势1.1 非接触 人脸图像的采集不同于指纹、掌纹需要接触指掌纹专用采集设备指掌纹的采集除了对设备有一定的磨损外也不卫生容易引起被采集者的反感而人脸图像采集的设备是摄像头无须接触。1.2 非侵扰 人脸照片的采集可使用摄像头自动拍照无须工作人员干预也无须被采集者配合只需以正常状态经过摄像头前即可。1.3 友好 人脸是一个人出生之后暴露在外的生物特征因此它的隐私性并不像指掌纹、虹膜那样强因此人脸的采集并不像指掌纹采集那样难以让人接受。1.4 直观 我们判断一个人是谁通过看这个人的脸就是最直观的方式不像指掌纹、虹膜等需要相关领域专家才可以判别。1.5 快速 从摄像头监控区域进行人脸的采集是非常快速的因为它的非干预性和非接触性让人脸采集的时间大大缩短。1.6 简便 人脸采集前端设备——摄像头随处可见它不是专用设备因此简单易操作。1.7 可扩展性好 它的采集端完全可以采用现有视频监控系统的摄像设备后端应用的扩展性决定了人脸识别可以应用在出入控制、黑名单监控、人脸照片搜索等多领域。2. FR三大识别场景2.1 人脸确认1:1简介将某人面像与指定人员面像进行一对一的比对根据其相似程度来判断二者是否是同一人相似程度一般以能否超过某一量化阀值为依据。简单的说就是A/B两张照片比对产生的计算数值是否达到要求。产品应用快速的人脸识别比对移动支付认证、安全性身份核对、作为身份确认的一种新方式比如考生身份确认、公司考勤确认、各种证件照和本人确认。实际问题产品在系统设计的逻辑上需要先考虑调取已储存对象信息的先验条件。通过界面/语音的提示使得待认证者预先知道自己正处于被核对的过程中且已预先了解拟核对对象的身份。比对来源的三种主要方式用户自传照片比如支付宝的人脸比对用户自传的照片最大的问题是照片质量的合格率太低拍照的光线、角度等因素会导致采集源的质量下降不利于后期的大批量人脸特征码管理。使用身份证读卡器读取身份证上的照片遗憾的是这张照片2K的大小不过也是目前用最多的源照片提取方式比较适合签到场合。使用公安部旗下NCIIC的人脸比对接口注意不是网纹照片接口这个接口已经不对外使用的是直接的人脸比对接口。2.2 人脸辨认1:N1简介将某人面像与数据库中的多人的人脸进行比对并根据比对结果来鉴定此人身份或找到其中最相似的人脸并按相似程度的大小输出检索结果。2产品应用人脸开门、人脸检索排查犯罪嫌疑人、失踪人口的全库搜寻、一人多证的重复排查等。3实际问题走失儿童的项目中去这一类系统的部署需要两个条件A. BCD基本库比如1000万人B.强大的算法硬件零售店中的刷脸支付长江需要用户预先输入全手机号确定用户身份再进行人脸识别将原本为1:N的问题转化为了1:1的问题。4产品难点a. 1:N中的N能够支持多大场景多样化从一个班级百号人刷脸签到到一个公司千号人的刷脸打卡再到一个学校的几万人一个四线城市几十万人一个一线城市的几千万人难度是呈指数上升的。公司实际情况目前各家公司的成熟人脸识别应用能够支持几万到几百万人不等的应用场景而且还有一个错误率的概念。比如公司宣称千万分之一的错误率的情况下1/10000000人脸通过率其实只有93%这是因为很难做到一定不发生错误而且每个人都能识别通过。假如一家公司说自己能做到亿分之一的错误率通过率能做到98%以上多半是虚假宣传在实际使用中是很难达到的b. 非配合场景在配合场景下比如ATM机刷脸取款用户会自主配合将人脸以一个理想的角度通过识别。而在非配合应用场景下比如监控视频下的人脸识别追踪违法犯罪分子的身份信息情况就要困难得多。这种情况下用户脸部会发生角度偏大遮挡光线不可控等问题。c. 