中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

人臉識別，已成趨勢。關于人臉識別各種碎片式的報道也層出不窮，但對于大多數人而言，依然是管中窺豹，霧里看花。本篇文章中，筆者將從技術應用與商業模式兩個維度，系統性地說明人臉識別，力求讓讀者，尤其是在考慮AI+應用的從業者，看到全貌。

根據前瞻產業研究院對對人臉識別市場的預估，到2022年，中國人臉識別市場規模將超過66億元。

本篇，我們先來講人臉識別的技術應用。

基礎能力決定上層應用——基礎層算法

我們可能斷斷續續聽說過人臉檢測、人臉識別等算法，但這些算法之間是否有聯系，是否有體系？答案的是“有的”。

我們可以將人臉識別算法分為基礎層算法與應用層算法。

基礎層算法，相當于人臉的預處理。一張人臉，首先要經過人臉檢測、特征關鍵點處理，質量模型過濾之后，才能到應用層算法做處理，并應用到實際場景中。

基礎層算法的優劣，很大程度上會影響最終的人臉識別準確率和效果。

應用落地，各取所需——應用層算法

目前，人臉識別在身份認證領域與互娛領域應用最為廣泛；在智能交互，數據分析處理等方向上，人臉識別也在進行著積極探索。

身份認證/安防的核心功能在于確認“你是誰”，互娛領域的核心在于“人臉特效處理”；兩個領域，兩條賽道，分別擁有各自不同的產業鏈。

身份認證猶如一位思維嚴謹的工程師，狠抓識別準確率，防攻擊等指標，并結合應用落地場景，串聯業務流程，也是當下AI結合產業互聯網的典型。

互娛領域就像一位鉆研人性的產品經理，打造各種人臉特效，美顏、貼紙等都不在話下，并結合平臺用戶偏好，使用針對性的人臉特效策略，引領甚至塑造人們的審美潮流。

1. 你是誰？無介質證明身份

日常生活中，原來我們都是需要通過介質(身份證、工牌、駕駛證等)來證明身份，而以人臉識別為代表的生物識別，則無需介質。

身份認證/安防的核心技術在于活體檢測、人臉比對、人臉搜索；主要用于：線上遠程認證場景(金融開戶、刷臉注冊、刷臉登錄等)、線下無人值守場景(智慧交通、人臉門禁、刷臉取款、刷臉支付等)。

（1）活體檢測

是身份認證的第一步，因為首先我要確認這個人是真人，而不是視頻、照片、面具等欺詐盜用行為。

活體檢測的技術上，目前也主要有兩大類：

1. 對硬件依賴度比較低的，如動作活體，靜默活體；
2. 對硬件有一定要求，需要和硬件適配的，比如雙目活體、3D結構光活體等。

雖然后者的成本比前者高，但是防攻擊效果更好，而在線下場景中，天然的需要硬件，因而后者也成為線下場景的最好選擇。

原理上，都是采集人臉照片，并將照片做上標記(真/假樣本)，并送到模型中訓練從而得出算法。

不同的活體檢測，因為樣本源不一樣，比如紅外攝像頭采集的照片，帶有黑白特征；3D結構光采集的照片帶有深度信息，導致識別效果也不同。

所以，活體檢測的關鍵，除了算法、模型構造，還有一個就是圖片樣本本身所帶有的信息量。

（2）人臉比對

是將兩張人臉照片進行比對，得出相似度；第一張是現場采集的，第二張該如何得來？一般有兩個來源：

1. 能代表你身份的載體，比如身份證、行駛證、駕駛證等證件照，這類場景用來做金融開戶、人臉注冊、網約車司機認證等場景，通過現場采集照比對你的證件照信息，確認你就是本人；
2. 賬號下已經綁定的人臉：一般需要先輸入賬號，獲取對應人臉。這類場景的典型應用是取代原來的密碼功能，比如刷臉登錄、刷臉支付等。

（3）人臉搜索

是將采集到的人臉，和底庫中的人臉全部進行比對，得出相似度最高的幾張人臉底庫照，并得出相似度，超過一定閾值，則可以認為是同一人。

人臉搜索，無需事先得到底庫人臉照，只需要刷臉即可，在線下門禁、安防、刷臉支付等領域應用廣泛。當然，不同的業務領域中，根據誤識的后果，對人臉搜索的容錯性也不一樣；比如在工地人臉識別中的容錯率，就要比在刷臉支付中的容錯率要低。

需要說明的是，人臉搜索的準確率，是要結合底庫中人臉照片的數量來的，底庫中人臉照片越多，識別準確率越低。

這個和人一樣，在2~3個人中，找出你曾經認識的人，比較容易；但是上百萬個人，則長相相似的人也越多，辨識更困難。目前業界做的好的一般是百萬級別的人臉庫，識別準確率在95%以上。

2. 從工具到社交，娛樂至上

互娛應用，也深深契合著行業發展。起初隨著智能手機興起，人們的自拍分享需求漸漸旺盛，美顏濾鏡，作為與手機硬件深度結合的產品，見證著人們變美的時代，此時，算法主要由第三方算法公司提供。

