人臉識別的算法能力幾個指標：拒識率、誤識率、通過率，準確率。
那么人臉識別的基本流程是怎么樣的呢：
人臉識別最難的部分是有充分適應各大光線環境的人臉預處理算法，需要在各種復雜的光線環境中提取到人臉信息，特別是移動互聯網時代，攝像頭拍照的地方可以在斑駁的樹影下，也可以在昏暗的街燈下，以及深夜出租車內，這對算法的魯棒性考驗極大。同時還要考慮照片和視頻欺詐，二次成像的光線污染等問題。
下面說一下目前人臉識別的常見問題:
1:1人臉識別算法主要用于身份驗證
1：1人臉識別技術主要是利用圖像處理技術從圖像中提取人像特征點，利用生物統計學的原理進行分析建立數學模型，即人臉特征點模型。再從人臉特征點模型與被測者的人的面像進行特征分析（可以假定為無數的幾何特征點求解），根據分析的結果來給出一個相似值，通過這個值即可確定是否為同一人。簡單的說就是A/B兩張照片比對，產生的計算數值是否達到要求。
這個值我們稱之為閾值，可以從1到100（100就是極端嚴苛）很多人臉識別公司說他們的產品很容易通過，那只說了一半，如果閾值調整到5以下，幾乎大部分人都可以是相似的，而調整到95以上，同一個人在不同的背景環境拍出的照片都無法匹配。所以當一公司跟你吹牛算法準確度，先問下使用的是用什么閾值，同一人臉比對通過率，非同一人比對通過率。
所以沒有閾值說明的算法都是耍流氓。
1：1主要用于快速的人臉識別比對，作為身份確認的一種新方式，比如考生身份確認、公司考勤確認、各種證件照和本人確認，由于這些照片源不一定有權威統一的接口調用，所以一直沒有用起來。目前市面上做的比對來源主要有三種方式：
1. 用戶自傳照片，比如支付寶的人臉比對，用戶自傳的照片最大的問題是照片質量的合格率太低，拍照的光線、角度等因素會導致采集源的質量下降，不利于后期的大批量人臉特征碼管理。
2. 使用身份證讀卡器，讀取身份證上的照片，遺憾的是這張照片2K的大小，不過也是目前用最多的源照片提取方式，比較適合簽到場合。
2016給國內一些會議培訓公司的識別軟件（用于驗證會員是否有效以及是否本人）：
3. 使用公安部旗下NCIIC的人臉比對接口（注意，不是網紋照片接口，這個接口已經不對外），使用的是直接的人臉比對接口。目前具備有這個庫調用權限的，目前所知的只有幾家，在人臉識別公司中，好像只看到一家在提供，這里先不提了。BAT應該都還沒有接入，如有大家有新發現的可以補充。
實際上，解決比對源的問題的關鍵是需要有權威的照片數據來進行比對，許多公司剛剛開始的時候采取NCIIC（公安部的一個事業單位）身份證返照接口的照片，進行消網紋處理進行比對，但人臉的很多特征點被損毀成功率大概只有6成（根據六月份發布的網絡安全法，目前網紋返照接口市面上除了銀行系統可以使用外，其他所用的身份證返照接口都是非法的，一用就被查）。
1：1 人臉識別算法主要使用場景
曾經有一些問題是關于如何確認本人的笑話，派出所要求一個小伙證明就是本人，證明你媽是你媽。。這種奇葩問題，但是許多陌生場合也有這種尷尬，你如果沒有帶證件，警察無法看到你的照片，如何確認你就是XX就是之前經常出現的執法矛盾；如果一個人把身份證弄丟了，外面風雪交加，如何給這類人辦理酒店入住手續？這些就是身份確認的問題。公安部推身份證網上副本 身份認證可“刷臉”完成就是用來解決這個問題，我們出門不用完全依賴身份證可以確定身份，可以方便很多。
但是1：1人臉算法的巨大隱患是我們隨處可見的人臉，實際就是一個公開的鑰匙，馬云提出刷臉消費吃飯，如果沒有手機驗證碼（本身也是一重手機實名驗證，同時做了人臉庫圖源定位，方便1:1校驗），分分鐘鐘被吃垮。但是既然可以用手機，為什么還用刷臉，不是多此一舉嗎？
另外還有一些高級會所，希望實現VIP的貴賓警報服務，這個在下面的1：N和N:人臉識別算法系統中可以看到。但是1：1比對的身份應用哪家強了？
