談到人臉識別技術，有哪些常見的誤區？

12-27

本題已收錄至知乎圓桌：人工智慧 · 機器感知，更多「人工智慧」相關話題歡迎關注討論

拋磚引玉，談談身邊人聊天常提到的幾大誤區：

人臉識別的「準確率」越高越好？
人臉識別火了，虹膜、指紋識別就淘汰了？
人臉識別沒用，畫個妝整個容就識別不了？

一、人臉識別的「準確率」越高越好？

人臉識別技術其實沒有「準確率」的概念。當前所有的生物識別技術如指紋識別、虹膜識別都有兩個指標，一個是認假率FAR（false accept rate），一個是拒真率FRR（false rejection rate）。

認假率是指人臉比對通過了但其實並不是本人，把「假的」認成了「真的」；同理，拒真率是指本人親自上陣但是比對失敗了，把「真的」當成了「假的」，把你當成了騙子。只有基於認假率、拒真率兩個指標才可以判斷某個人臉識別演算法水平的高低。

通常，人臉識別演算法一般會設定一個閾值T作為評判通過與否的標準，該閾值一般是用分數或者百分比來衡量。當人臉比對的相似度值大於此閾值時，則比對通過，否則比對失敗。而閾值的設定一般是根據人臉識別的ROC曲線（Receiver Operating Curve）進行設定。

ROC曲線（Receiver Operating Curve）指受試者工作特徵曲線，反映敏感性和特異性連續變數的綜合指標，用構圖法揭示敏感性和特異性的相互關係，它通過將連續變數設定出多個不同的臨界值，從而計算出一系列敏感性和特異性，曲線下面積越大，診斷準確性越高。在ROC曲線上，最靠近坐標圖左上方的點為敏感性和特異性均較高的臨界值。

二、人臉識別技術火了，虹膜、指紋識別技術就被淘汰了？

人臉識別技術誠然有自己的優點：

非接觸性（不用肢體接觸）
非強制性（路過即可，甚至無察覺）
可並發性（可同時進行多個人臉的分揀、判斷及識別）

但人臉識別技術也有自己的無法規避的缺點：

人類臉部存在相似性，很難做到精準識別。
光線、化妝、整容等仍然會影響人臉整體識別結果。
人臉存在易變性，表情、年齡、角度等使人臉的外形很不穩定。

所以目前的情況是，人臉識別技術將在相當長的一段時間內與多種生物識別技術一起使用（指紋、虹膜識別），取長補短。

三、人臉識別技術沒什麼用，畫個妝整個容就識別不了？

」人臉識別「技術誠然存在無法繞過的坑，但不能就此全盤否定其價值，在實際的應用中可以結合客戶需求，根據應用場景尋求合適的閾值。設定的閾值越高，認假率越低，拒真率越高，一般會通過人臉比對的相似度得到roc曲線，找到拒真率和認假率的交叉點即為最理想的閾值。

比如券商在線開戶驗證的場景中，我們可以把人臉比對的閾值調高，這樣雖然會導致」拒真率「上升，甚至本人也可能多次被拒。但在測試環境中，仍然可以節省大約超過50%的工作量，這就節約了大量時間和人力成本。企業只需將剩下50%部分的工作量交給人工客服來完成。

以上，歡迎討論，想到再補充。

很多非業內人士都以為搞人臉識別演算法的工程師和科學家是在「教計算機識別人臉」。

實際上我們乾的活是「教計算機如何自己學習識別人臉」。

類似的，AlphaGo的設計者也不是在「教計算機下圍棋」，而是在「教計算機如何自學下圍棋」。（這點和國際象棋不同，深藍的設計者的的確確就是在「教計算機下國際象棋」。）

