本文試圖梳理人臉識(shí)別技術(shù)發(fā)展，并根據(jù)作者在相關(guān)領(lǐng)域的實(shí)踐給出一些實(shí)用方案設(shè)計(jì)，期待能對(duì)感興趣的讀者有所裨益。

人臉識(shí)別技術(shù)不但吸引了Google、Facebook、阿里、騰訊、百度等國(guó)內(nèi)外互聯(lián)網(wǎng)巨頭的大量研發(fā)投入，也催生了Face++、商湯科技、Linkface、中科云從、依圖等一大波明星創(chuàng)業(yè)公司，在視頻監(jiān)控、刑事偵破、互聯(lián)網(wǎng)金融身份核驗(yàn)、自助通關(guān)系統(tǒng)等方向創(chuàng)造了諸多成功應(yīng)用案例。本文試圖梳理人臉識(shí)別技術(shù)發(fā)展，并根據(jù)作者在相關(guān)領(lǐng)域的實(shí)踐給出一些實(shí)用方案設(shè)計(jì)，期待能對(duì)感興趣的讀者有所裨益。

一、概述

通俗地講，任何一個(gè)的機(jī)器學(xué)習(xí)問(wèn)題都可以等價(jià)于一個(gè)尋找合適變換函數(shù)的問(wèn)題。

例如語(yǔ)音識(shí)別，就是在求取合適的變換函數(shù)，將輸入的一維時(shí)序語(yǔ)音信號(hào)變換到語(yǔ)義空間；而近來(lái)引發(fā)全民關(guān)注的圍棋人工智能AlphaGo則是將輸入的二維布局圖像變換到?jīng)Q策空間以決定下一步的最優(yōu)走法；相應(yīng)的，人臉識(shí)別也是在求取合適的變換函數(shù)，將輸入的二維人臉圖像變換到特征空間，從而唯一確定對(duì)應(yīng)人的身份。

一直以來(lái)，人們都認(rèn)為圍棋的難度要遠(yuǎn)大于人臉識(shí)別，因此，當(dāng)AlphaGo以絕對(duì)優(yōu)勢(shì)輕易打敗世界冠軍李世乭九段和柯潔九段時(shí)，人們更驚嘆于人工智能的強(qiáng)大。

實(shí)際上，這一結(jié)論只是人們的基于“常識(shí)”的誤解，因?yàn)閺拇蠖鄶?shù)人的切身體驗(yàn)來(lái)講，即使經(jīng)過(guò)嚴(yán)格訓(xùn)練，打敗圍棋世界冠軍的幾率也是微乎其微；相反，絕大多數(shù)普通人，即便未經(jīng)過(guò)嚴(yán)格訓(xùn)練，也能輕松完成人臉識(shí)別的任務(wù)。

然而，我們不妨仔細(xì)分析一下這兩者之間的難易程度：在計(jì)算機(jī)的“眼里”，圍棋的棋盤(pán)不過(guò)是個(gè)19×19的矩陣，矩陣的每一個(gè)元素可能的取值都來(lái)自于一個(gè)三元組{0,1,2}，分別代表無(wú)子，白子及黑子，因此輸入向量可能的取值數(shù)為3361；而對(duì)于人臉識(shí)別來(lái)講，以一幅512×512的輸入圖像為例，它在計(jì)算機(jī)的“眼中”是一個(gè)512x512x3維的矩陣，矩陣的每一個(gè)元素可能的取值范圍為0~255，因此輸入向量可能的取值數(shù)為256786432。雖然，圍棋AI和人臉識(shí)別都是尋求合適的變換函數(shù)f，但后者輸入空間的復(fù)雜度顯然遠(yuǎn)遠(yuǎn)大于前者。

對(duì)于一個(gè)理想的變換函數(shù)f而言，為了達(dá)到最優(yōu)的分類效果，在變換后的特征空間上，我們希望同類樣本的類內(nèi)差盡可能小，同時(shí)不同類樣本的類間差盡可能大。

但是，理想是豐滿的，現(xiàn)實(shí)卻是骨感的。由于光照、表情、遮擋、姿態(tài)等諸多因素（如圖1）的影響，往往導(dǎo)致不同人之間的差距比相同人之間差距更小，如圖2。人臉識(shí)別算法發(fā)展的歷史就是與這些識(shí)別影響因子斗爭(zhēng)的歷史。