跨人种跨年龄识别问题研究发现在一个数据集上训练好的模型想到迁移到另外一个人种上效果会出现较大程度的下降。另外人脸随着年龄的变化带来的改变也给人脸识别带来不小的挑战。要改善这样的问题一个必要条件是需要建立一个足够完备的跨人种跨年龄的人脸数据库在国内的话是以汉族人为主同时跨年龄的人脸数据库也比较难收集需要不短的时间跨度。d. 产品体验近来备受关注的刷脸支付很多时候都会要求用户输入全手机号或手机号后四位以缩小用户搜索库大小实际上这是比较影响体验的。西安一高校晨读刷脸签到由于系统实际响应匹配时间过长导致学生排百米长队。2.3 多人脸检索N:N1简介 1N同时作业就是N:N了同时相应多张照片检索需求。2实际产品问题中在视频级N:N的校验中如果要提高通过率很多时候是采取降低准确率的方式降低算法队列数量同样在一些比赛中为了降低误识率大大提高了准确率所以算法在校验的过程中必须遵循至少一个固定标准追求的是速度效率还是最高准确率。视频流的帧处理所用对服务器的计算环境要求严苛目前的算法系统所支撑的输出率非常有限。主要的限制如下 海量的人脸照片解析需要大量运算目前很少看到在采集端直接解析的都是照片剪裁海量的人脸照片传输需要大量的带宽常见的720布控摄像头抓取最小的人脸照片为20K海量的人脸照片在后台检索需要耗费大量的运算国内主流主机为例最多到24路摄像头。3. 产品实战中的物理问题3.1 光照问题1简介 光照问题是机器视觉重的老问题在人脸识别中的表现尤为明显。由于人脸的3D结构光照投射出的阴影会加强或减弱原有的人脸特征。2解决思路 A、对其进行包括光照强度和方向、人脸反射属性的量化面部阴影和照度分析等尝试建立数学模型以利用这些光照模型在人脸图像预处理或者归一化阶段尽可能的补偿乃至消除其对识别性能的影响将固有的人脸属性反射率属性、3D表面形状属性和光源、遮挡及高光等非人脸固有属性分离开来。 B、基于光照子空间模型的任意光照图像生成算法用于生成多个不同光照条件的训练样本然后利用具有良好的学习能力的人脸识别算法如子空间法SVM等方法进行识别。3.2 人脸姿态问题1简介 与光照问题类似姿态问题也是目前人脸识别研究中需要解决的一个技术难点。姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失。针对姿态的研究相对比较的少目前多数的人脸识别算法主要针列正面、准正而人脸图像当发生俯仰或者左右侧而比较厉害的情况下人脸识别算法的识别率也将会急剧下降。面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。2解决思路第一种思路是学习并记忆多种姿态特征这对于多姿态人脸数据可以容易获取的情况比较实用其优点是算法与正面人脸识别统一不需要额外的技术支持其缺点是存储需求大姿态泛化能力不能确定不能用于基于单张照片的人脸识别算法中等。第二种思路是基于单张视图生成多角度视图可以在只能获取用户单张照片的情况下合成该用户的多个学习样本可以解决训练样本较少的情况下的多姿态人脸识别问题从而改善识别性能。第三种思路是基于姿态不变特征的方法即寻求那些不随姿态的变化而变化的特征。中科院计算所的思路是采用基于统计的视觉模型将输入姿态图像校正为正面图像从而可以在统一的姿态空间内作特征的提取和匹配。3.3 遮挡问题 对于非配合情况下的人脸图像采集遮挡问题是一个非常严重的问题。特别是在监控环境下往往彼监控对象都会带着眼镜帽子等饰物使得被采集出来的人脸图像有可能不完整从而影响了后面的特征提取与识别甚至会导致人脸检测算法的失效。3.4 年龄变化 随着年龄的变化面部外观也在变化特别是对于青少年这种变化更加的明显。