——所以AI在很多領域超越了人類，並不僅僅因為計算機在速度方面的優勢，而是因為我們教它的是「自學」的方法，然後它通過自學，達到了比設計者更高的水平。

有一個問題我被無數人問過，每次都很尷尬，不知道怎麼回答。

「你們是通過多少個點識別人臉的？某公司的演算法說它們通過126個點，另外一個公司他們說通過180個點」。

現在的演算法會通過若干關鍵點做alignment，然後抽個特徵。我們真的不是靠多少個點的位置來識別的。

====================================

「親，你的四白穴和我一個朋友很像」。

謝 @天行健邀～(￣▽￣～)~

人臉識別是個大坑

舉個栗子，那些在公開數據集刷到99.xx%其實很脆弱的，拿下眼鏡就不認識我了，把劉海擼到後面弄個騷氣的油頭也認不出來了。。。（當然可以增加各種樣本來緩解這種問題，但是這種解決問題的方式總感覺不夠優雅，有點哪疼醫哪的感覺）

光識別還不行，活體檢測也很重要，這個也是個大坑。。。

說到底，現在的弱人工智慧還比較弱雞，離強人工智慧還遠著。。。

好像有點答非所問，算了，就這樣吧T_T

個人認為計算機視覺雖然被炒的火熱，其實是個大坑，而人臉識別則是坑中之王。

指紋識別出來很久了吧，按理說每個人的指紋都是唯一且單一的，識別準確度理論上可以達到100%吧，可是你見過哪個場景關鍵的系統用指紋識別嗎？為什麼用不了？容易被人假冒啊！人臉識別也一樣，面對的問題不是我整了容系統認不出我怎麼辦，而是我可以整容成馬雲爸爸就可以利用馬雲爸爸的身份了啊。所以你說做個facebook、snapchat、Tinder一樣的App用點兒人臉識別當娛樂可以，你說在支付寶里用人臉識別登錄那我認為就是純扯了，（螞蟻金服貌似正在干這個事情，還有什麼空付，簡直是扯中之王，最近又公布了個如影計劃，馬雲我看你繼續扯，一般做的出來的黑科技項目大家巴不得都是藏的越深越好，等產品定型再公佈於世，只有你這個馬大忽悠的公司是小視頻小廣告走在產品的前列）。

計算機視覺技術只有在完全受控的環境和條件下（包括光照，有足夠的識別對象的訓練樣本等等）才能保證一定的準確性，如此還達不到100%的準確性。人臉識別作為計算機視覺的一個門類完全受此限制。在這種情況下我認為企業用人臉識別做門禁系統是可行的，因為只需要一名保安人員的人工監督就可以防範試圖愚弄人臉識別系統的行為。而用於金融領域是有很大風險的，包括刷臉支付、刷臉登錄支付寶等等，這時候沒有人的干涉，人們可以做任何愚弄系統的嘗試。

總體而言，不看好一切和人臉識別相關的創業和企業項目。在國際領域基本看不到和人臉識別相關的項目和產品，在這條路上國內是走在了世界前列而且看樣子還要繼續走下去。如果非要給人臉識別技術找個應用場景的話，推薦是在受控的環境下，比如你要識別的人是已知的，而不是天安門廣場上的小偷，也不要把你的攝像頭按在光線變化大的地方，比如天安門廣場，另外有多少人工就有多少智能，所以最好給你的系統輔以人的監督。

再次，人工智慧現在被資本炒的火熱，因為O2O、共享的那撥熱潮已經過去了，資本需要新的方向，但很多投資也可能會像很多AR/VR項目一樣打了水漂。其實人工智慧還是許多年前的那個人工智慧，只是因為GPU等硬體的升級，輔以並行計算的發展，神經網路變成了深度學習而已。計算機就是用於計算的機器，人工智慧就像英文原詞里的artificial（ adj. 人造的，人工的 | 人為的 | 〔行為〕虛假的，不真摯的，矯揉造作的〔含貶義〕）一樣，就是artificial的。計算機想要有我們期待的真正的智能，得等生物學上有關於人腦運作的重大突破才行。