圖1 人臉識(shí)別的影響因素

圖2 姿態(tài)導(dǎo)致不同人相似度比同人更高

二、人臉識(shí)別技術(shù)發(fā)展

早在20世紀(jì)50年代，認(rèn)知科學(xué)家就已著手對(duì)人臉識(shí)別展開(kāi)研究。20世紀(jì)60年代，人臉識(shí)別工程化應(yīng)用研究正式開(kāi)啟。當(dāng)時(shí)的方法主要利用了人臉的幾何結(jié)構(gòu)，通過(guò)分析人臉器官特征點(diǎn)及其之間的拓?fù)潢P(guān)系進(jìn)行辨識(shí)。這種方法簡(jiǎn)單直觀，但是一旦人臉姿態(tài)、表情發(fā)生變化，則精度嚴(yán)重下降。

1991年，著名的“特征臉”方法[1]第一次將主成分分析和統(tǒng)計(jì)特征技術(shù)引入人臉識(shí)別，在實(shí)用效果上取得了長(zhǎng)足的進(jìn)步。這一思路也在后續(xù)研究中得到進(jìn)一步發(fā)揚(yáng)光大，例如，Belhumer成功將Fisher判別準(zhǔn)則應(yīng)用于人臉?lè)诸?，提出了基于線性判別分析的Fisherface方法[2]。

21世紀(jì)的前十年，隨著機(jī)器學(xué)習(xí)理論的發(fā)展，學(xué)者們相繼探索出了基于遺傳算法、支持向量機(jī)（Support Vector Machine， SVM）、boosting、流形學(xué)習(xí)以及核方法等進(jìn)行人臉識(shí)別。 2009年至2012年，稀疏表達(dá)（Sparse Representation）[3]因?yàn)槠鋬?yōu)美的理論和對(duì)遮擋因素的魯棒性成為當(dāng)時(shí)的研究熱點(diǎn)。

與此同時(shí)，業(yè)界也基本達(dá)成共識(shí)：基于人工精心設(shè)計(jì)的局部描述子進(jìn)行特征提取和子空間方法進(jìn)行特征選擇能夠取得最好的識(shí)別效果。Gabor[4]及LBP[5]特征描述子是迄今為止在人臉識(shí)別領(lǐng)域最為成功的兩種人工設(shè)計(jì)局部描述子。這期間，對(duì)各種人臉識(shí)別影響因子的針對(duì)性處理也是那一階段的研究熱點(diǎn)，比如人臉光照歸一化、人臉姿態(tài)校正、人臉超分辨以及遮擋處理等。也是在這一階段，研究者的關(guān)注點(diǎn)開(kāi)始從受限場(chǎng)景下的人臉識(shí)別轉(zhuǎn)移到非受限環(huán)境下的人臉識(shí)別。LFW人臉識(shí)別公開(kāi)競(jìng)賽在此背景下開(kāi)始流行，當(dāng)時(shí)最好的識(shí)別系統(tǒng)盡管在受限的FRGC測(cè)試集上能取得99%以上的識(shí)別精度，但是在LFW上的最高精度僅僅在80%左右，距離實(shí)用看起來(lái)距離頗遠(yuǎn)。

2013年，MSRA的研究者首度嘗試了10萬(wàn)規(guī)模的大訓(xùn)練數(shù)據(jù)，并基于高維LBP特征和Joint Bayesian方法[6]在LFW上獲得了95.17%的精度。這一結(jié)果表明：大訓(xùn)練數(shù)據(jù)集對(duì)于有效提升非受限環(huán)境下的人臉識(shí)別很重要。然而，以上所有這些經(jīng)典方法，都難以處理大規(guī)模數(shù)據(jù)集的訓(xùn)練場(chǎng)景。

2014年前后，隨著大數(shù)據(jù)和深度學(xué)習(xí)的發(fā)展，神經(jīng)網(wǎng)絡(luò)重受矚目，并在圖像分類、手寫(xiě)體識(shí)別、語(yǔ)音識(shí)別等應(yīng)用中獲得了遠(yuǎn)超經(jīng)典方法的結(jié)果。

香港中文大學(xué)的Sun Yi等人提出將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到人臉識(shí)別上[7]，采用20萬(wàn)訓(xùn)練數(shù)據(jù)，在LFW上第一次得到超過(guò)人類水平的識(shí)別精度，這是人臉識(shí)別發(fā)展歷史上的一座里程碑。

自此之后，研究者們不斷改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)擴(kuò)大訓(xùn)練樣本規(guī)模，將LFW上的識(shí)別精度推到99.5%以上。如表1所示，我們給出了人臉識(shí)別發(fā)展過(guò)程中一些經(jīng)典的方法及其在LFW上的精度，一個(gè)基本的趨勢(shì)是：訓(xùn)練數(shù)據(jù)規(guī)模越來(lái)越大，識(shí)別精度越來(lái)越高。如果讀者閱讀有興趣了解人臉識(shí)別更細(xì)節(jié)的發(fā)展歷史，可以參考文獻(xiàn)。

