是將采集到的人臉，和底庫(kù)中的人臉全部進(jìn)行比對(duì)，得出相似度最高的幾張人臉底庫(kù)照，并得出相似度，超過(guò)一定閾值，則可以認(rèn)為是同一人。

人臉?biāo)阉?，無(wú)需事先得到底庫(kù)人臉照，只需要刷臉即可，在線下門禁、安防、刷臉支付等領(lǐng)域應(yīng)用廣泛。當(dāng)然，不同的業(yè)務(wù)領(lǐng)域中，根據(jù)誤識(shí)的后果，對(duì)人臉?biāo)阉鞯娜蒎e(cuò)性也不一樣；比如在工地人臉識(shí)別中的容錯(cuò)率，就要比在刷臉支付中的容錯(cuò)率要低。

需要說(shuō)明的是，人臉?biāo)阉鞯臏?zhǔn)確率，是要結(jié)合底庫(kù)中人臉照片的數(shù)量來(lái)的，底庫(kù)中人臉照片越多，識(shí)別準(zhǔn)確率越低。

這個(gè)和人一樣，在2~3個(gè)人中，找出你曾經(jīng)認(rèn)識(shí)的人，比較容易；但是上百萬(wàn)個(gè)人，則長(zhǎng)相相似的人也越多，辨識(shí)更困難。目前業(yè)界做的好的一般是百萬(wàn)級(jí)別的人臉庫(kù)，識(shí)別準(zhǔn)確率在95%以上。

2. 從工具到社交，娛樂(lè)至上

互娛應(yīng)用，也深深契合著行業(yè)發(fā)展。起初隨著智能手機(jī)興起，人們的自拍分享需求漸漸旺盛，美顏濾鏡，作為與手機(jī)硬件深度結(jié)合的產(chǎn)品，見證著人們變美的時(shí)代，此時(shí)，算法主要由第三方算法公司提供。

隨著4G時(shí)代帶來(lái)，短視頻社交成為人們生活熱點(diǎn)，美顏濾鏡、貼紙也應(yīng)用于各大互娛平臺(tái)中，并成為不可分割的一部分；對(duì)于短視頻內(nèi)容生產(chǎn)者來(lái)說(shuō)，甚至已成為核心競(jìng)爭(zhēng)力。

因此，諸如快手、抖音等平臺(tái)，都以自研算法，并結(jié)合客戶群畫像，獨(dú)自研發(fā)。

（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(jī)鏡頭前過(guò)濾自然光的附加鏡頭，用來(lái)實(shí)現(xiàn)調(diào)色和添加效果。2008年，美圖一炮而紅，人們發(fā)現(xiàn)，原來(lái)濾鏡還可以這么玩，自此，美顏濾鏡開始了從工具到美學(xué)定義者的轉(zhuǎn)變。

早期的傳統(tǒng)算法，主要是先使用人臉特征關(guān)鍵點(diǎn)算法，勾畫有效區(qū)域，然后在不同的區(qū)域進(jìn)行亮度提升、去噪聲等算法，實(shí)現(xiàn)美顏濾鏡。

隨著深度學(xué)習(xí)的興起，研究人員們開始更關(guān)注結(jié)果，設(shè)計(jì)師將原圖P成美化完成后的結(jié)果圖，并用于訓(xùn)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(guān)鍵點(diǎn)，對(duì)于貼紙和人臉融合來(lái)說(shuō)，關(guān)鍵點(diǎn)的數(shù)量越多越好，對(duì)齊的越準(zhǔn)確。人臉融合，則是將兩張人臉的關(guān)鍵點(diǎn)進(jìn)行融合。

3.?不斷進(jìn)取，跨越感知智能

人工智能承載了業(yè)界對(duì)于改造世界的期望，一定程度上說(shuō)，屬性識(shí)別、視線估計(jì)、GAN等，從感知智能往前更進(jìn)了一步，但是因?yàn)榧夹g(shù)不夠成熟、商業(yè)應(yīng)用領(lǐng)域狹窄等原因，至今未得到大規(guī)模商業(yè)應(yīng)用。

可以說(shuō)，視覺(jué)AI想跨越到認(rèn)知智能，AI與AI之間相互融合，依然還有很漫長(zhǎng)的路要走

（1）屬性識(shí)別

年齡、性別，高興、悲傷、憤怒等情緒，獲取用戶更多維的數(shù)據(jù)，豐富用戶畫像，用于個(gè)性化推薦、廣告展示等場(chǎng)景，聽著很美好，對(duì)不對(duì)？畢竟在數(shù)據(jù)為王的時(shí)代，數(shù)據(jù)就是價(jià)值。但是，商用化還是存在技術(shù)硬傷，識(shí)別準(zhǔn)確率也就70%左右。