一個是分不清檢測和識別，另一個是理解不了保持識別精度的難度隨著人臉庫中臉個數增大而遞增。

還有客戶會說，能不能利用我的老監控，覆蓋範圍越大越好，最好識別30m開外的人臉。您這人臉說大了也就30乘30，臣妾實在做不到呀

不要再聽這個公司那個創業團隊人臉演算法如何如何，分分鐘我讓他的演算法打他自己的臉

Hello，大家好，我是BAT八卦小編，逛到了這個題目，小編也想發表一下看法。

1、別人會用我的視頻刷臉支付嗎？

A：哪有這麼容易！在2017年315晚會曝光了這個事情之後，百度深度學習實驗室林元慶就在百度公司利用人臉識別門閘機進行親身驗證，結果顯示，通過手機錄一段視頻，一個照片是過不去的，只有真人可以快速通過。

（圖片來自 www.ysslc.com ）

2、化妝、美瞳沒有影響？

A：化妝有一些影響，但是淡妝還是OK的，至於美瞳，確實會有一些影響。

3、角度、表情、光線會非常影響識別的準確率？

據百度微信文章《如果刷臉就能支付，那整容算不算改密碼》裡面提到的，在百度的演算法里，+-45度都能比較好的定位和識別，但是超過45度識別難度就提高很多，表情會有一定的影響，但不是特別大，光線也一樣。

4、人臉識別技術只是檢測眼耳口鼻嗎？

人臉關鍵點定位是指在人臉檢測基礎上，定位出人臉局部器官的詳細位置，即標記出眉毛、眼睛、鼻子、嘴巴，甚至輪廓的具體位置。人臉關鍵點定位準確性對人臉識別、人臉跟蹤、人臉屬性分析、人臉3D建模等應用都至關重要。

（圖片Via Facebook#x27;s facial recognition software is now as accurate as the human brain, but what now?）

我是BAT八卦小編，想了解各種互聯網資訊，歡迎撩我~關注我，開撩~~~

認為人臉檢測和識別是一件事，認為很成熟，認為隨便什麼設備都可以運行，而且都是實時結果。

人臉識別非常簡單，就是一拍一比，（用下開源演算法妥妥的）。

但實質上人臉識別涉及到很多流程，典型的入門簡單，做好難，以下是一些簡化的環節，在演算法上還有更多細分環節。

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出人像並將人像從背景中分離出來，並自動地將其保存。人像跟蹤是指利用人像捕獲技術，當指定的人像在攝像頭拍攝的範圍內移動時自動地對其進行跟蹤。

人臉識別比對

人臉識別分核實式和搜索式二種比對模式。核實式是對指將捕獲得到的人像或是指定的人像與資料庫中已登記的某一對像作比對核實確定其是否為同一人。搜索式的比對是指，從資料庫中已登記的所有人像中搜索查找是否有指定的人像存在。

人臉的建模與檢索

可以將登記入庫的人像數據進行建模提取人臉的特徵，並將其生成人臉模板（人臉特徵文件）保存到資料庫中。在進行人臉搜索時（搜索式），將指定的人像進行建模，再將其與資料庫中的所有人的模板相比對識別，最終將根據所比對的相似值列出最相似的人員列表。