对于不同的年龄段人脸识别算法的识别率也不同。一个人从少年变成青年变成老年他的容貌可能会发生比较大的变化从而导致识别率的下降。对于不同的年龄段人脸识别算法的识别率也不同。3.5 人脸相似性 不同个体之间的区别不大所有的人脸的结构都相似甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的但是对于利用人脸区分人类个体是不利的。3.6 图像质量 人脸图像的来源可能多种多样由于采集设备的不同得到的人脸图像质量也不一样特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。同样的对于高分辨图像对人脸识别算法的影响也需要进一步的研究。3.7 样本缺乏 基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布能得到的样本只是对人脸图像空间中的一个极小部分的采样如何解决小样本下的统计学习问题有待进一步的研究。3.8 海量数据 传统人脸识别方法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据这些方法其训练过程难以进行甚至有可能崩溃。3.9 大规模人脸识别 随着人脸数据库规模的增长人脸算法的性能将呈现下降。3.10 动态识别 非配合性人脸识别的情况下运动导致面部图像模糊或摄像头对焦不正确都会严重影响面部识别的成功率。在地铁、高速公路卡口、车站卡口、超市反扒、边检等安保和监控识别的使用中这种困难明显突出。3.11 人脸防伪 伪造人脸图像进行识别的主流欺骗手段是建立一个三维模型或者是一些表情的嫁接。随着人脸防伪技术的完善、3D面部识别技术、摄像头等智能计算视觉技术的引入伪造面部图像进行识别的成功率会大大降低。3.12 丢帧和丢脸问题 需要的网络识别和系统的计算机识别可能会造成视频的丢帧和丢脸现象特别是监控人流量大的区域由于网络传输的带宽问题和计算能力问题常常引起丢帧和丢脸问题。3.13 摄像机的头像问题 摄像机很多技术参数影响视频图像的质量这些因素有感光器CCD、CMOS、感光器的大小、DSP的处理速度、内置图像处理芯片和镜头等同时摄像机内置的一些设置参数也将影响质量如曝光时间、光圈、动态白平衡等参数。4. 实战中的数据标注4.1 数据标注1一般来说数据标注部分可以有三个角色标注员标注员负责标记数据。审核员审核员负责审核被标记数据的质量。管理员管理人员、发放任务、统计工资。 只有在数据被审核员审核通过后这批数据才能够被算法同事利用。2数据标记流程任务分配假设标注员每次标记的数据为一次任务则每次任务可由管理员分批发放记录也可将整个流程做成“抢单式”的由后台直接分发。标记程序设计需要考虑到如何提升效率比如快捷键的设置、边标记及边存等等功能都有利于提高标记效率。进度跟踪程序对标注员、审核员的工作分别进行跟踪可利用“规定截止日期”的方式淘汰怠惰的人。质量跟踪通过计算标注人员的标注正确率和被审核通过率对人员标注质量进行跟踪可利用“末位淘汰”制提高标注人员质量。4.2 模型训练 数据标记完成后交由算法同学进行模型的训练期间发现的问题可与产品一起商讨。训练过程中最好能可视化一些中间结果。一来可以检测代码实现是否有Bug二来也可以通过这些中间结果来帮助自己更好的理解这个算法的过程。4.3 模型测试 测试同事一般来说算法同事也会直接负责模型测试将未被训练过的数据在新的模型下做测试。 如果没有后台设计测试结果只能由人工抽样计算抽样计算繁琐且效率较低。模型的效果需要在精确率识别为正确的样本数/识别出来的样本数和召回率识别为正确的样本数/所有样本中正确的数中达到某一个平衡。 