影像資料顯示人戴了口罩和帽子，且周圍光線黑暗

  同樣是人機(jī)大戰(zhàn)，同樣是機(jī)器戰(zhàn)勝人類，為什么AlphaGo取得了震驚世界的效果，而小度卻不斷被質(zhì)疑?其中一個(gè)很重要的原因就是播出方式不一樣，即使具備科學(xué)屬性，《強(qiáng)大腦》也不過(guò)只是一檔綜藝節(jié)目，經(jīng)過(guò)后期制作，播出的效果遠(yuǎn)沒(méi)有直播帶來(lái)的震撼性和真實(shí)性。

  而事實(shí)到底是怎樣的，我們也不得而知，這也不是我們今天討論的重點(diǎn)(感興趣的朋友可以上網(wǎng)搜索，網(wǎng)友和百度都給出了相關(guān)的說(shuō)明)。我們今天要說(shuō)的是，百度自稱在人臉識(shí)別算法國(guó)內(nèi)第一，有效的依據(jù)是什么?以及，在安防領(lǐng)域，人臉識(shí)別技術(shù)已經(jīng)達(dá)到了何種程度。 

  LFW和FDDB的排名有意義嗎

  相信對(duì)人臉識(shí)別算法有研究的同學(xué)對(duì)LFW和FDDB也有一定的了解。LFW(Labeled Faces in the Wild)和FDDB(Face Detection Data Set and Benchmark)是全球權(quán)威的人臉識(shí)別檢測(cè)平臺(tái)，做人臉識(shí)別算法的公司，多多少少地會(huì)到LFW和FDDB上進(jìn)行檢測(cè)。

  LFW數(shù)據(jù)庫(kù)共有5749個(gè)人的13233幅圖像，其中1680人有兩幅及以上的圖像，4069人只有一幅圖像。FDDB和LFW一樣，都是馬薩諸塞大學(xué)的人臉數(shù)據(jù)庫(kù)，它包含2845張圖片，共有5171個(gè)人臉作為測(cè)試集。測(cè)試集范圍包括：不同姿勢(shì)、不同分辨率、旋轉(zhuǎn)和遮擋等圖片。

  百度自稱人臉識(shí)別算法第一是因?yàn)椋?015年，百度在LFW中曾達(dá)到99.77%的準(zhǔn)確率，排名第一。而在2016年，小米和大華分別在FDDB和LFW數(shù)據(jù)集上拿下了第一的成績(jī)。

  LFW和FDDB的權(quán)威性不容置疑，但是值得說(shuō)明的是，由于LFW和FDDB的樣本是固定的，相當(dāng)于一場(chǎng)考試，你已經(jīng)知道了題目，然后不停改進(jìn)你的答案，這樣的刷分是沒(méi)有多大意義的。

  安防領(lǐng)域的人臉識(shí)別有多大能耐

  當(dāng)我們談到人臉識(shí)別時(shí)，會(huì)出現(xiàn)兩個(gè)常見和重要的概念，即1:1和1：N。

  簡(jiǎn)單說(shuō)來(lái)，1:1是一對(duì)一的人臉“核對(duì)”，解決的是“這個(gè)人是不是你”的問(wèn)題，1：N是從眾多對(duì)象中找出目標(biāo)人物，解決的是“這個(gè)人是誰(shuí)”的問(wèn)題。

  人臉識(shí)別考勤、安檢時(shí)的身份驗(yàn)證等應(yīng)用都是1:1概念下的人臉識(shí)別應(yīng)用。

  而1：N更多的是用于安防行業(yè)，比如在人流密集的場(chǎng)所安裝人臉識(shí)別防控系統(tǒng)，它和1:1大的區(qū)別就是1：N采集的是動(dòng)態(tài)的數(shù)據(jù)，并且會(huì)因?yàn)榈攸c(diǎn)、環(huán)境、光線等影響識(shí)別的準(zhǔn)確性和效果。

  一套基本的人臉識(shí)別布控系統(tǒng)會(huì)具備以下幾個(gè)功能：

  (1)人臉捕獲與跟蹤功能

  人臉捕獲是指在一幅圖像或視頻流的一幀中檢測(cè)出人像并將人像從背景中分離出來(lái)，并自動(dòng)地將其保存。人像跟蹤是指利用人像捕獲技術(shù)，當(dāng)指定的人像在攝像頭拍攝的范圍內(nèi)移動(dòng)時(shí)自動(dòng)地對(duì)其進(jìn)行跟蹤。

  (2)人臉識(shí)別計(jì)算

  人臉識(shí)別分核實(shí)式和搜索式二種比對(duì)計(jì)算模式。核實(shí)式是對(duì)指將捕獲得到的人像或是指定的人像與數(shù)據(jù)庫(kù)中已登記的某一對(duì)像作比對(duì)核實(shí)確定其是否為同一人。搜索式的比對(duì)是指從數(shù)據(jù)庫(kù)中已登記的所有人像中搜索查找是否有指定的人像存在。

  (3)人臉的建模與檢索

  可以將登記入庫(kù)的人像數(shù)據(jù)進(jìn)行建模提取人臉的特征，并將其生成人臉模板保存到數(shù)據(jù)庫(kù)中。在進(jìn)行人臉?biāo)阉鲿r(shí)，將指定的人像進(jìn)行建模，再將其與數(shù)據(jù)庫(kù)中的所有人的模板相比對(duì)識(shí)別，終將根據(jù)所比對(duì)的相似值列出相似的人員列表。

  因此，數(shù)據(jù)成為提升人臉識(shí)別算法性能的關(guān)鍵因素，很多應(yīng)用更加關(guān)注低誤報(bào)條件下的識(shí)別性能，比如支人臉支付需要控制錯(cuò)誤接受率在0.00001之內(nèi)，因此以后的算法改進(jìn)也將著重于提升低誤報(bào)下的識(shí)別率。對(duì)于安防監(jiān)控而言，可能需要控制在0.00000001之內(nèi)(比如幾十萬(wàn)人的注冊(cè)庫(kù))，安防領(lǐng)域的人臉識(shí)別技術(shù)更具有挑戰(zhàn)性。

  而隨著深度學(xué)習(xí)演進(jìn)，基于深度學(xué)習(xí)的人臉識(shí)別將獲得突破性的進(jìn)展。它需要的只是越來(lái)越多的數(shù)據(jù)和樣本，數(shù)據(jù)和樣本越多、反復(fù)訓(xùn)練的次數(shù)越多，它越容易捕捉到準(zhǔn)確的結(jié)果和給你準(zhǔn)確的答案。所以，當(dāng)一套人臉識(shí)別系統(tǒng)的設(shè)備，在全面引入深度學(xué)習(xí)的算法之后，它幾乎是很完美的解決了以前長(zhǎng)期各種各樣的變化問(wèn)題。

  但即便如此，人臉識(shí)別技術(shù)依然面臨實(shí)際應(yīng)用等諸多挑戰(zhàn)，如何在各種復(fù)雜的場(chǎng)景中得到成功的應(yīng)用還需要眾多的安防廠商共同努力。