編輯導(dǎo)讀：雖然技術(shù)的進步，人臉識別在生活中的應(yīng)用越來越普遍。在上篇人臉識別的基本原理中，作者介紹了人臉識別背后的原理和方法，本文順著這個思路繼續(xù)完善人臉識別的基本產(chǎn)品原型，希望對你有幫助。

一、產(chǎn)品原型

簡化的產(chǎn)品原型中包括識別前端和識別服務(wù)器兩部分。

識別前端承擔(dān)人臉照片采集和識別結(jié)果反饋職責(zé)，是面向用戶交互的入口。目前主流的產(chǎn)品形態(tài)包括人臉考勤機、人證核驗終端和人臉識別閘機等。

人臉識別服務(wù)器主要包括人臉底庫管理和識別算法管理，并基于產(chǎn)品特點包含對應(yīng)的業(yè)務(wù)模塊，如考勤報表、預(yù)警記錄等，實現(xiàn)基本的業(yè)務(wù)閉環(huán)。

目前的產(chǎn)品原型，已有了基本框架，但系統(tǒng)需求和設(shè)計較簡單，無容錯能力，用戶體驗較差，離可用有較大的差距，需要繼續(xù)對需求深化和細化。

人臉識別在實際使用中可能出現(xiàn)以下情況：

• 采集到的人臉照片角度、大小等和預(yù)設(shè)的人臉底庫不一致，系統(tǒng)無法辨識；
• 采集的人臉照片和人臉底庫像素不一致，系統(tǒng)無法進行相似度計算；
• 環(huán)境、燈光等干擾造成成像質(zhì)量較差，導(dǎo)致漏識別、誤識別;
• 比對速度較慢，精準度不夠，用戶使用抱怨多。

二、解決思路

在產(chǎn)品研發(fā)過程中，經(jīng)常會出現(xiàn)這種產(chǎn)品實際體驗和預(yù)設(shè)體驗不一致的狀況。當(dāng)發(fā)生這種情況時，需要認真分析原因，理順解決思路，不斷對產(chǎn)品迭代升級。

上面的問題其實可以分為兩類：

第一類是因為環(huán)境、距離、角度等因素干擾使得采集到的照片和系統(tǒng)底庫照片不一致，導(dǎo)致相似度計算有問題；

第二類問題是人臉相似度計算速度太慢、精度偏低。

其中第二種問題一般出現(xiàn)在算法層面，需要協(xié)同算法工程師進行算法更新、升級進行解決。

我們將目標聚焦在第一類問題，即待識別照片和識別底庫不一致的情況。這種情況下，我們可以分別從采集照片和底庫照片兩個角度入手，提出針對性的解決思路：

思路一：限制通過前端采集到的照片，保持與人臉底庫的一致性。

比如，當(dāng)強制采集照片和底庫都采用身份證照片時，系統(tǒng)比對通過率較高。類似的方法在較早的人臉考勤機中使用，通過限制用戶在打卡時的表情、距離、光線等提升精度，并強迫用戶通過同樣的前端采集并識別人臉，俗稱「同源識別」。

強迫用戶在人臉打卡時保持姿勢固定不動，用戶體驗很差。目前市面上主流的人臉識別系統(tǒng)均采用「動態(tài)識別技術(shù)」，不限制用戶保持靜止，在移動過程中即可完成識別過程，并且不要求采集照片和識別照片同源。

思路二：增加底庫中照片的數(shù)量，將人員不同角度、環(huán)境、距離的照片都錄入系統(tǒng)，提高比對的成功率。

這種做法操作難度很大，變量條件過多，基本無法實施。即使系統(tǒng)存儲了多張照片，問題沒有完全解決，識別精度并沒有明顯提升，且由于增大了數(shù)據(jù)量，增加了運算的復(fù)雜性，降低運算速度，系統(tǒng)響應(yīng)時間也相應(yīng)延長。

既然沒有辦法限制采集照片和底庫照片，在基本不影響精度和速度的前提下，可以在采集和比對之間插入中間環(huán)節(jié)，對照片進行處理，使得兩者盡可能相似。

在人臉識別和其他圖像處理領(lǐng)域這是種通用做法，并有專業(yè)名稱叫做「圖像預(yù)處理」。不管是在傳統(tǒng)的人臉識別系統(tǒng)還是基于深度學(xué)習(xí)的人臉識別系統(tǒng)中，都少不了這個環(huán)節(jié)。對原有的系統(tǒng)設(shè)計更新如下。

接下來對圖像預(yù)處理所包含的內(nèi)容和需求做簡單的介紹。

1）設(shè)置ROI

當(dāng)圖像內(nèi)容包含過多像素時，系統(tǒng)很難定位到有效信息。比如，當(dāng)圖像整體像素大小為800*800，包含人臉的區(qū)域像素只有200×200，其他均為背景，直接比對效果很差?？梢詫D像進行預(yù)處理，快速找到包含有效信息的目標區(qū)域，即Region of Interest(ROI)，「感興趣區(qū)域」。