测试同事需要关注特定领域内每个类别的指标比如针对识别人脸的表情里面有喜怒哀乐等分类每一个分类对应的指标都是不一样的。测试同事需要将测试的结果完善地反馈给算法同事算法同事才能找准模型效果欠缺的原因。同时测试同事将本次模型的指标结果反馈给产品由产品评估是否满足上线需求。1测试环境说明例如CPUIntel(R) Core(TM) i7-4790 CPU 3.60 GHz内存8GB系统Ubuntu 14.04 x86_64/Windows 7 SP1 64bitGCC版本4.8.22测试集和测试需求说明 比如“图片包含人脸大小应超过96*96像素测试结果达到XX程度满足需求。经典人脸身份识别测试集LFW共包含13233 张图片 5749 种不同身份世界记录99.7%。CK 一个人脸表情数据集包含固定表情和自发表情包含123个人的593个表情序列。每个序列的目标表情被FACS编码同时添加了已验证的情感标签生气、厌恶、害怕、快乐、悲伤、惊讶。3需要说明“有效距离左右角度上下角度速度”等参数值范围 注这和“部署的灵活性”相关——由于不同客户不同场景的需求不同所以技术方的人脸检测模块一般可以通过调整参数得到N种亚型以适应不同应用场景(光照、角度、有效距离、速度) 下对运算量和有效检测距离的需求。4测试结果——欠拟合定义模型没有很好地捕捉到数据特征不能够很好地拟合数据 左图表示size与prize关系的数据中间的图就是出现欠拟合的模型不能够很好地拟合数据如果在中间的图的模型后面再加一个二次项就可以很好地拟合图中的数据了如右面的图所示。解决方法添加其他特征项有时候我们模型出现欠拟合的时候是因为特征项不够导致的可以添加其他特征项来很好地解决。例如“组合”、“泛化”、“相关性”三类特征是特征添加的重要手段无论在什么场景都可以照葫芦画瓢总会得到意想不到的效果。添加多项式特征这个在机器学习算法里面用的很普遍例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。例如上面的图片的例子。减少正则化参数正则化的目的是用来防止过拟合的但是现在模型出现了欠拟合则需要减少正则化参数。尝试非线性模型比如核SVM 、决策树、DNN等模型。5测试结果——过拟合定义模型把数据学习的太彻底以至于把噪声数据的特征也学习到了这样就会导致在后期测试的时候不能够很好地识别数据即不能正确的分类模型泛化能力太差。例如下面的例子。 上面左图表示size和prize的关系我们学习到的模型曲线如右图所示虽然在训练的时候模型可以很好地匹配数据但是很显然过度扭曲了曲线不是真实的size与prize曲线。解决方法从产品角度重新清洗数据导致过拟合的一个原因也有可能是数据不纯导致的噪音太多影响到模型效果如果出现了过拟合就需要我们重新清洗数据。增大数据的训练量还有一个原因就是我们用于训练的数据量太小导致的训练数据占总数据的比例过小。从算法角度交叉检验通过交叉检验得到较优的模型参数;特征选择减少特征数或使用较少的特征组合对于按区间离散化的特征增大划分的区间;正则化常用的有 L1、L2 正则。而且 L1正则还可以自动进行特征选择;如果有正则项则可以考虑增大正则项参数 lambda;增加训练数据可以有限的避免过拟合;Bagging ,将多个弱学习器Bagging 一下效果会好很多比如随机森林等.4.5 标注流程中遇到的问题1项目过程中的不确定性a. 出现原因 一般情况下只要数据标注的规范清晰对规则的界定从一而终标注工作的流程还是比较简单的。 数据标注规范可能会在测试后根据结果情况进行调整那么规则修改前后“数据标注的一致性”就出现了问题会导致多次返工在时间和人工成本上颇有影响。