隨著4G時代帶來，短視頻社交成為人們生活熱點，美顏濾鏡、貼紙也應用于各大互娛平臺中，并成為不可分割的一部分；對于短視頻內容生產者來說，甚至已成為核心競爭力。

因此，諸如快手、抖音等平臺，都以自研算法，并結合客戶群畫像，獨自研發。

（1）濾鏡美顏

濾鏡是圖像美化中必不可少的步驟， 所謂濾鏡，最初是指安裝在相機鏡頭前過濾自然光的附加鏡頭，用來實現調色和添加效果。2008年，美圖一炮而紅，人們發現，原來濾鏡還可以這么玩，自此，美顏濾鏡開始了從工具到美學定義者的轉變。

早期的傳統算法，主要是先使用人臉特征關鍵點算法，勾畫有效區域，然后在不同的區域進行亮度提升、去噪聲等算法，實現美顏濾鏡。

隨著深度學習的興起，研究人員們開始更關注結果，設計師將原圖P成美化完成后的結果圖，并用于訓練。人們美顏后，究竟想變成什么樣？研究重心也開始偏移。

（2）人臉融合與貼紙

貼紙，人臉融合，則是更高階的玩法。核心還是人臉特征關鍵點，對于貼紙和人臉融合來說，關鍵點的數量越多越好，對齊的越準確。人臉融合，則是將兩張人臉的關鍵點進行融合。

3.?不斷進取，跨越感知智能

人工智能承載了業界對于改造世界的期望，一定程度上說，屬性識別、視線估計、GAN等，從感知智能往前更進了一步，但是因為技術不夠成熟、商業應用領域狹窄等原因，至今未得到大規模商業應用。

可以說，視覺AI想跨越到認知智能，AI與AI之間相互融合，依然還有很漫長的路要走

（1）屬性識別

年齡、性別，高興、悲傷、憤怒等情緒，獲取用戶更多維的數據，豐富用戶畫像，用于個性化推薦、廣告展示等場景，聽著很美好，對不對？畢竟在數據為王的時代，數據就是價值。但是，商用化還是存在技術硬傷，識別準確率也就70%左右。

近日，美國等5名專家，耗時兩年，查閱1000多項研究，在論文《再論人類情感表達：從人類面部表情辨別情緒的方法論面臨的挑戰》（論文原名為：《Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements》）中表示：人類情緒的表達方式及其豐富復雜，很難靠簡單的面部表情識別，人們生氣時，在平均不到30%的時間里他們會皺眉，故皺眉不等于憤怒，皺眉只是“憤怒”的眾多表達方式之一。同時，表情和語言、情境的相關關系也非常大。

（2）視線估計

視線估計與人臉特征關鍵點比較像，檢測完人臉之后，再檢測人眼以及眼球，并鎖定眼球中心等關鍵點位置，根據坐標來鎖定視線方向。主要應用于課堂上，評估學生注意力；

AR VR等新型硬件交互，通過視線方向，自動切換視頻中的位置等；廣告投放，評估行人對廣告的注意力；目前而言，市場體系還是比較小，未得到大規模應用。

（3）GAN

GAN全稱為生成對抗網絡，初衷是生成不存在于真實世界中的數據，使得AI具有創造力或者想象力，也是目前AI領域一個比較熱門的研究方向。

GAN的核心網絡分為生成器與判別器；生成器負責憑空捏造數據，判別器負責判斷數據是否是真實數據；兩個核心網絡相互博弈，直至動態平衡，讓生成的數據無限接近與真實數據。

如圖，隨機噪聲就是隨機生成的一些數，也就是GAN生成圖像的源頭。

生成器根據一串隨機數生成一個假圖像，并用這些假圖去欺騙判別器

而判別器通過真圖和假圖的數據(相當于天然的label)，進行一個二分類神經網絡訓練，并判別輸入的是真圖還是假圖，給出一個分值。

舉個例子，真圖是一系列的人臉照。起初，生成器生成的照片，肯定是亂七八糟的，但是判別器會去判斷打分，告訴生成器，你生成的不是真圖(人臉照)，于是生成器根據深度學習，反向傳播等，不斷去修改自己的圖片，然后，生成的圖片會越來越趨近于真實人臉，直至動態平衡。

GAN受到關注，很多原因，比如：

1. 本身是無監督的，目前人工智能的絕大部分能夠商業應用算法都是監督算法，所謂監督算法，就是需要海量的樣本，并進行人工標注，傳播訓練，所以行業也有“有多少人工，就有多少智能”的調侃；
2. 讓AI具備想象力，比如將模糊圖變清晰(去雨、去霧、去抖動、去馬賽克等)，能腦補情節 很多paper都在研究gan的發展前景。

結語

任何技術，也都遵循著從技術發展—>技術成熟—>商業落地的發展規律。技術的池子不斷創新，同時商業也從技術池中，探索合適的技術，改造世界；

人臉識別作為一項復合性技術，既擁有現在，同時也在不斷開拓未來。雖然困難重重，但前景令人心動。

作者：云識客，公眾號: 云識客(ID: zhiquysk)，立足視覺AI，專注場景識別的AI服務商

本文由 @胡安安 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議