1人脸识别应用场景（验证）

我们先来看看人脸识别的几个应用。第一个是苹果的FACE ID，自从苹果推出FaceID后，业界对人脸识别的应用好像信心大增，各种人脸识别的应用从此开始“野蛮生长”。

事实上，人脸识别技术在很多场景的应用确实可以提升认证效率，同时提升用户体验。前两年，很多机场安检都开始用上了人脸验证；今年4月，很多一、二线城市的火车站也开通了“刷脸进站”的功能；北京的一些酒店开始使用人脸识别技术来做身份验证。

2 人脸识别应用场景（识别）

我们再来看看几个场景。

第一个是刷脸的自动售货机。当我第一次看到这个机器的时候就有个疑问：”现在人脸识别算法已经做到万无一失了吗，认错人，扣错钱怎么办？”，后来才发现，其实关键不在于算法，产品设计才是最重要的。用过这个售货机的人可能知道，第一次使用的时候，要求输入手机号的后四位，这个看似简单的产品设计，可以让自动售货机的误识别率降低到亿分之一，这样底概率的条件下，误识别带来的损失完全可以忽略。同时这款自动售货机还会提醒你，你的消费行为会绑定“芝麻信用”，想想有几个人会为了一瓶“可乐”去影响自己的征信记录呢？

第二个是刷脸买咖啡，进入咖啡店后，在你选好喝什么咖啡前，系统已经识别出站在点单台前的用户是谁，并做好点单准备；

第三个是在人脸门禁系统。小伙伴们再已不用担心忘记带工卡了。人脸门禁对识别速度和准确度的要求是相对较高的，设备挂在门的侧面墙也会影响体验，增加产品设计和开发的难度。

3 “人脸验证”还是“人脸识别”？

其实，前面两页的场景是有些区别的，不知道大家看出来了没有。

第一个的场景，用户实际提供了两个信息，一是用户的证件信息，比如身份证号码，或APP账号；另一个信息是用户的现场照片；这类场景的目标实际上是：让人脸识别系统验证现场照片是否是证件所宣称的那个人。我们把这类场景叫着“人脸验证”。

第二个的场景，用户实际只提供的现场照片，需要人脸识别系统判断照片上的人是谁。我们把这类场景叫着“人脸识别”。

“人脸验证”拿现场人脸跟用户所宣称的人脸做1比1的比较，而“人脸识别”是拿现场人脸跟后台注册人脸库中的所有人脸比较，是1比N的搜索。可以看出，两种场景的技术原理一致，但是难度不同,第二页场景的难度普遍比第一页高得多。

4 人脸识别原理

计算机是怎么识别人脸的呢？如果我们大家是人脸识别系统的设计者，我们应用怎样来设计这个系统？

“把人脸区域从图片中抠出来，然后拿抠出来的人脸跟事先注册的人脸进行比较”，没错，就是这样，说起来简单，做又是另外一回事了，这里又有两个新的问题：

一是，“怎样判断图片中是有没有人脸？”，“怎样知道人脸在图片中的具体位置呢”，这是人脸检测要解决的问题，人脸检测告诉我们图像中是否有人脸以及人脸的具体位置坐标。

二是，“我们怎样比较两个人脸是不是同一个人呢？”，一个像素一个像素比较吗？光照，表情不一致，人脸偏转都将导致该方法不可行。”人是怎样判断两种照片中的人脸是不是同一个人的呢？”，我们是不是通过比较两种照片上的人，是不是高鼻梁、大眼睛、瓜子脸这样的面部特征来做判断的呢？ 

我们来看一下计算机人脸识别的流程，首先是获取输入图像，然后检测图像中是否有人脸，人脸的具体位置，然后判断图像的质量，比如图像是否模糊，光照度是否足够，然后检测人脸偏转的角度，旋转人脸到一个正脸位置，再然后提取人脸特征，比对人脸特征，最后输出识别结果。其中图像质量检测和人脸对齐这两步是可选的步骤，根据具体应用场景来决定。

5 人脸检测-经典方法

我们来看看经典的人脸检测方法。

OpenCV和Dlib是两个常用的算法库。

OpenCV 中使用Haar Cascade来做人脸检测，其实Haar Cascade可以检测任何对象，比如人脸和脸上眼睛的位置。

DLIB中是使用方向梯度直方图（Histogram of Oriented Gradient, HOG），即通过计算图像局部区域的梯度方向直方图来提取特征，这种方法的本质在于梯度的统计信息，而梯度主要存在于边缘的地方。

OpenCV和DLIB各自也有他们自己的基于深度学习的人脸检测方法，使用起来非常简单。从这几种方法都可以做到CPU实时或GPU实时；经典的检测方法对正脸的检测效果比较好，深度学习的方法适应性更强，可以检测各种角度的人脸。

6 MTCNN人脸检测

2016年提出来的MTCNN算法是目前公认比较好的人脸检测算法是（Multi-task Cascaded Convolutional Networks），可以同时实现face detection和alignment，也就是人脸检测和对齐。

这里的对齐指的是检测人脸眼睛、鼻子、嘴巴轮廓关键点LandMark。

MTCNN算法主要包含三个子网络：P-Net （Proposal Network）、 R-Net(Refine Network)、O-Net(Output Network)，这3个网络按照由粗到细的方式处理输入照片，每个网络有3条支路用来分别做人脸分类、人脸框的回归和人脸关键点定位。