b. 解决方法1如是分类性质的解析工作建议标注规则先从非常肯定的非黑即白开始规则设定由简到繁带有疑虑数据再另外作记号。随着规则一步步深入可能会出现交叉影响此时就需要放弃一些低频问题的规则余下的未标注的数据就根据新的规则标注。2如是多类规则同时进行的标注工作需要把每类规则定得足够细致。3实例如询问机器人会干什么的语料中出现“你说你会干什么”可以理解为询问也可能是嫌弃这两类应对的策略不同有歧义所以不能把它归纳如询问类需要把它从训练集里剔除。如人脸情绪识别中一个人在流眼泪有时可以理解为伤心落泪有时可以理解为喜极而泣还有时可以理解为激动落泪甚至是感动落泪等所以在看到此类照片时不能简单的凭借惯性化思维将其归纳到悲伤一类中当人眼都很难判别清楚时需要把它从训练集里剔除。5. 实际案例分析5.1 某领域的人脸识别监测与身份确认1案例问题 光照影响过暗或过亮等非正常光照环境会对模型的效果产生很大干扰。2解决方案a. 从产品角度控制在用户可以更换环境的前提下比如银行刷脸取钱等可语音/界面提示用户目前环境不理想头歪、头发、眼镜等建议进行正确的正脸取照。在用户不能控制更换环境的情况下比如人脸识别、车辆识别等摄像头固定的场景只能通过调试硬件设施弥补这个问题。晚上由于摄像头在晚上会自动切换到黑夜场景从图片上看就是从彩色切换为黑白因此在晚上强光下例如路灯照射人脸就会过曝这时我们可以通过强制设置摄像头环境为白天图像为彩色来避免。而过暗的情况从节省成本角度看可以在摄像头旁边增加一个光线发散、功率不高的灯来弥补。当然这两个问题也可以通过购买高质量的摄像头解决但这样做也意味着更高的成本。白天白天也会出现光线过亮的情况这种情况可以考虑用滤光片等等。b. 从算法角度控制 用算法将图片进行处理可以将图片恢复得让人眼看清的程度。5.2 某款人脸年龄识别产品1案例问题 一款识别人脸年龄的产品对女性某个年龄阶段25—35的判断误差较大经过发现是因为该年龄阶段有以下特点女性在这个年龄阶段面貌变化不是很大有时人眼给出的判断误差都很离谱。在这个年龄层次的女性注重打扮化妆品很大程度上掩盖了其真实年龄有时30多的跟20岁没多大差别C. 精装打扮的和素颜的差别不是很大。2解决方案补充数据针对该年龄层次的人脸图片数据做补充。不仅补充正例“XXX”应为多少岁还应补充负例“XXX”不应为多少岁。优化数据修改大批以往的错误标注。数据总结对化妆和不化妆的人脸图片进行分析以便调整算法参数。3需求研究自拍如女性群体一般都希望自拍时年龄的判别在心里预期中能越小越好当在和一群人自拍中可以适当的将主人公的年龄判别结果调低至达到用户心理满足感。此时可适当降低算法的参照度。婚恋交友在婚恋网站交友过程中双方都希望知道彼此的真实年龄信息此时运用人脸年龄识别可以分析双方的年龄、皮肤等物理信息为彼此提供参考。此时的信息就不能以达到心理满足感为主了应当追求准确度。5.3 某款AR美颜相机 1无法定位出人脸 在背景出现多人或宠物时相机有时并未能精确定位出目标用户而定位到背景图片中的人、宠物、身旁的其他人有时屏幕一片漆黑有时显示未检测出人脸。从产品角度界面提醒用户远离复杂背景或美颜时最好屏幕中只出现一人或给出方框图让用户自己手动选择主要定位区域进行AR美颜屏幕一片漆黑时可提醒用户是否是光线太暗或是摄像头被障碍物遮挡等从算法角度可对人脸关键点进行定位计算目标用户与摄像头的距离或计算人脸在频幕的区域占比来确定目标用户一般几何距离近的、频幕区域占比较大的为美颜目标结合活体检测来排除背景图片人物的干扰等。