在浪潮和英偉達聯(lián)合舉行的AI訓練營中，演講嘉賓從人臉識別算法和評價指標、人臉識別系統(tǒng)的構(gòu)成等方面為大家?guī)砹擞嘘P人臉識別的分享。

人臉識別的目標

總結(jié)兩點，第一，認出同一個人，不管你的狀態(tài)怎么變，都能知道你就是你。第二、區(qū)分不同的人，可能這兩個人長得很像，或者兩個人都化妝了，但不管狀態(tài)怎么變化，人臉識別都能知道這是兩個不同的人。

人臉識別本身是作為生物識別技術的一種，主要是提供身份認證的手段，從精度上來講，人臉識別并不是最高的。人臉識別受到很多其他條件的影響，比如說光照。人臉識別的好處在于一般不需要用戶做太多的配合，現(xiàn)在各個地方的監(jiān)控攝像頭，包括電腦的攝像頭、手機各種視頻輸入設備，照相設備已經(jīng)非常非常的普及，用這種可見光的設備就可以做人臉識別。所以在引入人臉識別的時候可能新增加的投資是非常少的，這是它的優(yōu)勢。

人臉識別的流程

人臉識別的核心流程，所謂核心流程就是不管在什么樣的人臉識別系統(tǒng)里面基本上都有這個流程。首先人臉檢測，第二步做人臉對齊，第三步做特征提取，這是對每一張照片都要做的這三步，當要去做比對的時候就把提取的特征做比對，然后確定這兩個臉是不是屬于同一個人。

人臉檢測

人臉檢測即判斷一個大的場景中是否有人臉,并且要找到這個人臉的位置把它切出來。它是屬于物體檢測技術的一種，是整個人臉感知任務的基礎。人臉檢測的基本方法就是在圖象金字塔上滑動窗口，用分類器選擇候選窗口，用回歸模型進行位置修正。

上面畫的三個窗口，一個是0.3倍、0.6倍、1.0倍，當人臉位置不定，大小無法識別時可采用此技術，讓這個圖本身變得大小不同，而滑動窗口的大小相同。深度網(wǎng)絡一般輸入的圖象大小是固定的，那么前面的滑動窗口基本上也是固定的。為了讓固定的滑動窗口能夠覆蓋不同的范圍的話，就對整個圖的大小進行縮放，取不同的比例。這邊畫0.3、0.6、1.0只是舉例，實際用的時候還可以有很多其他不同的倍數(shù)。

分類器是指看滑動窗口每一個滑到的位置去判斷是否是人臉，因為滑動窗口滑動到的位置有可能不包含整個人臉，或者說它比整個人臉大一點。為了找到的人臉能夠更加精確，把滑動窗口放到回歸模型里，即可幫助修正人臉檢測的精確度。

輸入的是滑動窗口，輸出時如果里面有人臉，應該向哪邊修正，以及它需要修正多少，所以Δx, Δy, Δw, Δh，就是它的坐標以及它的寬和高大概修正多少。有了修正的量和用分類器確定它是人臉的窗口以后，把這兩個結(jié)合在一起，就能得到一個比較精確的人臉位置。

以上是人臉檢測的流程，同時也可適用于其他的物體檢測

人臉檢測的評價指標

不管什么樣的模型都是分速度和精度兩個方面

一、速度

（1）速度是指定分辨率下的檢測速度

之所以指定分辨率，是因為滑動窗口每滑到一個位置都要做一次分類和回歸的判斷，所以當圖越大，需要做檢測判斷的窗口數(shù)可能就越多，整個人臉檢測花的時間就越長。

因此評價一個算法或者模型的好壞，就得在固定的分辨率下面去看它的檢測速度到底是多少。一般來說這個檢測速度會是什么樣的值，可能就是做一張圖的人臉檢測所花費的時間，比如說100毫秒、200毫秒還是50毫秒、30毫秒之類的。

另外一種表示速度的方法就是多少fps，現(xiàn)在一般的網(wǎng)絡攝像頭往往是25fps或者30fps，意思是每秒鐘能處理多少張圖，用fps的好處可以判斷人臉檢測是否可以做到實時檢測，只要人臉檢測的fps數(shù)大于攝像頭的fps數(shù)就能夠做到實時，否則就做不到。