表2 較為正常的人臉識(shí)別訓(xùn)練集

表3 本文用到的測(cè)試集

表4 一種快速可靠的訓(xùn)練數(shù)據(jù)清洗方法

圖4給出了一套行之有效的人臉識(shí)別技術(shù)方案，主要包括多patch劃分、CNN特征抽取、多任務(wù)學(xué)習(xí)/多l(xiāng)oss融合，以及特征融合模塊。

圖4 人臉識(shí)別技術(shù)方案

1、多patch劃分主要是利用人臉不同patch之間的互補(bǔ)信息增強(qiáng)識(shí)別性能。尤其是多個(gè)patch之間的融合能有效提升遮擋情況下的識(shí)別性能。當(dāng)前，在LFW評(píng)測(cè)中超過(guò)99.50%的結(jié)果大多數(shù)是由多個(gè)patch融合得到。

2、經(jīng)過(guò)驗(yàn)證較優(yōu)秀的人臉特征抽取卷積神經(jīng)網(wǎng)絡(luò)包括：Deep-ID系列、VGG-Net、ResNet、Google Inception結(jié)構(gòu)。讀者可以根據(jù)自己對(duì)精度及效率的需求選擇合適的網(wǎng)絡(luò)。本文以19層resnet舉例。

3、多任務(wù)學(xué)習(xí)主要是利用其他相關(guān)信息提升人臉識(shí)別性能。本文以性別和種族識(shí)別為例，這兩種屬性都是和具體人的身份強(qiáng)相關(guān)的，而其他的屬性如表情、年齡都沒(méi)有這個(gè)特點(diǎn)。我們?cè)趓esnet的中間層引出分支進(jìn)行種族和性別的多任務(wù)學(xué)習(xí)，這樣CNN網(wǎng)絡(luò)的前幾層相當(dāng)于具有了種族、性別鑒別力的高層語(yǔ)義信息，在CNN網(wǎng)絡(luò)的后幾層我們進(jìn)一步學(xué)習(xí)了身份的細(xì)化鑒別信息。同時(shí)，訓(xùn)練集中樣本的性別和種族屬性可以通過(guò)一個(gè)baseline分類器進(jìn)行多數(shù)投票得到。

4、多l(xiāng)oss融合主要是利用不同loss之間的互補(bǔ)特性學(xué)習(xí)出適當(dāng)?shù)娜四樚卣飨蛄浚沟妙悆?nèi)差盡可能小，類間差盡可能大。當(dāng)前人臉識(shí)別領(lǐng)域較為常用的集中l(wèi)oss包括：pair-wise loss、triplet loss、softmax loss、center loss等。其中triplet loss直接定義了增大類內(nèi)類間差gap的優(yōu)化目標(biāo)，但是在具體工程實(shí)踐中，其trick較多，不容易把握。而最近提出的center loss，結(jié)合softmax loss，能較好地度量特征空間中的類內(nèi)、類間差，訓(xùn)練配置也較為方便，因此使用較為廣泛。

5、通過(guò)多個(gè)patch訓(xùn)練得到的模型將產(chǎn)生多個(gè)特征向量，如何融合多特征向量進(jìn)行最終的身份識(shí)別也是一個(gè)重要的技術(shù)問(wèn)題。較為常用的方案包括：特征向量拼接、分?jǐn)?shù)級(jí)加權(quán)融合以及決策級(jí)融合（如投票）等。

表5 數(shù)據(jù)清洗前后識(shí)別模型性能對(duì)比

表5給出了訓(xùn)練數(shù)據(jù)清洗前后在測(cè)試集上的性能對(duì)比結(jié)果。據(jù)此可以得到以下結(jié)論：

1. 數(shù)據(jù)的清洗不但能加快模型訓(xùn)練，也能有效提升識(shí)別精度；
2. 在西方人為主的訓(xùn)練集MSCeleb1M上訓(xùn)練得到的模型，在同樣以西方人為主的測(cè)試集LFW上達(dá)到了完美的泛化性能；但是在以東方人為主的業(yè)務(wù)測(cè)試集的泛化性能則有較大的下滑；
3. 在以東方人為主的業(yè)務(wù)訓(xùn)練集訓(xùn)練得到的模型，在東方人為主的業(yè)務(wù)測(cè)試集上性能非常好，但是在西方人為主的測(cè)試集LFW上相對(duì)MSCeleb1M有一定差距；
4. 將業(yè)務(wù)訓(xùn)練集和MSCeleb1M進(jìn)行合并，訓(xùn)練得到的模型在LFW和業(yè)務(wù)數(shù)據(jù)上都有近乎完美的性能。其中，基于三個(gè)patch融合的模型在LFW上得到了99.58%的識(shí)別精度。
5. 由此，我們可以知道，為了達(dá)到盡可能高的實(shí)用識(shí)別性能，我們應(yīng)該盡可能采用與使用環(huán)境相同的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。同樣的結(jié)論也出現(xiàn)在論文[12]中。

