在科技迅速發(fā)展的現(xiàn)代只有和具體場(chǎng)景結(jié)合才能夠體現(xiàn)其價(jià)值，那么作為人工智能的一個(gè)分支人臉識(shí)別到底能識(shí)別到哪些場(chǎng)景呢?讓人很好奇的識(shí)別的過(guò)程又是什么樣的的?下面就讓愛(ài)爾傳感的專(zhuān)業(yè)人士來(lái)為大家詳細(xì)介紹一下人臉識(shí)別全過(guò)程及場(chǎng)景。
 

人臉識(shí)別全過(guò)程

　　1、人臉檢測(cè)

　　人臉檢測(cè)算法的輸入是一張圖片，輸出是人臉框坐標(biāo)序列(0個(gè)人臉框或1個(gè)人臉框或多個(gè)人臉框)。一般情況下，輸出的人臉坐標(biāo)框?yàn)橐粋€(gè)正朝上的正方形，但也有一些人臉檢測(cè)技術(shù)輸出的是正朝上的矩形，或者是帶旋轉(zhuǎn)方向的矩形。

　　2、人臉配準(zhǔn)

　　人臉配準(zhǔn)算法的輸入是“一張人臉圖片”加“人臉坐標(biāo)框”，輸出五官關(guān)鍵點(diǎn)的坐標(biāo)序列。五官關(guān)鍵點(diǎn)的數(shù)量是預(yù)先設(shè)定好的一個(gè)固定數(shù)值，可以根據(jù)不同的語(yǔ)義來(lái)定義。

　　當(dāng)前效果的較好的一些人臉配準(zhǔn)技術(shù)，基本通過(guò)深度學(xué)習(xí)框架實(shí)現(xiàn)，這些方法都是基于人臉檢測(cè)的坐標(biāo)框，按某種事先設(shè)定規(guī)則將人臉區(qū)域扣取出來(lái)，縮放的固定尺寸，然后進(jìn)行關(guān)鍵點(diǎn)位置的計(jì)算。

　　3、人臉屬性識(shí)別

　　一般的人臉屬性識(shí)別算法的輸入是“一張人臉圖”和“人臉五官關(guān)鍵點(diǎn)坐標(biāo)”，輸出是人臉相應(yīng)的屬性值。人臉屬性識(shí)別算法一般會(huì)根據(jù)人臉五官關(guān)鍵點(diǎn)坐標(biāo)將人臉對(duì)齊(旋轉(zhuǎn)、縮放、扣取等操作后，將人臉調(diào)整到預(yù)定的大小和形態(tài))，然后進(jìn)行屬性分析。

　　常規(guī)的人臉屬性識(shí)別算法識(shí)別每一個(gè)人臉屬性時(shí)都是一個(gè)獨(dú)立的過(guò)程，即人臉屬性識(shí)別只是對(duì)一類(lèi)算法的統(tǒng)稱(chēng)，性別識(shí)別、年齡估計(jì)、姿態(tài)估計(jì)、表情識(shí)別都是相互獨(dú)立的算法。但的一些基于深度學(xué)習(xí)的人臉屬性識(shí)別也具有一個(gè)算法同時(shí)輸入性別、年齡、姿態(tài)等屬性值的能力。

　　4、以在基本保證算法效果的前提下，將模型大小和運(yùn)算速度優(yōu)化到移動(dòng)端可用的狀態(tài)。
 

　　5、人臉比對(duì)

　　人臉比對(duì)算法的輸入是兩個(gè)人臉特征(注：人臉特征由前面的人臉提特征算法獲得)，輸出是兩個(gè)特征之間的相似度。人臉驗(yàn)證、人臉識(shí)別、人臉檢索都是在人臉比對(duì)的基礎(chǔ)上加一些策略來(lái)實(shí)現(xiàn)。相對(duì)人臉提特征過(guò)程，單次的人臉比對(duì)耗時(shí)極短，幾乎可以忽略。

　　基于人臉比對(duì)可衍生出人臉驗(yàn)證、人臉識(shí)別、人臉檢索、人臉聚類(lèi)等算法。

　　6、人臉驗(yàn)證

　　它的輸入是兩個(gè)人臉特征，通過(guò)人臉比對(duì)獲得兩個(gè)人臉特征的相似度，通過(guò)與預(yù)設(shè)的閾值比較來(lái)驗(yàn)證這兩個(gè)人臉特征是否屬于同一人(即相似度大于閾值，為同一人;小于閾值為不同)。

　　7、 人臉識(shí)別

　　它的輸入一個(gè)人臉特征，通過(guò)和注冊(cè)在庫(kù)中N個(gè)身份對(duì)應(yīng)的特征進(jìn)行逐個(gè)比對(duì)，找出“一個(gè)”與輸入特征相似度較高的特征。將這個(gè)較高相似度值和預(yù)設(shè)的閾值相比較，如果大于閾值，則返回該特征對(duì)應(yīng)的身份，否則返回“不在庫(kù)中”。

　　8、人臉檢索

　　人臉檢索通過(guò)將輸入的人臉和一個(gè)集合中的說(shuō)有人臉進(jìn)行比對(duì)，根據(jù)比對(duì)后的相似度對(duì)集合中的人臉進(jìn)行排序。根據(jù)相似度從高到低排序的人臉序列即使人臉檢索的結(jié)果。

　　9、人臉聚類(lèi)

　　人臉聚類(lèi)也通過(guò)將集合內(nèi)所有的人臉兩兩之間做人臉比對(duì)，再根據(jù)這些相似度值進(jìn)行分析，將屬于同一個(gè)身份的人劃分到一個(gè)組里。

　　10、人臉活體

　　和前面所提到的人臉技術(shù)相比，人臉活體不是一個(gè)單純算法，而是一個(gè)問(wèn)題的解法。這個(gè)解法將用戶交互和算法緊密結(jié)合，不同的交互方式對(duì)應(yīng)于完全不同的算法。鑒于方法的種類(lèi)過(guò)于繁多，這里只介紹“人臉活體”的概念，不再展開(kāi)。
 

　　人臉識(shí)別的場(chǎng)景

　　其場(chǎng)景的尋找，依舊是需求調(diào)研/分析的工作，基本可以按照以下2個(gè)步驟進(jìn)行：

　　梳理客戶/用戶業(yè)務(wù)的流程、多方利益相關(guān)人訴求等因素。

　　找到流程中機(jī)械工作&利于客戶/用戶目標(biāo)的場(chǎng)景。

　　例如：社區(qū)改造中，如果客戶是物管管理層，那么場(chǎng)景建設(shè)重心便是圍繞其運(yùn)營(yíng)效率/成本、物業(yè)價(jià)值的外化等。在此基礎(chǔ)上，尋找與此相關(guān)的機(jī)械工作，如保安三班倒值守，進(jìn)出人員登記等。再如人臉支付，優(yōu)化的機(jī)械工作是支付密碼輸入等。ToB和ToC業(yè)務(wù)，因其客戶、用戶屬性存在不一致性，需要區(qū)分對(duì)待。

　　另外，如上文所述，受限于當(dāng)前技術(shù)能力，無(wú)論什么場(chǎng)景，都需要基于準(zhǔn)確率和體驗(yàn)的均衡來(lái)設(shè)計(jì)。達(dá)不到效果最好內(nèi)部/種子用戶多磨練，畢竟吸引客戶/用戶的機(jī)會(huì)可能只有一次。

　　以上就是關(guān)于人臉識(shí)別的過(guò)程及識(shí)別場(chǎng)景的介紹，想要了解更多相關(guān)資訊敬請(qǐng)關(guān)注本站。