[[195170]]

【51CTO.com原創稿件】近日，經常被類似“你最像哪位明星?”、“預測你未來的樣子”、“看看你們的年齡差?”…..這樣的一些基于臉部比對的照片刷屏。

圖[1]

如圖[1]是 “你最像哪位明星?”小應用制作出來的對比照，看到這個對比過程，你肯定比較好奇這背后用到了哪些技術，能想到的就是人臉識別、美顏。但具體細節就……下面是專業人士給出的正確姿勢，給同樣感興趣的小伙伴們答疑解惑!

人臉識別技術的基本流程

當下，人臉識別技術的細節多到數不清，工程技巧也是多種多樣，但基本流程已成定式：當輸入某張人物照，利用人臉檢測技術找到人臉位置，在這基礎之上對關鍵點，如眼睛、嘴巴等定位，之后經過一些幾何、光學手段的校正等，提取人臉特征，進而做到人臉識別。

各個公司間的差異在于關鍵提取的數量相，從幾個點到近百點、以及各個環節在細節上的一些追求。

“你最像哪位明星?”這張圖，圖一到圖二，用到的是人臉檢測技術，基于一些算法，把人臉定位提取，也涉及到一小部分關鍵點的檢測技術。這個過程中，如何識別出照片，在不同年齡段的面部圖像是值得考究的點。

人臉識別中的年齡不變在學術界被稱為 age-invariant face recognition(AIFR)，AIFR 技術能夠識別出同對象同齡段的臉部圖像。

無視年齡變化，AIFR技術的應用

面部特征隨著年齡的增長產生變化

人的面部特征隨著年齡的增長會產生非常明顯的變化。從圖形學的角度來看，這種變化可以分為輪廓變化和紋理變化。

輪廓變化，指五官和臉型的空間位置和結構特征產生了變化。如嬰兒的臉型普遍偏肥，輪廓平滑圓潤;成年后，則發展成鵝蛋臉、國字臉和瓜子臉等更加豐富的臉型，五官也變得更為立體。

紋理變化，指人臉皮膚表面的膚質感產生了變化。嬰兒皮膚圓潤、細嫩、平滑，而成人皮膚則往往更加粗糙，多皺紋。

這些輪廓和紋理的變化，往往連人類自身也無法準確理解。今天得益于人工智能技術的發展，AIFR 技術已逐漸成熟。

AIFR技術的兩大模型

目前，AIFR 技術方向繁雜，但總體上可分為生成模型和判別模型兩種：

生成模型

生成模型的基本思想是假設人臉隨年齡的變化過程具有一定規律，然后通過數學方法去求解變化規律本身。在洞悉規律后，算法即可通過某一年齡的面部特征，生成其他年齡的面部特征。

以圖[1]為例，具體實現步驟為：

• 分別抽取人臉輪廓特征 S 和紋理特征 T
• 進行校正和均化
• 對面部特征分別建立數學模型并求解模型參數，獲得生成模型
• 輸入待預測人的面部特征
• 使用生成模型預測此人其他年齡的面部特征
• 將輪廓特征和紋理特征重新合并
• 與實際未來面部進行對比，即可知道是否為同一人或是相似的人

判別模型

判別模型與生成模型不同，判別類模型不尋求解決人臉的變化規律問題。判別模型假設有一部分人臉特征是不隨年齡而產生變化的，使用這類年齡無關的特征去判斷人臉的身份。

圖[2]

圖[2]顯示了深度學習技術實現了非齡特征的抽取。

第一列是同一個人在不同年齡的照片 S1，S2，S3

通過卷積神經網絡，系統使用固定的特征臉組合 S' 來代表原圖

例如：

特征臉組合再進入如隱藏因子分析器后，只選擇了最接近這張特征臉的組合。

例如：

可以看出，第三列人臉相似度已經非常高了。

刷臉時代來了：人臉識別技術的典型應用

除了上面提到的小應用，現在人臉識別的用途越來越廣，各行各業都在嘗試用人臉識別提升客戶體驗、優化服務水平，不過總結起來主要有兩大類：人臉身份識別和人臉身份認證。

二者表面看起來比較接近，但它們的技術原理并不相同：人臉身份識別是從一堆人里識別出你是誰，人臉身份認證是確認你是不是本人。比較典型的應用如下：

人臉身份識別

• VIP人臉識別。這個應用可以自動在人群中捕捉 VIP 客戶，并識別出其身份，同時可以語音歡迎并經后臺通知相關工作人員;
• 人臉黑名單。這個應用可以在重點通道設置人臉黑名單，自動識別重點嫌疑人等，一旦發現即可自動報警。

人臉身份認證

• 金融行業。該領域的應用比較多，包括刷臉登錄、遠程人臉開戶、自助人臉開卡等等，最早大規模應用人臉識別的是民生銀行，在 2014 年初開始布局人臉識別平臺，將人臉識別應用于營業廳、自助設備、柜臺系統以及移動營銷等。

這些是做身份認證的輔助手段，以往無論是在何種應用場景，身份認證只有兩種模式：人工比對身份證和本人，容易出現比對標準不一致的情況;只認證身份證，容易出現冒用、盜用他人身份證的問題。而人臉識別很好地解決了這些問題。

• 社保行業。比較典型的就是遠程資格認證，以往為了證明參保人員的生存狀態，需要工作人員實地進行資格認證，對于那些年齡大、出行不便和距離遠的異地參保人員就特別不方便。

而人臉識別可以通過遠程進行人臉身份認證，不過為了防止照片作假，一般會加入活體檢測的環節。

• 教育行業。主要是高考、成人考試、人事考試等，借助指紋識別、人臉識別等生物識別技術確認考生身份，可以確保人證合一，保證考試的公平性。

人臉識別仍存在安全隱患

人臉識別并不萬能，技術的背后仍存在風險和漏洞，比如仿真頭套、全息投影、人臉跟蹤等的不斷出現，單一的人臉識別技術存在很大的局限性，安全系數和科技成分并不成正比。

因此，在涉及隱私、支付等高級別安全場景使用時，一定注意將人臉與聲紋、指紋、虹膜及其他生物認證信號相融合，而不是單一的采用人臉識別技術，這樣安全的系數就會大大提升。

參考資料：

[1]Park U, Tong Y, Jain A K. Age-invariant face recognition[J]. IEEEtransactions on pattern analysis and machine intelligence, 2010, 32(5):947-954.

[2]Wen Y, Li Z, Qiao Y. Latent factor guided convolutional neural networks forage- invariant face recognition[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. 2016: 4893-4901.

[[195175]]

李季

CloudIn云英產品經理 

澳大利亞 University of Wollongong 計算機系碩士，曾在計算機世界、長河網信等公司出任產品經理和運營經理，有 8 年產品經驗，現就職于北京云英傳奇技術有限公司任大數據產品經理。在深度學習和機器視覺領域主導過公安和網信辦相關的多個項目，希望通過人工智能技術為社會創造更多價值。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】