（2）速度是否受統(tǒng)一個畫面中的人臉個數(shù)影響

從我們實際操作來說，大部分來說是不受影響的，因為主要是受滑動窗口的次數(shù)影響，命中的次數(shù)倒不是特別重，但是稍微有那么一點影響。

二、精度

精度，基本上用召回率、誤檢率、ROC曲線這些來判定。召回率即指這張照片是人臉，真正的模型判斷出來是人臉這個比例，誤檢率、負樣本錯誤率即指這張照片不是人臉，但是誤判斷成人臉的比例。

ACC精度

ACC計算方法是正確的樣本數(shù)除以總的樣本數(shù)，比如說拿一萬張照片去做人臉檢測，這一萬張照片里面有的是有人臉的，有的是沒有人臉的。然后判斷對的比例是多少。

但是這個精度存在一個問題，如果用它去判斷，它對于正負樣本的比例是完全無關的，即他不關心在正樣本里面正確率是多少，在負樣本里面正確率是多少，只關心總的。當此模型精確度是90%時，別人不知道在正負樣本上面區(qū)別是多少。包括分類，包括回歸，一般來說分類模型，會先用一個回歸得到一個所謂置信度，置信度大于多少數(shù)值時認為他是，然后置信度小于同一個數(shù)值時認為他不是。

ACC統(tǒng)計模型是可調(diào)節(jié)的，即調(diào)整置信度，精度就會變化。

所以ACC值本身受樣本的比例影響很大，所以用它來表征一個模型的好壞的話有點問題，當測試指標說達到了百分之九十九點幾，單看這個值，是比較容易受騙或者說這個統(tǒng)計是有偏的。為了解決這個問題，一般現(xiàn)在會用一個叫做ROC的曲線來表征這個模型的精度

ROC受試者工作特征曲線

橫坐標：FPR(False Positive Rate)即負樣本錯誤率

縱坐標：TPR(True Positive Rate)即正樣本正確率

可以區(qū)分算法在正樣本和負樣本上的性能，并且曲線形狀與正負樣本比例無關。

ROC(Receiver Operating Characteristic)曲線就是把橫坐標、縱坐標用這個負樣本錯誤率和正樣本正確率兩個標出來，這樣的話同一個模型在這個圖上面看到的不是一個點，或者說不是一個單一的數(shù)據(jù)，而是一條線。這條線即置信度的閾值，你調(diào)的越高就越嚴格，越低就越不嚴格。在這個上面的話就能反應出這個置信度的閾值的變化對它的影響。

以后大家最好不要直接問說你的精度是多少，而是看ROC曲線，這樣更容易判斷模型的能力到底怎么樣。

人臉對齊

人臉對齊的目的使人臉紋理盡可能調(diào)整到標準位置，降低人臉識別器的難度。

為了用人為的方式降低它的難度，就可以先把它做對齊，就是讓檢測到這個人的眼睛、鼻子、嘴巴全部歸到同一個位置去，這樣的話模型在比對的時候，就只要找同樣位置附近，互相是不是相同還是相近，還是有很大不同。所以就是會做對齊的這么一步，這一步的話，我們現(xiàn)在常用的做法就是二維的做法，就是到這個圖里面去找到關鍵特征點，一般現(xiàn)在就是五點的、十九點的，六十幾個點，八十幾個點的各種都有。但人臉識別的話五個基本上就夠了。

這五個點之外的其他點的圖象，可以認為它是做一個類似于插值的運算，然后把它貼到那個位置去，做完了以后，就可以送到后面的人臉識別器里面去做識別了。這個是一般的做法，還有更前沿的做法，有的研究機構(gòu)在使用所謂的3D人臉對齊，就是我告訴你說一張正臉是什么樣子的，比如旋轉(zhuǎn)45度的時候長什么樣子，那么用這種圖給他訓練過了以后，他就知道我看到一張向左右旋轉(zhuǎn)了45度這張圖，大概轉(zhuǎn)正了以后有很大可能性是什么樣子的，這個模型能去猜。

