早在40年前，圖像識別領域就有很多關于人臉識別的研究。但是在當時，
傳統算法在普通圖像識別中已經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微的差異，這要比區分
飛機、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、表情、化妝等不同的原因，導致同一
個人的臉在計算機看來有很大的差異。因為過擬合與欠擬合這兩個問題的限
制，人臉識別技術一直發展得非常緩慢。
直到深度神經網絡出現以后，人臉識別技術才有了真正的可用性。自從
2014年來自香港中文大學的團隊開發的模型，使得計算機在人臉識別任務上的
表現第一次超越人類，人臉識別開始從電影銀幕進入人們的日常生活。現在我
們開通金融賬戶，不必再跑到營業點，直接就能通過手機刷臉驗證；在火車
站、出入境等地方使用人臉識別技術搜索犯罪嫌疑人，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字圖像或一幀動態視頻中，“找到人臉”和“認
出人臉”的過程。這兩個環節也稱為“人臉檢測”與“人臉識別”。之所以設
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，分析某片像素區域，根據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。如果我們重復操作每一個區域，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構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節不一定要使用深度學習技術，因為這個環節的要
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?來我們要區分不同的人臉。人臉識別是一個圖像分類
任務，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行提取，找到人臉的五官、
角度等信息，完成讓計算機“看得見”的任務。特征提取則是讓計算機“看得
懂”，對于計算機來說朝向不同的人臉是不同的東西，為此我們得適當地調整
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、角度的調整工作，經過這道工序以后這才意味著完成了讓計算
機“看得見”的任務。找準了臉的位置后，就進入了人臉識別技術的核心環
節，讓計算機能夠“看得懂”，看懂特征，區分不同的人臉。這個環節的核心
在于通過眼睛、眉毛、鼻子、嘴巴、臉頰輪廓特征關鍵點和面部表情網，找
出彼此之間的關聯，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網絡模型來提取細微的臉部特征，
主要步驟是用卷積神經網絡計算圖像的特征，利用特征計算相似函數，最后為
人臉生成128個測量值。
為了讓模型不會產生過擬合或者欠擬合的現象，同時能夠獲得比較好的識
別效果，我們采用一種定?三元函數的方法。這種方法需要我們在每次訓練時
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、正例和反例。如果目標與正例是同一個
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。神經網絡不斷調整參數，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。經過百萬次的訓
練，模型可以用一種較為準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據庫里，只需要用這個人的人臉圖
像與數據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，
然后與設定的閾值相比較。如果計算的結果高于閾值我們就認為相似度較高，
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
能夠識別出這個人的身份。
實際上關于人臉識別技術，目前已經有許多成熟的算法都能夠達到我們的
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，人臉識別技術還有很多不同的應用。比如活體檢測，
在很多風控場景?需要確認攝像頭前是一個真實的用戶還是一張虛假的照片；
比如人數計算，在出入境等關口可以通過攝像頭實時計算過關人數。對于不同
的場景，產品經理關注的指標不同，因此指標的含?也是我們重點關注的事
情。
11.3.3 人臉識別的效果評價方法
在人臉識別領域，常用的評價指標為FAR與FRR。在前文中我們曾提到，在
進行人臉識別，判斷測試照片與人臉數據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，我們會設定一個
相似度閾值。如果兩張照片的相似度高于閾值則認為這兩張照片是同一個人，
如果低于閾值就認為這兩張照片不是同一個人。但是無論如何調整閾值的大
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，當對同一個人的兩張照片進行比較時
可能會出現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兩個指標結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
指標會誤以為模型的效果很好。但如果我們再看誤拒率，會發現高達100%，那
么這樣的模型對我們來說沒有任何意?。
人臉識別技術如今已經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
臉識別已經能夠高效、準確地判斷；甚至我們上班打卡、計算機開機都能夠用
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
應用場景待產品經理去一一探索，相信借助人臉識別這一有力的?器，未來能
夠涌現出越來越多更智能、方便的產品。因此產品經理只有掌握了圖像識別、
人臉識別的原理，才能夠發現真正有價值的場景，設計出可行的方案。?

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。