早在40年前，圖像識別領(lǐng)域就有很多關(guān)于人臉識別的研究。但是在當(dāng)時，
傳統(tǒng)算法在普通圖像識別中已經(jīng)很難取得良好的識別效果，更何況還要從人臉
中提取更加細(xì)微的特征。在很長一段時間里，人臉識別主要存在過擬合與欠擬
合兩個問題。
一方面是因為不同的人臉之間的差別只有五官上細(xì)微的差異，這要比區(qū)分
飛機(jī)、桌子的照片更難。因為后者的特征差異明顯，比較容易判斷，而模型容
易將長得很像的兩個人誤判為同一個人；另一方面是同一個人在不同時間拍攝
的兩張照片可能由于光照、角度、年紀(jì)、表情、化妝等不同的原因，導(dǎo)致同一
個人的臉在計算機(jī)看來有很大的差異。因為過擬合與欠擬合這兩個問題的限
制，人臉識別技術(shù)一直發(fā)展得非常緩慢。
直到深度神經(jīng)網(wǎng)絡(luò)出現(xiàn)以后，人臉識別技術(shù)才有了真正的可用性。自從
2014年來自香港中文大學(xué)的團(tuán)隊開發(fā)的模型，使得計算機(jī)在人臉識別任務(wù)上的
表現(xiàn)第一次超越人類，人臉識別開始從電影銀幕進(jìn)入人們的日常生活。現(xiàn)在我
們開通金融賬戶，不必再跑到營業(yè)點，直接就能通過手機(jī)刷臉驗證；在火車
站、出入境等地方使用人臉識別技術(shù)搜索犯罪嫌疑人，成了案件偵破的利器。
11.3.1 人臉檢測
人臉識別是一個從一幅數(shù)字圖像或一幀動態(tài)視頻中，“找到人臉”和“認(rèn)
出人臉”的過程。這兩個環(huán)節(jié)也稱為“人臉檢測”與“人臉識別”。之所以設(shè)
置人臉檢測，不僅是為了檢測出照片上人臉的位置，更重要的是去掉照片中與
人臉無關(guān)的噪聲信息，加快識別速度。否則將整張照片的所有像素點都輸入模
型中會影響模型的判斷，也會增加計算復(fù)雜度。
目前主流的人臉檢測是用方向梯度直方圖，這個方法主要是將圖像灰度化
后，分析某片像素區(qū)域，根據(jù)明暗度生成一個箭頭，箭頭的指向代表了像素逐
漸變暗的方向。如果我們重復(fù)操作每一個區(qū)域，最終圖像會被很多箭頭取代。
這些箭頭稱為梯度（gradients），它們能顯示出圖像從明亮到黑暗流動的過
程，這樣做可以將人臉的結(jié)構(gòu)用梯度大致表示出來，如圖11-18所示。最后再
與已知的人臉梯度庫對比，即可找出新圖像的人臉位置。

對于人臉檢測的這個環(huán)節(jié)不一定要使用深度學(xué)習(xí)技術(shù)，因為這個環(huán)節(jié)的要
求相對低一些，只需要識別照片中有沒有人臉以及人臉在照片中的大致位置即
可。
11.3.2 人臉識別
找到人臉以后，接?來我們要區(qū)分不同的人臉。人臉識別是一個圖像分類
任務(wù)，整個識別過程通常包含以?幾個步驟：人臉檢測、特征提取、人臉對比
分析與分類。人臉檢測是對包含用戶臉部的圖像進(jìn)行提取，找到人臉的五官、
角度等信息，完成讓計算機(jī)“看得見”的任務(wù)。特征提取則是讓計算機(jī)“看得
懂”，對于計算機(jī)來說朝向不同的人臉是不同的東西，為此我們得適當(dāng)?shù)卣{(diào)整
扭曲圖像中的人臉，使得眼睛和嘴總是與被檢測者重疊。
有一種方法叫面部特征點估計法，可以幫助我們解決上面的問題。該算法
的基本思路是找到人臉普遍存在的68個點，這些點被稱為特征點，如圖11-19
所示。