人臉特征提取算法

以前的傳統(tǒng)方法是所謂的局部紋理模型，全局紋理模型，形狀回歸模型之類的這些都有。現(xiàn)在比較流行的就是用深度的卷積神經(jīng)網(wǎng)絡或者循環(huán)神經(jīng)網(wǎng)絡，或者3DMM參數(shù)的卷積神經(jīng)網(wǎng)絡。所謂3DMM參數(shù)的話就是有三維的信息在里面，然后有級聯(lián)的深度神經(jīng)網(wǎng)絡。

級聯(lián)的深度神經(jīng)網(wǎng)絡，即拿到人臉，首先要推測五個點的位置，如果用一個單一的模型一次就要做到這一點的話，這個模型會需要很復雜。

但是怎么能夠降低這個模型的復雜程度呢？

即做多次輸入，第一次輸入這個網(wǎng)絡以后先做一次推測，這個推測是一個可接受的不那么精確的推測，大概知道人臉的五個點在哪。然后把這五個點和那張原圖放到第二個網(wǎng)絡里面去，得到大概的修正量，有了一個基礎五個點以后再求修正量的話會比直接從原圖上面找精確的五個點要稍微容易一些。所以用這種逐步求精的方式用多個網(wǎng)絡級聯(lián)在一起就能夠做到一個速度跟精度的比較好的平衡，實際現(xiàn)在做的時候基本上用兩層就大概差不多了。

人臉特征點提取的評價指標

NRMSE(Normalized Root Mean Square Error)即歸一化均方根誤差

用于衡量各個特征點坐標與標注坐標的差距。

精度

為了能夠讓不同大小的人臉也能夠放在一起互相比較，采用統(tǒng)計學上叫做歸一化均方根誤差。舉個栗子：我們在紙上畫五個點，然后讓機器來說這五個點的相互距離，所給出的數(shù)值越接近真實距離，則說明預測越精準。一般來說預測的數(shù)值一定會有些偏差，那么怎么表述這個精度值呢？我們通常就用距離的平均值或者均方根值來表達。然而問題來了，相同的機器預測不同大小的圖像，精度值會顯得不同，因為越大的圖誤差的絕對值會越高。換到不同大小的人臉道理也是一樣。因此，我們的解決辦法是把人臉本來的尺寸數(shù)值考慮進去，一般分母是人的雙眼距離或者人臉的對角線距離，再用距離差值除以雙眼之間的距離，或者是除以人臉的對角線，這樣的話就可以得到一個基本上不隨著人臉大小而變化的一個值，用它來評測。

人臉比對

（1）目的：即判斷已經(jīng)對齊好的兩張人臉，是否屬于同一個人

（2）難點：同一張人臉在不同狀況下會呈現(xiàn)不同的狀態(tài)，比如說特別受光照、煙霧、化妝等等的影響。第二個就是映射到二維照片上的不同參數(shù)造成的，所謂映射到二維參數(shù)上就是說本來人臉長這樣，拍攝設備去拍的時候，跟他呈現(xiàn)的角度，離他的距離，對焦是否準確，拍攝視角等等光線積淀這個都有影響，會讓同一個人臉產(chǎn)生出不同的狀態(tài)。第三就是年齡和整容的影響。

人臉比對的方法

（1）傳統(tǒng)方法

1、由人工去抽取一些特征HOG、SIFT、小波變換等，抽取的這種特征一般來說可能是要固定參數(shù)，即不需要訓練，不需要學習，使用一套固定的算法，再對這個特征進行比較。

（2）深度方法

主流的方法就是深度的方法，即深度卷積神經(jīng)網(wǎng)絡，這個網(wǎng)絡一般來說是用DCNN去代替前面的那些特征抽取方法，即把一張圖上面，一個人臉上面的一些各個不同的特征弄出來，DCNN里面有很多參數(shù)，這個參數(shù)是學出來的，不是人告訴他的，學出來的話相當于能比人總結(jié)出來的這些會更好。

然后得到的一組特征一般現(xiàn)在的維度可能是128維、256維或者512維、1024維，然后做對比. 判斷特征向量之間的距離,一般使用歐氏距離或余弦相似度。