活體檢測

系統可以識別得出攝像頭前的人是一個真正的人還是一幅照片。以此杜絕使用者用照片作假。此項技術需要使用者作臉部表情的配合動作。

圖像質量檢測

圖像質量的好壞直接影響到識別的效果，圖像質量的檢測功能能對即將進行比對的照片進行圖像質量評估，並給出相應的建議值來輔助識別。

我做的識別項目用在室外

=================

摘下眼鏡不認了？

眼鏡反日光不認了？

眼鏡反月光不認了？

我只是帶了個美瞳

我燙髮了

頭髮擋眉毛了

今天陰天

今天烈日當空

你是誰，你怎麼進來的？？？

請那些99.9999%的平台幫我把上面的問題解決了吧

其實。。。。好多人化了妝之後。。。別說機器了。。我也認不出來。。。

1.誤以為人臉識別很牛逼了，很成熟了，學術界人臉相關的論文這麼多，應該基本該解決的問題都解決了吧。nonono。學術界做的人臉識別都只是秀個demo而已，根本不能用在實際場景中。隨便甩個年齡相差好幾歲的1:1的鍋，可能某些lab的demo就接不住了。學術界做人臉僅僅是提供你一個很好的應用到其他領域思路而已，真正實際中解決特定問題，data driven才是王道，自動去學習到樣本的variance。遠比學術界方法來的有效。
2.誤以為能夠在十幾萬人下面搜索就是實用了。nonono。能夠在十幾萬人下面1:n，但是準確率低的嚇人。能夠做到1:n的高準確率的公司就那麼屈指可數幾家。
3.誤以為人臉識別很簡單，naive。nonono。各種trick，各種multi-patch，各種metric learning，各種collect data，各種場景，各種data augmentation，各種各種。
4.誤以為監控攝像頭可以抓拍到你的隱私，誤以為利用攝像頭人臉識別抓拍到犯罪分子很牛逼。nonono。人家拿個小的犯罪分子的資料庫，去做rank-n的搜索，很多都可以做好。而且運氣成分很大。
5. 還有很多慢慢補充。

人臉識別任重道遠，砥礪前行。

為什麼這個人這麼明顯都沒識別出來，另一個人那麼模糊都識別出來了？

人臉識別和人臉認證已經逐漸滲透到日常生活中。

5月份，支付寶官方就已經公開證實可以「刷臉支付」了。隨後，部分肯德基店鋪已經支持「微笑支付」了。而在金融領域，招商，建設，農業銀行的ATM已經支持「刷臉取款」。在校園內，北京師範大學一棟女生宿舍上線了「人臉識別系統」。

臉，已經有了機器識別屬性的功能。作為人工智慧領域的一個分類，人臉識別技術正在以強大驚人的學習能力和演算法賦予人獨一無二屬性特徵。

人臉識別是生物識別中的一類；人，作為一個生物體，擁有難以想像的豐富特徵，而基於海量數據和學習能力，機器的識別能力也越來越精確。

人臉識別主要分為兩種：

一：1:1人臉驗證，將人臉圖像與資料庫中存儲圖像進行比對；

二：N:1比對，在N張圖片中搜索最符合條件的那一幅圖片。難點在於，個人隨著時間變化，容顏將會發生變化。目前來說，唯一解決的方法便是更新資料庫。前段時間iphoneX上市，有人調侃如果卸妝後或者在複雜環境下蘋果機是否還能正常使用。

在國內，人工智慧行業被炒作的越來越火，以BAT為代表的互聯網企業紛紛砸重金在人臉識別技術上。

比如，百度內部使用人臉匝機，與首都機場合作，未來將實現刷臉登機；阿里巴巴集團中，阿里媽媽採用人臉識別演算法排查部分商家違反冒用明星圖像代言爭取流量的做法。騰訊下轄的金融業務—財付通採用人像識別技術保證交易安全；

人臉識別技術體驗好，耗時短的優點，還在刑事偵查方面有不可小覷的作用，比如公眾安全領域的防爆治安作用。

不過，關於如何保護用戶隱私的話題不得不提上日程進行討論了。從人臉識別技術面世以來，便有人提出質疑。

人性是可怕的，定會有人通過模擬面具以及照片進行欺騙。

人臉識別技術技術點在於人臉檢測，關鍵點定位和活體識別，跟蹤。而在未來，識別的將不僅僅是人臉，甚至你的性取向都能通過機器推演出來。

所以在不久的將來，人的秘密和隱私均能被機器看透。而涉及人類隱私的數據存儲在機器中如何做到絕對的安全呢？

萬一化妝之後發現識別不出來那該多尷尬。。。

哈哈，這篇文章說的真好，我們目前就在反覆調整闕值，原來理論也是有基礎的！

目前的手機軟體上人臉識別技術尚不成熟，你可以看看2017.3.15晚會上的測試。

http://weixin.qq.com/r/Pz8YANrEuYfGrZ5j92ot (二維碼自動識別)