汇总成应用层下的人脸识别系列文章（三）

1. 人脸对比型

人脸比对类型可分为四种类型，即：人脸1:1、人脸1:n、人脸1:N、人脸M:N。

人脸识别应用围绕这四种比较方法展开。 下面将依次介绍各种比较类型。

1. 脸部1:1

人脸1:1一般用于证人验证，可以简单理解为：证明你就是那个人。

例如：乘坐火车、飞机、进出境、到银行办卡时，通常需要验证持身份证人是否为同一人。

如下图所示，系统只需读取二代身份证中的人脸照片，并与现场抓拍的人员照片进行比对即可。

人脸1:1又称静态人脸比对，同样具有合作的特点。 完成比对，用户需要携带身份证并积极配合采集人脸。

2. 面 1:n

人脸1:n：将一张人脸照片与人脸数据库中的多张人脸进行一一比较。 人脸数据库中有多少张脸就需要进行多少次比较——平台收集“我”的照片。 拍照后，它会从海量人像数据库中找到与当前用户人脸数据相匹配的图像，并进行匹配，找出“我是谁”。

Face 1:n也称为动态人脸比对。

比对照片是从动态视频中获得的，具有非合作的特点——整个比对过程是不可感知的，不需要人的合作。 这两个特点让“面1：n”能够被警方快速实施追捕逃犯，但难度却远高于“面1：1”。 （通常会受到光照和面部姿势变化的影响——比如侧脸、低头、逆光，这些都会大大增加面部的漏报率。）

人脸1:n中“n”的大小（人脸库照片的数量）会影响人脸识别的准确率和比对速度，因此比对人脸库的大小会设置得比较小。

3.面1：N

人脸1:N也叫静态大库检索：即以人脸图片和人脸相似度作为搜索条件，在人脸数据库中搜索与其相似（相似度大于设定阈值）的图片——类似于百度。 图片搜索。

实际的检索过程是进行N次人脸比较，并留下分数大于阈值的结果。

Face 1:N的人脸数据库规模比Face 1:n大很多，最多可以支持1亿张人脸搜索，所以这里的N是大写的。

4. 面 M:N

Face M:N实际上是两个人脸数据库的比较。

例如：人脸库A有M张脸，人脸库B有N张脸。 如果要查看人脸库A和人脸库B中有多少个相同的人，需要将人脸库A中的M张脸与人脸库B中的N张脸一一比较，相当于M的1:N相加面孔。 的结果。

M:N人脸常用于惯犯筛查和身份核对。

例如：办案人员在处理三抢劫一盗窃等案件时，一般来说，80%的案件都是惯犯。 因此，通过线索所在地的路人数据库与惯犯数据库进行M:N的人脸比对和碰撞，可以快速识别犯罪嫌疑人，找出侦查方向。

二、人脸比对要素 1、人脸数据

人工智能算法的演进必须有数据的支撑。

使用大量标记数据来训练模型，可以将识别准确率从 70% 提高到 99%。 客观准确的数据是人工智能应用的必要条件。

获取人脸数据的五种方式：

监控摄像头、手机摄像头等各类摄像头：拍摄的视频和照片是原始人脸数据的主要来源。 在项目中，此类摄像机往往通过RTSP、FTP等协议进行连接，以获取实时视频流或图像流。 NVR/DVR等视频存储设备：存储大量视频资源，可以通过ONVIF协议连接此类设备获取数据。 第三方企事业单位人员信息数据库：如公安八大信息资源数据库、企业员工信息数据库等。此类数据获取难度较大，会涉及到第三方平台对接，存在以下问题：还必须考虑机密性和网络安全。 互联网开放数据集：FDDB、LFW、Face等常用人脸数据集提供高质量的标注数据，可用于算法测试和模型训练。 网络爬行：通过编写或使用免费的网络爬行程序自动从万维网上爬取图像。 它们广泛用于互联网上的数据收集。 2.人脸比对数据库