人臉比對的評價指標同樣分為速度與精度，速度包括單張人臉特征向量計算時間和比對速度。精度包括ACC和ROC。由于前面已介紹過，這里著重介紹一下比對速度。

普通比對是一個簡單的運算，是做兩個點的距離，可能只需要去做一次內(nèi)積，就是兩個向量的內(nèi)積，但當人臉識別遇到1：N對比時，當那個N庫很大的時候，拿到一張照片要去N庫里面做搜索的時候，搜索的次數(shù)會非常多，比如N庫一百萬，可能要搜索一百萬次，一百萬次的話就相當于要做一百萬次的比對，這個時候的話對于總時間還是有要求的，所以就會有各種各樣的技術對這種比對進行加速。

人臉識別相關的其他的算法

主要有人臉追蹤、質(zhì)量評估、活體識別。

●人臉追蹤

在監(jiān)控等視頻人臉識別的場景下，如果對走過的同一個人的每一幀都執(zhí)行整套人臉識別流程，不僅浪費計算資源，而且有可能因為一些低質(zhì)量的幀造成誤識別，所以有必要判斷哪些人臉是屬于同一個人的。并挑選出合適的照片做識別，大大提升模型的整體性能。

現(xiàn)在不止人臉追蹤，還有各種各樣不同的物體追蹤或者是車輛追蹤等等，都會使用到追蹤算法，此類算法不依賴于或不會一直依賴于檢測。例如在最開始檢測到一個物體后，接下來就完全不檢測了，只通過追蹤算法去做。同時為了做到非常高精度，為了做到不丟失，每一次的追蹤花的時間是比較多的。

為防止追蹤到的人臉和人臉識別器范圍不吻合，一般來說還是會拿人臉檢測器做一次檢測，這種檢測方法是依賴于人臉檢測做的比較輕量化的追蹤，在某些場景下，可以做到一個速度和質(zhì)量上面的一個平衡。

這種檢測方法叫做Tracking by Detection，即每一幀仍然去做人臉檢測，檢測到人臉以后，根據(jù)每一個人臉的四個值，即他的坐標位置，他的寬、高，去比較前后兩幀的人臉的位置和大小，大概可以推測出這兩個人臉到底是不是屬于同一個移動物體。

●可選的間隔全畫面檢測

是指當去做Tracking by Detection的時候，前后兩幀，一種做法是都做全畫面的檢測，所謂全畫面檢測即把全畫面全部掃一遍，但是此方法耗時嚴重，因此有時會采用另一種方法，間隔幾幀做一次全畫面，一般預測一個下一幀，位置變化不會太多，只要把前一幀的位置上下左右稍微擴大一點，再去檢測一次，往往大概率機會是可以檢測到，大多數(shù)的幀可以跳。

為什么一定要間隔幾幀再做一次全畫面檢測呢？

是為防止有新的物體進來，如果只根據(jù)前一個物體的位置來找的話，可能有新的物體進來的時候就沒檢測到，防止這種情況的話可以隔個五幀、十幀再去做一次全畫面檢測。

●人臉質(zhì)量評估

由于人臉識別器訓練數(shù)據(jù)等的限制，不可能對所有狀態(tài)下的人臉性能都很好，質(zhì)量評估會判斷檢測出來的人臉與識別器特性的吻合程度，只選取吻合程度高的人臉送去做識別，提高系統(tǒng)的整體性能。

人臉質(zhì)量評估包含以下4要素

①人臉的大小，選用太小的臉做識別效果會大打折扣。

②人臉姿態(tài)，就是指三個軸方向的旋轉(zhuǎn)角度，一般來說跟識別器訓練用的數(shù)據(jù)有關。如果訓練的時候大部分用的是姿態(tài)不太大的人臉的話，在真正做識別的時候也最好不要挑那種偏轉(zhuǎn)很大的，否則會不適用。

③模糊程度，此要素很重要，如果照片已經(jīng)丟失掉信息了，再做識別會存在問題。

④遮擋，如果眼睛、鼻子等被蓋住了，這塊的特征就無法拿到，或者說拿到的是錯的，是一個遮擋物的特征，對后面的識別有影響。如果能判斷出來是被遮擋的，然后棄用，或者做一些特殊處理，例如不把它放到識別模型里面去。

● 活體識別

這是所有的人臉識別系統(tǒng)都會遇到的問題，只識別人臉的話，照片也可以蒙混過關。為了讓系統(tǒng)不被攻擊就會去做一些判斷，這個到底是一個真臉還是假臉。