2图像模糊昏暗 光线太暗、运动、对焦等造成模糊摄像头距离因素造成图像低频存在高频流失等从产品角度可提醒用户在光线较温和的区域进行美颜操作或是擦除前置摄像头的障碍物或文字提示动作太快或是更换高清前置摄像头或提示对焦失败给与对焦框图让用户手动对焦等。从算法角度在美颜前可在后台中调取手机亮度调节功能用算法调节光线的亮暗程度以适应美颜所需的物理条件用算法设法补齐高频部分从而减少对照片的干扰。3人脸关键动作抓捕太慢 在进行AR美颜搞怪时如张嘴动作屏幕出现音符、唾沫星子等对动作抓捕太慢半天才抓捕到张嘴动作。从产品角度文字提示不支持快速移动或提示缓慢移动如亲您的动作太快了奴家还未反应过来等从算法角度人脸姿态估计、关键点定位来捕捉人脸动作。4关键位置添加虚拟物品失败如在嘴上叼烟、耳朵吊耳环、眼镜戴墨镜、脸显红晕从产品角度文字/图片提醒用户摆正人脸位置。从算法角度可利用算法对人脸关键区域进行分割并定位来达到人脸精准定位添加虚拟物品5.4 人脸开门和人脸检索1人脸开门等跨网方案需要关注的因素远程算法更新远程算法更新必然会造成本地局域网功能暂时性无法使用。因此远程算法更新的频率、时间、更新效果都需要产品在更新前精确评估。增删改人脸数据与本地数据的同步本地局域网和互联网是无法直接交互的因此用户在互联网一旦对人脸数据库进行增删改的操作下发程序的稳定性和及时性都需要重点关注。硬件环境本地存储空间的大小和GPU直接影响到本地识别的速度。服务器的稳定性影响到功能地正常使用。守护程序断电等外置情况意外情况发生又被处理完善后程序能自动恢复正常。2人脸检索等某一局域网方案需要关注的因素速度除了算法识别需要消耗一定时间外该局域网下的网速会影响到识别结果输出的速度。数据库架构通过检索结果关联结构化数据。阈值的可配置性在界面设置阈值功能从产品层面输入阈值后改变相对应的结果输出。输出结果排序根据相似度排序或结构化数据排序内容地抉择云服务的稳定性。5.5 旷视科技官网产品体验多图预警 1年龄略有差距自我估计-5性别基本无误头部状态略有误差人种误差在30-40%样本量10白种人和黄种人误差明显情绪基本无误眼镜种类识别有误差商品识别的范畴强光状态下表现不佳。 2逻辑错误左眼睁眼、普通眼镜、右眼墨镜相似度大下图为张一山和夏雨的较难区分双胞胎估计很难区分 3远距离检测较难左图检测出一张右图检测出两张估计10米开外检测不到 4能够识别蜡像、海报等非真人场景因此在一些场合可欺骗摄像头如在金融领域里的身份识别海关检查等关键性应用中将会有风险。5佩戴的口罩无法检测出人脸6公司体验对比结果6. 项目虚拟实战以AR美颜APP为例过程为理论经验推理所得自己并未实习 人脸检测系统下有很多FR相关的应用比如人脸属性识别年龄、表情、性别、种族等、人脸美颜/美妆、人脸聚类等等。我们从AR美颜/美妆这一个例子着手探索项目的具体流程。6.1 项目前期准备1需求调研 场景及痛点现在大多数美颜相机拍照后都只有添加各种滤镜、加几个字、变白一点早已经不能满足广大女性群体对于美颜的需求加上如今年轻女性和男性的审美标准和猎奇心理都在发生改变社交方式的趣味性也变得不同比如原来大家可能在空间、朋友圈、直播上看到美女帅哥都会觉得很吸睛点赞粉丝直奔而来但随着快手和抖音的出现可以发现不仅仅是俊男靓女的照片和视频能引起围观同样的各种普通群众的搞怪合成视频或合成照片虚拟的AR特效带来的各种浮夸造型同样能吸引无数粉丝的追捧让普通人也能享受被人膜拜的满足感而这些都需要用到人脸识别的相关技术。2目标用户画像分析了解目标用户的主流群体学生大学生、高中生、初中生群体对月美颜美妆的心理需求、时尚人士的美妆需求、长相普通的人和长相突出的人对于美颜的心理需求等。了解用户的年龄组成、地域分布对应美妆的特点。