近日，美國(guó)等5名專家，耗時(shí)兩年，查閱1000多項(xiàng)研究，在論文《再論人類情感表達(dá)：從人類面部表情辨別情緒的方法論面臨的挑戰(zhàn)》（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(dá)方式及其豐富復(fù)雜，很難靠簡(jiǎn)單的面部表情識(shí)別，人們生氣時(shí)，在平均不到30%的時(shí)間里他們會(huì)皺眉，故皺眉不等于憤怒，皺眉只是“憤怒”的眾多表達(dá)方式之一。同時(shí)，表情和語(yǔ)言、情境的相關(guān)關(guān)系也非常大。

（2）視線估計(jì)

視線估計(jì)與人臉特征關(guān)鍵點(diǎn)比較像，檢測(cè)完人臉之后，再檢測(cè)人眼以及眼球，并鎖定眼球中心等關(guān)鍵點(diǎn)位置，根據(jù)坐標(biāo)來(lái)鎖定視線方向。主要應(yīng)用于課堂上，評(píng)估學(xué)生注意力；

AR VR等新型硬件交互，通過(guò)視線方向，自動(dòng)切換視頻中的位置等；廣告投放，評(píng)估行人對(duì)廣告的注意力；目前而言，市場(chǎng)體系還是比較小，未得到大規(guī)模應(yīng)用。

（3）GAN

GAN全稱為生成對(duì)抗網(wǎng)絡(luò)，初衷是生成不存在于真實(shí)世界中的數(shù)據(jù)，使得AI具有創(chuàng)造力或者想象力，也是目前AI領(lǐng)域一個(gè)比較熱門的研究方向。

GAN的核心網(wǎng)絡(luò)分為生成器與判別器；生成器負(fù)責(zé)憑空捏造數(shù)據(jù)，判別器負(fù)責(zé)判斷數(shù)據(jù)是否是真實(shí)數(shù)據(jù)；兩個(gè)核心網(wǎng)絡(luò)相互博弈，直至動(dòng)態(tài)平衡，讓生成的數(shù)據(jù)無(wú)限接近與真實(shí)數(shù)據(jù)。

如圖，隨機(jī)噪聲就是隨機(jī)生成的一些數(shù)，也就是GAN生成圖像的源頭。

生成器根據(jù)一串隨機(jī)數(shù)生成一個(gè)假圖像，并用這些假圖去欺騙判別器

而判別器通過(guò)真圖和假圖的數(shù)據(jù)(相當(dāng)于天然的label)，進(jìn)行一個(gè)二分類神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并判別輸入的是真圖還是假圖，給出一個(gè)分值。

舉個(gè)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(huì)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(jù)深度學(xué)習(xí)，反向傳播等，不斷去修改自己的圖片，然后，生成的圖片會(huì)越來(lái)越趨近于真實(shí)人臉，直至動(dòng)態(tài)平衡。

GAN受到關(guān)注，很多原因，比如：

1. 本身是無(wú)監(jiān)督的，目前人工智能的絕大部分能夠商業(yè)應(yīng)用算法都是監(jiān)督算法，所謂監(jiān)督算法，就是需要海量的樣本，并進(jìn)行人工標(biāo)注，傳播訓(xùn)練，所以行業(yè)也有“有多少人工，就有多少智能”的調(diào)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(dòng)、去馬賽克等)，能腦補(bǔ)情節(jié) 很多paper都在研究gan的發(fā)展前景。

結(jié)語(yǔ)

任何技術(shù)，也都遵循著從技術(shù)發(fā)展—>技術(shù)成熟—>商業(yè)落地的發(fā)展規(guī)律。技術(shù)的池子不斷創(chuàng)新，同時(shí)商業(yè)也從技術(shù)池中，探索合適的技術(shù)，改造世界；

人臉識(shí)別作為一項(xiàng)復(fù)合性技術(shù)，既擁有現(xiàn)在，同時(shí)也在不斷開拓未來(lái)。雖然困難重重，但前景令人心動(dòng)。

作者：云識(shí)客，公眾號(hào): 云識(shí)客(ID: zhiquysk)，立足視覺(jué)AI，專注場(chǎng)景識(shí)別的AI服務(wù)商

本文由 @胡安安 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議