基本上目前的方法大概有三種：

① 傳統(tǒng)的動態(tài)識別，很多銀行的取款機會有這種要求用戶做一些配合，例如讓用戶眨眼、轉(zhuǎn)頭，以此來判斷用戶是不是根據(jù)眨眼、轉(zhuǎn)頭做了同樣的配合。因此動態(tài)識別存在一個問題，即需要用戶的配合較多，這樣用戶使用體驗會有點不好。

② 靜態(tài)識別，即不根據(jù)動作來判斷，只是根據(jù)這個照片本身來判斷是否是真實人臉，還是一個假臉。它的根據(jù)是一般現(xiàn)在用的攻擊的手段，是比較方便的，例如拿手機，或者是拿一個顯示屏，就用屏幕做攻擊。

這種屏幕的發(fā)光能力跟實際的光照條件下面人臉的發(fā)光能力是不一樣的，例如顯示器有1600萬發(fā)色數(shù)，是無法做到可見光的發(fā)光能力，即全部是連續(xù)的所有的波段都能發(fā)出來。因此當再對這種屏幕做拍攝時，和真正自然環(huán)境下面的一次成像對比，人眼也能看出來會有一些變化，會有一些不自然。通過這種不自然放到一個模型里面訓練過以后，還是可以根據(jù)這種細微的差別判斷出來到底是不是真臉。

③ 立體識別，如果用兩個攝像機或者一個帶深度信息的攝像機，就能知道拍到的各個點離攝像機的距離是多少，相當于對人物做3D成像，這樣用一個屏幕去拍攝，屏幕肯定是個平面，意識到是一個平面的，平面的肯定不是一個真的人。這個就是用立體的識別方式去排除平面人臉。

人臉識別的系統(tǒng)構(gòu)成

首先做一個分類，從對比形式來看，有1：1的識別系統(tǒng)，1：N的識別系統(tǒng)；從對比的對象來看，有照片的比對系統(tǒng)以及視頻的比對系統(tǒng)；按部署形式的話，有私有部署，有云部署或者移動設備部署。

照片1：1的識別系統(tǒng)

1：1的識別系統(tǒng)最簡單，拿兩張照片，每一張照片去生成一個特征向量，然后去比一下這兩個特征向量是不是同一個人，就可以識別了。

照片1：N的識別系統(tǒng)

1：N的識別系統(tǒng)，即判斷照片素材在不在一個樣本庫里。此樣本庫是預先準備好的，可能會有白名單或者黑名單，里面有每個人的一張照片，拿這張照片生成了一系列的特征向量。這個作為一個樣本庫，用上傳的照片跟樣本庫里面的所有的特征去比，看跟哪個最像，就認為他是這個人，這個是1：N的識別系統(tǒng)。

視頻1：1的識別系統(tǒng)

視頻1：1識別系統(tǒng)，和照片的1：1系統(tǒng)類似，但是比對的對象不是照片，而是視頻流。拿到視頻流以后會做檢測，做追蹤，做質(zhì)量評估，等拿到合適的照片以后才去做比對。

視頻1：N的識別系統(tǒng)

視頻1：N適配系統(tǒng)和1：N照片的系統(tǒng)類似，只不過拿來做識別的是視頻流，同樣也是要做檢測、追蹤、質(zhì)量評估。

一般所謂系統(tǒng)構(gòu)成不一定是人臉識別系統(tǒng)，各種AI系統(tǒng)大概都會如此。首先是計算資源層，在CPU或GPU上運行，在GPU上運行可能還有CUDA，CUDN等的支持。

其次是運算工具層，包括深度學習前向網(wǎng)絡運算庫、矩陣運算庫和圖象處理工具庫。由于不可能每一個做算法的人都自己去寫數(shù)據(jù)運算，因此都會用一些已有的數(shù)據(jù)運算庫，例如TensorFlow或者MXNET或者Caffe等都會提供，或者自己寫一套也是可以。

最后是應用算法層，包括人臉檢測、特征點定位、質(zhì)量評估等等算法實現(xiàn)，以上是大概的系統(tǒng)構(gòu)成。

審核編輯 ：李倩