人脸比对库提供人脸识别的比对模板——人脸1:n、人脸1:N、人脸M:N必须有人脸比对库才能进行比对。

系列的第二篇文章《应用层下的人脸识别（二）：人脸数据库》详细介绍了建立人脸数据库的方法。

3. 比较阈值

比较阈值：人脸比较的相似度。

人脸比较结果以相似度值的形式呈现。 在进行人脸比较之前，需要设置相似度阈值。 如果大于该阈值，则判定两张照片可能是同一个人。

比对阈值对人脸识别的准确率和漏报率影响很大。 比较阈值设置得越高，准确率越高，但漏报率也会增加。 比较阈值没有固定标准，应根据应用场景灵活调整。

例如：刷脸支付更注重比对准确度，因此需要提高门槛； 而公安嫌疑人的人脸识别需要减少误报，因此需要适当降低门槛。

4. 芯片

人工智能的三要素是算法、算力和数据，而芯片决定了算力。

深度学习工程（训练）和（推测）两个关键环节需要大量的计算能力，普通CPU无法满足计算需求。

高性能GPU、TPU、FPGA、ASIC等加速芯片的陆续推出，极大地提高了计算速度，也推动了算法的发展。

在1:n、​​1:N、M:N人脸比对中GPU是不可或缺的。 但部分人脸的1:1计算不需要大量的计算量，不需要使用加速芯片。 通过GPU加速，亿级人脸检索可秒级返回结果。

5.人脸算法

人脸算法的效果决定了人脸识别的上限，也是人脸比对最关键的要素。 随着深度学习技术的普及，各大公司的面部算法效果之间的差距越来越小。

目前主流的人脸识别算法可以分为以下四类：

基于人脸特征点的识别算法 基于整张人脸图像的识别算法 基于模板的识别算法 基于神经网络的识别算法

2018年11月20日公布了被誉为业界黄金标准的全球人脸识别算法测试（FRVT）结果（如下图）：

排名前五的算法全部被中国拿下：

虽然人脸算法在各种数据集的测试中具有较高的准确率，但对于商业应用来说还远远不能令人满意。

目前仍有许多缺陷需要解决，例如：

姿势问题：

人脸识别主要基于人的面部表征特征。 “如何识别姿势引起的面部变化？” 成为该技术的难点之一。

姿势问题涉及：头部围绕三维垂直坐标系中的三个轴旋转引起的面部变化。 其中，垂直于图像平面的两个方向的深度旋转会导致面部信息的部分丢失。 这使得姿势问题成为人脸识别中的技术问题。

关于姿势的研究相对较少。 目前大多数人脸识别算法主要针对正面和准正面人脸图像。 当发生俯仰或左右变化时，人脸识别算法的识别率也会急剧下降。

图像质量问题：

人脸图像的来源可能多种多样，并且由于采集设备的不同，所获取的人脸图像的质量也不同。

尤其是对于那些分辨率低、噪声大、质量差的人脸图像（如手机摄像头拍摄的人脸图像、远程监控拍摄的图像等），“如何进行有效的人脸识别？” 是一个需要注意的问题。

需要进一步研究高分辨率图像对人脸识别算法的影响。

现在，我们在进行人脸识别时，一般都会使用相同尺寸、分辨率非常接近的人脸图像，因此图像质量问题基本上可以得到解决。 但面对现实中更加复杂的问题，仍然需要不断优化和处理。

遮挡问题：

对于非合作情况下的人脸图像采集，遮挡问题是一个非常严重的问题。

尤其是在监控环境中，被监控对象经常佩戴眼镜、帽子等配饰，使得采集到的人脸图像很可能不完整，影响后续的特征提取和识别，甚至影响人脸检测算法。 失败的。

当面部特征被遮挡时，人脸算法的表现并不是很好。

目前遮挡识别效果良好的算法可以稳定识别遮挡在20%以内、块大小在30*30以下的人脸。

样本缺失问题：

基于统计学习的人脸识别算法是目前人脸识别领域的主流算法，但统计学习方法需要大量的训练。

由于人脸图像在高维空间中的分布是不规则流形分布，因此能够获得的样本仅采样了人脸图像空间的很小一部分。 对于“如何解决小样本下的统计学习问题？”，还需要进一步研究。

以上是该系列的第三篇文章——《应用层下的人脸识别（三）：人脸比对》的相关内容。

欢迎大家添加公众号“阳春百洁”继续与我交流图像识别相关问题。