不同收入群体白领、金领、蓝领等的美颜美妆需求关注点。3市场分析 美颜美妆的市场规模产业链潜在的边际效应利益等。6.2 文档准备1需求文档 详细的分析目前的用户需求针对不同群体设计不同的产品解决方案包括市场的需求文档。2数据文档 前期的人脸图片收集、分发、标注总结文档确定什么样的图片能要什么样的不能要各种脸型长的、宽的、圆的、前额凸出的、眼睛深陷的等等的分类多少人完成眼睛美颜图片的分类等。3产品文档场景落地文档如听歌时头上戴虚拟耳机叹气时嘴上叼烟说话时唾沫星子等针对不同的人脸姿态场景研究可能的落地产品形式。产品的设计文档如美颜APP的页面交互设计、导航设计、视觉呈现设计等直播APP中的弹幕呈现设计、点赞分享按钮设计等。产品开发流程文档如PM先提交需求、可行性分析、立项、设计流程、开发流程算法搭建、模型训练、测试训练等一系列流程的步骤及跟进。模型训练及测试文档数据标注好后喂给算法搭建人脸识别美颜的模型框架如前期用成千上万的照片训练机器的人脸关键点定位让机器找准鼻子、眼睛、耳朵、嘴等位置等。6.3 数据标注1数据图片的采集 在文档的指引下从公开网站上爬取收集符合模型训练的人脸图片、或是运用公司的数据图片等2数据图片的标注 在标注规范文档的指引下将图片分发给标注团队进行数据的标注对一些模棱两可的图片如图片中的人脸较模糊此时该照片是要还是不要期间应与算法同事保持沟通有时暗的图片在算法的优化中能准确识别这样增加实际情况的容错率实际中较暗的人脸图像也能定位出关键部位那么这张图片则视为有效数据有时较暗的图片经过算法之后并不能达到要求及无法定位出人脸关键点此时这照片则视为无效数据直接剔除但是标注团队并不知道这张图片是有效还是无效所以标注过程中算法同事也需间接参与进来。3数据的反馈 在部分图片标注过程后交于算法同事训练模型调节参数期间将测试后的数据精确率和召回率的计算来反映数据的标注结果反馈给还在标注的人员有时可能造成过拟合有时可能造成欠拟合等方便对数据进行重新操作。6.4 项目流程跟踪 1产品立项后每天的任务管理流程进度跟踪产出时间管理开会反馈工作成果等。 2软硬件端在开发流程文档的指引下按照常规的软硬件跟踪开发。 3算法流程人脸采集、人脸检测、图像的预处理模糊的则用算法去模糊等、人脸特征提取、图像的匹配识别、AR虚拟等。6.5 项目测试手机摄像头测试平台后台程序测序算法与平台后台测试模型识别时间、准确率、召回率测试服务器稳定性测试网络带宽限制测试其他平台、硬件产品常规测试目标用户使用测试6.6 项目优化 经过各种测试之后针对反馈回来的数据进行产品的优化。 如一张嘴就给你来根烟结果烟插到鼻子上了这就明显是没有定位到人脸关键点是数据的原因还是算法的原因这些都要经过优化处理经过种子用户测试后反馈得知这个点赞按钮操作起来有点别扭应该怎样怎样这时可能要与设计的同学讨论一下该怎样优化产品的设计和体验。6.7 项目验收上线 产品按照流程功能进行验收后上线。 下面附上总结这篇系列文章的思路导图《崛起的超级智能》一书主要阐述当今天人类为人工智能的春天到来而兴奋为人工智能是否超越人类而恐慌的时候一个更为庞大、远超人类预期的智能形态正在崛起种种迹象表明50年来互联网正在从网状结构进化成为类脑模型数十亿人类智慧与数百亿机器智能通过互联网大脑结构正在形成自然界前所未有的超级智能形式。这个新的超级智能的崛起正在对人类的科技产业、经济军事国家竞争产生重要而深远的影响。作者刘锋 推荐专家张亚勤、刘慈欣、周鸿祎、王飞跃、约翰、翰兹未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