實(shí)際上，一個(gè)完整的人臉識(shí)別實(shí)用系統(tǒng)除了包括上述識(shí)別算法以外，還應(yīng)該包括人臉檢測(cè)，人臉關(guān)鍵點(diǎn)定位，人臉對(duì)齊等模塊，在某些安全級(jí)別要求較高的應(yīng)用中，為了防止照片、視頻回放、3D打印模型等對(duì)識(shí)別系統(tǒng)的假冒攻擊，還需要引入活體檢測(cè)模塊；為了在視頻輸入中取得最優(yōu)的識(shí)別效果，還需要引入圖像質(zhì)量評(píng)估模塊選擇最合適的視頻幀進(jìn)行識(shí)別，以盡可能排除不均勻光照、大姿態(tài)、低分辨和運(yùn)動(dòng)模糊等因素對(duì)識(shí)別的影響。另外，也有不少研究者和公司試圖通過(guò)主動(dòng)的方式規(guī)避這些因素的影響：引入紅外/3D攝像頭。典型的實(shí)用人臉識(shí)別方案如圖5所示。

圖5 實(shí)用人臉識(shí)別方案流程圖

四、總結(jié)

本文簡(jiǎn)單總結(jié)了人臉識(shí)別技術(shù)的發(fā)展歷史，并給出了實(shí)用方案設(shè)計(jì)的參考。雖然人臉識(shí)別技術(shù)在LFW公開(kāi)競(jìng)賽中取得了99%以上的精度，但是在視頻監(jiān)控等實(shí)用場(chǎng)景下的1:N識(shí)別距離真正實(shí)用還有一段路要走，尤其是在N很大的情況下。未來(lái)，我們還需要在訓(xùn)練數(shù)據(jù)擴(kuò)充、新模型設(shè)計(jì)及度量學(xué)習(xí)等方面投入更多的精力，讓大規(guī)模人臉識(shí)別早日走入實(shí)用。

參考文獻(xiàn)?

[1]Turkand M A, Pengland A P. Eigenfaces for recognition [J]. Journal of Cognitve Neuroscience, 1991, 3(1): 71-86.

[2]Belhumeur P, Hespanha J, Kriegman D. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720.

[3]Liu C, Wechsler. Gabor feature based classification using enhanced fisher linear model for face recognition [J]. IEEE Transactions on Image Processing, 2002, 11(4): 467-476.

[4]Ahonen T, Hadid A, Pietik?inen M. Face description with local binary patterns: Application to face recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(12): 2037-2041.

[5]Wright J, Yang A, Ganesh A, Sastry S, Ma Y. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.

[6]Chen D, Cao X, Wen F, Sun J. Blessing of dimensionality: high-dimensional feature and its efficient compression for face verification [C]. IEEE International Conference on Computer Vision and Pattern Recognition, 2013.

[7]Sun Y, Wang X, Tang X. Deep learning face representation by joint identification-Verification [C].

[8]Zhao W, Chellappa R, Rosenfeld A, Phillips P J. Face recognition: A literature survey [J]. ACM Computing Surveys, 2003, 35(4): 399-458.

[9]Li S Z, Jain A K. Handbook of face recognition (2nd Edition) [M]. Springer-Verlag, 2011.

[10]Wang B, Li W, Yang W, Liao Q. Illumination normalization based on Weber’s law with application to face recognition [J]. IEEE Signal Processing Letters, 2011, 18(8): 462-465.

[11]Wang Biao, Feng X, Gong L, Feng H, Hwang W, Han J. Robust Pose normalization for face recognition under varying views [C]. ICIP, 2015,

[12]Kan M. Domain Adaptation for face recognition: Targetize source domain briged by common subspace, IJCV, 2014.

作者：_兩只橙_

來(lái)源：https://www.jianshu.com/p/68e768131b65

本文由 @_兩只橙_ 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來(lái)自u(píng)nsplash，基于CC0協(xié)議