每個人都會用到人臉識別
2016年被被譽為人工智能元年，從人臉識別、語音識別的應用，到如火如荼的圍棋人機大戰，人工智能正以銳不可當之勢進入人類社會，在2017年裏進壹步滲透進我們生活的方方面面，讓每壹個都成為人工智能化時代的受益者。?
圖片來源網絡?
隨著去年北京地區火車站人臉識別系統的普及，今年5月，南京南站也完成了壹個月的人臉識別進站系統測試。不僅是這種場合的身份核驗，從部分手機app的照相功能、登錄功能，到巴黎ESG商學院即將采用的Nestor教學系統（通過人工智能和面部識別技術來判斷學生上課時註意力集中情況）。?
人臉識別技術已然成為我們生活中的壹部分，那麽這種技術到底是如何運作的呢？下面我們就來了解壹下。?
人臉識別到底是什麽？?
人臉識別，是視覺模式識別的壹個細分問題，也大概是最難解決的壹個問題。?
其實我們人每時每刻都在進行視覺模式識別，我們通過眼睛獲得視覺信息，這些信息經過大腦的處理被識別為有意義的概念。於是我們知道了放在我們面前的是水杯、書本，還是什麽別的東西。?
我們也無時無刻不在進行人臉識別，我們每天生活中遇到無數的人，從中認出那些熟人，和他們打招呼，打交道，忽略其他的陌生人。甚至躲開那些我們欠了錢還暫時還不上的人。?
然而這項看似簡單的任務，對機器來說卻並不那麽容易實現。?
對計算機來講，壹幅圖像信息，無論是靜態的圖片，還是動態視頻中的壹幀，都是壹個由眾多像素點組成的矩陣。比如壹個1080p的數字圖像，是壹個由1980*1080個像素點組成矩陣，每個像素點，如果是8bit的rgb格式，則是3個取值在0-255的數。?
圖片來源網絡?
機器需要在這些數據中，找出某壹部分數據代表了何種概念：哪壹部分數據是水杯，哪壹部分是書本，哪壹部分是人臉，這是視覺模式識別中的粗分類問題。?
而人臉識別，需要在所有機器認為是人臉的那部分數據中，區分這個人臉屬於誰，這是個細分類問題。?
人臉可以分為多少類呢？?
取決與所處理問題的人臉庫大小，人臉庫中有多少目標人臉，就需要機器進行相應數量的細分類。如果想要機器認出每個他看到的人，則這世界上有多少人，人臉就可以分為多少類，而這些類別之間的區別是非常細微的。?
由此可見人臉識別問題的難度。遑論這件本就龐大復雜的工程還要受到光照，角度，人臉部的裝飾物等各種因素的影響。這也不難解釋為什麽人臉識別技術目前還沒有大量應用在日常生活中，譬如本文的導引所提的壹些應用也都還處於初級的試運營階段。?
人臉檢測與人臉識別?
完成人臉識別的工作，要經過幾個步驟。?
人臉粗識別示意圖（來源網絡）?
首先計算機需要在圖像或視頻中找到人臉的位置，這部分工作壹般叫做人臉檢測。如前所述，這是壹種粗分類，具體到人臉檢測中，實際上是二分類，計算機只需要判斷目標圖像是或者不是人臉。?
但由於並不能事先確定人臉的大小和位置，計算機需要以每個可能的人臉大小對全圖進行掃描，逐個判斷子窗口所截取的圖像是否為人臉。而每次掃描過程，子窗口移動的步長可能是幾個像素。?
所以我們可以大致想象下，作壹張圖的人臉檢測，計算機需要作多少次二分類判斷。?
1v1人臉驗證與1vＮ人臉查找?
如果我們使用門卡，計算機可以通過門卡在後臺中獲取門卡所有者的人臉樣本，將其與當前使用門卡人的人臉圖像進行對比，以確認當前使用門卡的人與門卡的所有者是否匹配，如此可以避免撿到妳門卡的人輕松混入公司。?
這是壹種1v1的身份驗證，計算機對當前人臉和庫存人臉進行壹次比對，是對其他驗證方式的壹種輔助，從而提高身份驗證的可靠性。這種應用目前已經大量使用，比如敏感設施的準入，互聯網金融領域的遠程開戶及大額提取的身份驗證等。?
圖片來源網絡?
至於我們在無數科幻影片中看到的諸如FBI可以聯機查找壹個保存了所有通緝犯數據的人臉庫，每次他遇到壹個人，都會先獲取該人的人臉信息，用所獲得信息去通緝犯數據庫中去逐個比對，如果發現匹配度足夠高的，就當場抓捕。?
這是壹種1vN的人臉查找。每次人臉識別，計算機要作n次人臉比對，n為待識別庫中的人臉模板數。?
如果要求計算機只憑借人臉識別出壹個人的身份，這實際上也是壹種1vN的人臉查找，其目標人臉庫是壹個由n個人臉組成的“熟人庫”，隨著n的增大，準確識別的難度也會增大，壹次識別所需要的計算時間也會增加。我們可以考慮壹下，壹個普通人能對多少個人臉進行準確識別？大概也就在幾十個這個數量級上吧。而目前最好的人臉識別技術實際上已經超過了這個水平。?
可見，人臉識別其實是壹項十分龐大復雜的技術，普及較慢在所難免，我們前文提到的火車進站人臉識別系統，目前還會因車票二維碼模糊、乘客戴眼鏡或化妝等問題無法識別，因此還在改進之中。不過，現在的刷臉考勤、刷臉支付等都是這項技術的應用，我們也希望在人工智能化大時代中，能有越來越多這樣的便捷化個性化技術造福人類。? ?