在人臉識別系統(tǒng)中，可以對采集到的人臉照片，通過方框、圓、橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域，在這個區(qū)域內(nèi)進行進一步處理或者直接對比。

尋找ROI有很多方法，比如基于膚色。從顏色上看，不同顏色人種的膚色在照片上具有穩(wěn)定的特征，不會隨表情、角度、尺寸等而發(fā)生變化?？梢愿鶕?jù)膚色屬性的這種特點和規(guī)律建模，快速識別到人臉ROI，從而將人臉區(qū)域和非人臉區(qū)域分開。

2）幾何變換

由于成像、采集角度等原因可能造成采集的人臉有一定的變形，對于肉眼來說這些變形并不會帶來太大的干擾，但對計算機來說卻是截然不同的。

這種情況叫做圖像的「幾何失真」，可以對圖像進行縮放、翻轉(zhuǎn)、仿射、映射等幾何變換最大程度地消除。幾何變換通常不改變圖像的像素值，而是將像素進行坐標變換，改變像素之間的排列關(guān)系，進而將注意力集中在圖像內(nèi)容本身的特征，而不是位置、角度、尺度等其他信息。

3）閾值處理

幾何變換由于不改變圖片的像素值，無法解決由于燈光等環(huán)境因素導(dǎo)致圖像呈現(xiàn)出不同情況。以灰度圖像為例，使用8bit表示某一像素時，單像素就存在256個灰度階，直接利用灰度階進行計算會帶來計算誤差。

這種情況下，需要對灰度階進行限制，盡量將采集圖像和底庫照片的灰度階統(tǒng)一，從肉眼上圖片可能會有些失真，但不影響計算機的處理和識別。可以根據(jù)實際情況，將256個灰度階劃分為幾個區(qū)間，將區(qū)間內(nèi)的像素指定為某一個像素值，減少不同灰度值所帶來的影響，這種處理方法稱為「閾值處理」。

4）噪聲去除

圖像在形成、傳輸過程中往往會受到干擾，在結(jié)果圖像中引入噪聲。輕度的噪聲信號不會干擾圖像的可觀測性，但當(dāng)噪聲嚴重時，圖像中呈現(xiàn)出較多的無用信息，人臉無法識別或出現(xiàn)誤識別等情況。

在盡量保留圖像可觀測信息的情況下，檢測出現(xiàn)的噪聲并進行過濾，這個過程叫做「圖像濾波」。圖像濾波是圖像預(yù)處理中不可缺少的環(huán)節(jié)，一般通過構(gòu)造圖像濾波器進行解決。濾波器可以高效地去除噪音，能夠保留圖像目標的特征，并不會損壞圖像輪廓及邊緣。

對于圖片中經(jīng)常出現(xiàn)的噪聲，通過統(tǒng)計學(xué)手段可以發(fā)現(xiàn)其特點，進而開發(fā)出通用濾波器，比如均值、中值、方框、雙邊等濾波進行噪音過濾。

當(dāng)然，有一些噪聲使用成熟的濾波技術(shù)去除時效果較差，而必須自行設(shè)計濾波，這種方法也被稱為「卷積技術(shù)」。

不管是在傳統(tǒng)機器學(xué)習(xí)還是基于深度學(xué)習(xí)的人臉識別系統(tǒng)中，都采用了卷積技術(shù)，不同點在于值的填充方式。傳統(tǒng)系統(tǒng)由人工進行設(shè)計并填充，而深度學(xué)習(xí)可以通過自動學(xué)習(xí)得到所需要的值，處理起來更加靈活、高效。

5）其他處理

除了列舉到的常規(guī)預(yù)處理手段，人臉識別系統(tǒng)中還會用到其他預(yù)處理手段，比如顏色變換、圖像分割等。這些需求可以根據(jù)具體場景下圖像的特點和產(chǎn)品需求進行細化，實現(xiàn)圖像更精細化的處理。

除了進行圖像質(zhì)量處理，在產(chǎn)品設(shè)計時也需要考慮性能指標。由于增加了預(yù)處理手段，可能會影響人臉識別速度，增大了系統(tǒng)響應(yīng)時間，所以必須在精度和速度之間取得平衡。

很多時候，往往是由用戶需求驅(qū)動技術(shù)的進步。對于人臉識別系統(tǒng)來說也是如此，為了增強抗干擾能力而增加了圖像預(yù)處理階段，雖并不完美但保證了產(chǎn)品的落地，驅(qū)動技術(shù)尋找更優(yōu)的方案，達到產(chǎn)品和技術(shù)的良性互動。

接下來，我們繼續(xù)從產(chǎn)品的角度對人臉識別進行拆解，并提出完善思路。

作者：AIoT產(chǎn)品，10年B端產(chǎn)品設(shè)計經(jīng)驗；微信公眾號：AIoT產(chǎn)品

本文由@AIoT產(chǎn)品 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

題圖來自Unsplash，基于CC0協(xié)議