有了這68個特征點，計算機(jī)就能夠知道一張照片中眼睛、鼻子和嘴巴的位
置在哪里。因為每張照片的拍攝角度多少有些不同，因此我們需要再做一些人
臉位置的對齊、角度的調(diào)整工作，經(jīng)過這道工序以后這才意味著完成了讓計算
機(jī)“看得見”的任務(wù)。找準(zhǔn)了臉的位置后，就進(jìn)入了人臉識別技術(shù)的核心環(huán)
節(jié)，讓計算機(jī)能夠“看得懂”，看懂特征，區(qū)分不同的人臉。這個環(huán)節(jié)的核心
在于通過眼睛、眉毛、鼻子、嘴巴、臉頰輪廓特征關(guān)鍵點和面部表情網(wǎng)，找
出彼此之間的關(guān)聯(lián)，最終判定這些圖像是否為同一個人 。
因此接?來我們需要使用深度卷積神經(jīng)網(wǎng)絡(luò)模型來提取細(xì)微的臉部特征，
主要步驟是用卷積神經(jīng)網(wǎng)絡(luò)計算圖像的特征，利用特征計算相似函數(shù)，最后為
人臉生成128個測量值。
為了讓模型不會產(chǎn)生過擬合或者欠擬合的現(xiàn)象，同時能夠獲得比較好的識
別效果，我們采用一種定?三元函數(shù)的方法。這種方法需要我們在每次訓(xùn)練時
輸入三張不同的臉部圖像，即同一個人不同角度的兩張照片以及另外一個人的
一張照片，三張照片分別代表目標(biāo)、正例和反例。如果目標(biāo)與正例是同一個
人，那么它們的測量值不會相差太多；如果目標(biāo)與反例不是同一個人，那么它
們的測量值會相差比較多。神經(jīng)網(wǎng)絡(luò)不斷調(diào)整參數(shù)，以確保第一張和第二張生
成的測量值接近，讓第二張和第三張生成的測量值略有不同。經(jīng)過百萬次的訓(xùn)
練，模型可以用一種較為準(zhǔn)確的方式為不同的人臉照片編碼。
最后，若要判斷一個人的圖像在不在數(shù)據(jù)庫里，只需要用這個人的人臉圖
像與數(shù)據(jù)庫里的圖像比對即可。比對時，我們計算兩張圖片之間的編碼距離，
然后與設(shè)定的閾值相比較。如果計算的結(jié)果高于閾值我們就認(rèn)為相似度較高，
即兩張照片為同一個人。通過這樣的方式完成同一個人的匹配，也代表計算機(jī)
能夠識別出這個人的身份。
實際上關(guān)于人臉識別技術(shù)，目前已經(jīng)有許多成熟的算法都能夠達(dá)到我們的
要求。盡管每個算法的步驟和計算方式不太一樣，但核心都是人臉檢測與人臉
識別，首先要讓計算機(jī)能夠找到臉，確定臉的位置，接?來才能夠分析臉，識
別出不同的臉。
除了識別身份以外，人臉識別技術(shù)還有很多不同的應(yīng)用。比如活體檢測，
在很多風(fēng)控場景?需要確認(rèn)攝像頭前是一個真實的用戶還是一張?zhí)摷俚恼掌?#xff1b;
比如人數(shù)計算，在出入境等關(guān)口可以通過攝像頭實時計算過關(guān)人數(shù)。對于不同
的場景，產(chǎn)品經(jīng)理關(guān)注的指標(biāo)不同，因此指標(biāo)的含?也是我們重點關(guān)注的事
情。
11.3.3 人臉識別的效果評價方法
在人臉識別領(lǐng)域，常用的評價指標(biāo)為FAR與FRR。在前文中我們曾提到，在
進(jìn)行人臉識別，判斷測試照片與人臉數(shù)據(jù)庫中某張照片是不是同一個人時，一
般會計算兩張照片編碼后的相似度或距離。在比較的過程中，我們會設(shè)定一個
相似度閾值。如果兩張照片的相似度高于閾值則認(rèn)為這兩張照片是同一個人，
如果低于閾值就認(rèn)為這兩張照片不是同一個人。但是無論如何調(diào)整閾值的大
小，總是會有一定的錯誤率，這個錯誤率稱為誤識率，用FAR表示。關(guān)于FAR，
簡單理解就是我們比較不同人的照片時，把兩張不同的照片當(dāng)成同一個人的照
片的概率。所以我們希望模型的 FAR越小越好。
參考以上對 FAR的解釋，我們知道，當(dāng)對同一個人的兩張照片進(jìn)行比較時
可能會出現(xiàn)相似度小于閾值的情況，這個錯誤率我們稱之為錯誤拒絕率，用
FRR表示。簡單理解FRR就是我們比較同一個人兩張不同的照片時，錯誤識別為
兩個人的概率。所以我們希望模型的FRR越小越好。
需要將FAR與FRR兩個指標(biāo)結(jié)合起來看才能夠看出一個模型的效果。試想一
種極端的情況，如果我們把模型的相似度閾值設(shè)為1，即使是兩張相同的照
片，模型也會判定為兩個不同的人，因此模型的誤識率為0%。如果單看這一個
指標(biāo)會誤以為模型的效果很好。但如果我們再看誤拒率，會發(fā)現(xiàn)高達(dá)100%，那
么這樣的模型對我們來說沒有任何意?。
人臉識別技術(shù)如今已經(jīng)融入我們生活的方方面面，我們可以真實地感知到
生活的變化。在購物支付時，不再需要一遍一遍輸入密碼，只需要刷臉就能迅
速完成支付；在進(jìn)行出入境安檢時，也不再需要人工審核我們的身份，通過人
臉識別已經(jīng)能夠高效、準(zhǔn)確地判斷；甚至我們上班打卡、計算機(jī)開機(jī)都能夠用
人臉識別，每一個場景的原有流程都大大簡化了。除了以上場景外，還有很多
應(yīng)用場景待產(chǎn)品經(jīng)理去一一探索，相信借助人臉識別這一有力的?器，未來能
夠涌現(xiàn)出越來越多更智能、方便的產(chǎn)品。因此產(chǎn)品經(jīng)理只有掌握了圖像識別、
人臉識別的原理，才能夠發(fā)現(xiàn)真正有價值的場景，設(shè)計出可行的方案。?

總結(jié)

以上是生活随笔為你收集整理的人工智能知识全面讲解： 人脸识别技术的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。