在互聯網買機票、車票，醫院掛號，政府惠民工程項目，以及各種證券開戶、電信開戶、互聯網金融開戶都會用到。過去的身份認證方式是非常不妥的（比如支付寶的持有注冊流程，還有一些不知名的社交APP等需要上傳身份證照片），這些資料是極其容易被盜取和轉賣的，下圖是來自百度的圖片搜索結果截圖，還有最近的一些女大學生的裸條資料泄露知乎專欄，導致犯罪分子有很多利用的漏洞，黑客軍團號稱資料2000萬，分分鐘鐘薅干一家金融平臺沒有問題：
人臉識別的破解：
許多金融公司喜歡把人臉識別SDK模塊嵌入到APP當中，但這個太容易繞過，所以會再加上活體檢測（市場上常見的活體檢測為隨機動作配合），但是即便加了活體檢測，也一樣可以繞過。比如下面這兩種方式：
1. 3D人臉仿真面具
2. 人臉模型實時重建
所謂道高一尺魔高一丈，這個還是增加其他的多維校驗才能確認身份，否則真有人要進行遠程攻擊，也不是很難的事情。那么活體檢測哪家強了？
1:N人臉識別算法主要用于人臉檢索
跟1：1的A/B兩張照片比對最大的區別是A/B A/C A/D……多個1：1計算，這個最大的問題是一旦BCD總和數量越大計算速度越慢，而總和超過20萬，就回出現多個相似結果（20萬人這個大數會導致有不少人長相相似），需要人工輔助定位。過去我們在電影里面看到什么“天網”識別系統只是一種理想狀態，實際應用中都是排列出多個結果，排第一的未必是需要的人。
1：N人臉識別算法主要用于排查犯罪嫌疑人、失蹤人口的全庫搜尋、一人多證的重復排查，以此相似度列出相應的結果，可以大大提高排查效率。類似的也可以用到走失兒童的項目中去，相比美帝的亞當警報、安珀警戒，國內有沒有類似的兒童走失警報及尋找機制？
這一類系統的部署需要兩個條件：
1. BCD基本庫（比如1000萬人）
2. 強大的算法硬件
1：N同時作業就是N:N了，同時相應多張照片檢索需求，檢索耗費的時間跟硬件算法關系極大，就這一領域的應用，又哪家公司強了？
N:N人臉識別算法主要用于實時多1：N檢索計算：
N：N 該算法實際上是基于1：N的算法，輸入多個求解結果。比如視頻流的幀處理所用，對服務器的計算環境要求嚴苛，目前的算法系統所支撐的輸出率非常有限。
主要的限制如下：
海量的人臉照片解析需要大量運算（目前很少看到在采集端直接解析的，都是照片剪裁）
海量的人臉照片傳輸需要大量的帶寬（常見的720布控攝像頭抓取最小的人臉照片為20K）
海量的人臉照片在后臺檢索需要耗費大量的運算（國內主流主機為例，最多到24路攝像頭）
由此可見，真正實現“天網”人臉檢索，一來要解決數億攝像頭的圖片處理，二來需要解決聯合庫的超算檢索，這可不是一般公司吃得消。有些小區和高級場所，對VIP客戶的識別和接待比較喜歡這種視頻校驗方式，但是實際部署使用者會受到攝像頭位置、角度，以及多人同時入場產生的問題，而且人臉庫會非常有限，不然計算時間長，體驗極差，一些所謂的迎賓機通常也就幾個人的照片（就是純粹給領導看的），實用價值大大的打折扣，有戴墨鏡或者帽子遮蔽都認不出，畢竟關鍵特征取樣有限。這又有誰強了？
拍照和直播APP的人臉圖像疊加
國內比較多的娛樂APP通過對人像圖層跟蹤處理，也是一個不錯的技術切入點，但是產品安裝包會比較大，現在做的也只是跟蹤技術，屬于底層識別，如果復雜一些的需要通過云服務實現，但是服務器算法解析速度和帶寬比較難以跟上，也不算是一種靠譜的商業模式。
在視頻級N:N的校驗中，如果要提高通過率，很多時候是采取降低準確率的方式，降低算法隊列數量；同樣在一些比賽中為了降低誤識率，大大提高了準確率，所以算法在校驗的過程中必須遵循至少一個固定標準，追求的是速度效率還是最高準確率。
人臉識別算法的應用分類派系:
人臉識別對應解決方案方向：
個人認為未來人臉識別會讓大部分的數據更加真實，而可以通過社會工程學模板做很多分析和改良，比如近期一些科學家利用人臉識別來分析一些人的健康、清晰，甚至是犯罪傾向，或許在未來還可以結合大數據，對我們過去傳統的面相分析技術做一個全新的提升，到時候算命先生都要失業了。更多機器人交互、無人機產生的攝像目標鎖定分析等科幻畫面并不是多遙遠的事情。
|