左上角，最开始对在多个尺度上对图像做了resize，构成了图像金字塔，然后这些不同尺度的图像作为P、P、O网络的输入进行训练，目的是为了可以检测不同尺度的人脸。

P-Net主要用来生成候选人脸框。 R-Net主要用来去除大量的非人脸框。O-Net和R-Net有点像，在R-NET基础上增加了landmark位置的回归，最终输出包含一个或多个人脸框的位置信息和关键点信息。

7 人脸特征提取-经典方法

接下来，我们来看一下人脸特征提取。经典的人脸特征提取方法有EigenFace和FisherFace两种。

EigenFace的思想是把人脸从像素空间变换到另一个空间，在另一个空间中做相似性的计算。EigenFace的空间变换方法是主成分分析PCA。这个方法90年代开始应用于人脸识别，因为主成分有人脸的形状，所以也称为“特征脸”。

FisherFace是一种基于线性判别分析LDA(全称Linear  Discriminant Analysis,)的人脸特征提取算法， LDA和PCA都是利用特征值排序找到主元的过程。LDA强调的是不同人脸的差异而不是照明条件、人脸表情和方向的变化。所以，Fisherface对人脸光照、人脸姿态变化的影响更不敏感。

8 人脸特征提取-深度学习法

我们再来看看深度学习法。

利用神经网络学习高度抽象的人脸特征，然后将特征表示为特征向量，通过比较特征向量之间的欧式距离来判定两张照片是否是同一个人。

9人脸特征提取-深度学习法

总体思路是把人脸识别人物当分类任务来训练，通过在损失函数上施加约束，让相同的人的照片提取的特征距离尽可能近，不是同一个人的照片的提取的特征距离尽可能的远。

第一个Logit的地方输出的是人脸的特征向量，一般是128维或者512维，浮点向量。这个Logit前面是CNN分类网络，这个Logit后面的部分是通过在损失函数上施加约束来训练模型，让模型区分相同的人和不同的人，后面的部分只需要在训练阶段计算，推理阶段是不需要的。

10 人脸特征提取-Metric Learning

基于深度学习的人脸特征提取方法主要有两类，一类Metric Learning，另一个是Additive Margin，这两类方法的底层原理都是一样的，就是“通过训练网络，让相同人的特征距离尽可能近，不同人的特征距离尽可能的远”。

孪生网络和Triplet都属于 Metric Learning这类方法。左边孪生网络顾名思义，就是有两个网络，一个网络训练让相同的人之间的距离尽可能的近，另一个网络让不同人之间的距离尽可能远。

右边Triplet网络是对孪生网络的改进，将样本组织为锚点、正样本、负样本的元组，通过训练网络让锚点与正样本之间的距离尽可能的近，锚点与负样本之间的距离尽可能的远，并且至少远于一个阀值阿尔法。

11 人脸特征提取-Additive Margin

Additive Margin这类方法主要是在分类模型的基础，通过控制损失函数来达到“让相同人的特征距离尽可能近，让不同人的特征距离尽可能远”的目标。

前面介绍的Metric Learning的方法最大的问题在于：需要重新组织样本，模型最终能否收敛很大程度上取决于采样是不是合理。基于Additive Margin的方法则不需要这一步，完全将人脸特征提取当做分类任务来训练，参数的设置也不需要太多trick，Additive Margin的方法大都是在损失函数上做文章。

最近几年，这个类方法研究的比较多，上面这个图中的softmax，Sphereface，Cosface，ArcFace都是Additive Margin方法，可以看出它都是通过改进损失函数，来实现“让相同人的特征距离尽可能近，让不同人的特征距离尽可能远”这个目标。

上面这个图中，颜色相同的点表示一个人，不同的点表示不同的人，这个图的展示比较形象，可以看出最后一个超球体的效果非常不错。

Additive Margin正在成为主流， InsightFace也属于这一类，损失函数正是这个ArcFace。

大家可用思考一下，为什么分类方法不能直接用于人脸识别？这里不做详细讨论了。

12 人脸特征提取-效果评估

我们再来看一下怎样评估人脸特征提取算法的效果。

主要是通过召回率和虚警率两个指标来衡量。应用场景不同，这个两个指标的设置也不同，一般情况下，在实践中我们都要求在虚警率小于某个值（比如万分之一）的条件下，召回率达到某个值（比如99%）。很多产品宣称的识别准确率达到多少多少，很大可能是在公开数据集比如LFW上的测试结果。

公开的训练数据集比较推荐的有：MS1MV2，这个数据集微软前段事件已经宣布撤回不再提供下载，这个数据集大概有85000个不同的人的380万张照片。另一个数据集是GLINT_ASIA，有9万多人的280万张照片。

13 工程实践的挑战及经验分享

很多人都认为人脸识别应用，算法包打天下，事实并非如此，即使是最好的识别算法也扛不住像图像质量差。图像质量差、姿势变化、面部形状/纹理随着时间推移的变化、遮挡这些问题，是我们在工程实践中面临的挑战。

当然，大多数问题工程上我们有应对方法。比如图像模糊，光照不足，我们可以先检测图像是否模糊，关照是否不足，质量不过关，就不把图像送给识别算法。

再比如，用他人照片或视频来欺骗人脸识别系统，目前已经有多种活体检测方法来检测并防止这种情况。

经过一段时间在人脸识别领域的摸爬滚打，个人认为影响用户体验的关键因素是识别快、识别准，识别快主要靠产品设计，识别准主要靠算法。

拿人脸门禁来举个例子，产品设计上可以在前端采集照片的时候过滤掉模糊、无人脸的照片，避免无效识别，同时前端在采集照片的时候，可以同时采集多张并发传给后台，做并发识别，这些方法都可以大大提升识别通过的速度，提升用户体验。