人脸识别有多牛？AIFR 技术分分钟让你变“明星”

近日，经常被类似“你最像哪位明星？”、“预测你未来的样子”、“看看你们的年龄差？”…..这样的一些基于脸部比对的照片刷屏。

图[1]

如图[1]是 “你最像哪位明星？”小应用制作出来的对比照，看到这个对比过程，你肯定比较好奇这背后用到了哪些技术，能想到的就是人脸识别、美颜。但具体细节就……下面是专业人士给出的正确姿势，给同样感兴趣的小伙伴们答疑解惑！

人脸识别技术的基本流程

当下，人脸识别技术的细节多到数不清，工程技巧也是多种多样，但基本流程已成定式：当输入某张人物照，利用人脸检测技术找到人脸位置，在这基础之上对关键点，如眼睛、嘴巴等定位，之后经过一些几何、光学手段的校正等，提取人脸特征，进而做到人脸识别。

各个公司间的差异在于关键提取的数量相，从几个点到近百点、以及各个环节在细节上的一些追求。

“你最像哪位明星？”这张图，图一到图二，用到的是人脸检测技术，基于一些算法，把人脸定位提取，也涉及到一小部分关键点的检测技术。这个过程中，如何识别出照片，在不同年龄段的面部图像是值得考究的点。

人脸识别中的年龄不变在学术界被称为 age-invariant face recognition(AIFR)，AIFR 技术能够识别出同对象同龄段的脸部图像。

无视年龄变化，AIFR技术的应用

面部特征随着年龄的增长产生变化

人的面部特征随着年龄的增长会产生非常明显的变化。从图形学的角度来看，这种变化可以分为轮廓变化和纹理变化。

轮廓变化，指五官和脸型的空间位置和结构特征产生了变化。如婴儿的脸型普遍偏肥，轮廓平滑圆润；成年后，则发展成鹅蛋脸、国字脸和瓜子脸等更加丰富的脸型，五官也变得更为立体。

纹理变化，指人脸皮肤表面的肤质感产生了变化。婴儿皮肤圆润、细嫩、平滑，而成人皮肤则往往更加粗糙，多皱纹。

这些轮廓和纹理的变化，往往连人类自身也无法准确理解。今天得益于人工智能技术的发展，AIFR 技术已逐渐成熟。

AIFR技术的两大模型

目前，AIFR 技术方向繁杂，但总体上可分为生成模型和判别模型两种：

生成模型

生成模型的基本思想是假设人脸随年龄的变化过程具有一定规律，然后通过数学方法去求解变化规律本身。在洞悉规律后，算法即可通过某一年龄的面部特征，生成其他年龄的面部特征。

以图[1]为例，具体实现步骤为：

• 分别抽取人脸轮廓特征 S 和纹理特征 T

• 进行校正和均化

• 对面部特征分别建立数学模型并求解模型参数，获得生成模型

• 输入待预测人的面部特征

• 使用生成模型预测此人其他年龄的面部特征

• 将轮廓特征和纹理特征重新合并

• 与实际未来面部进行对比，即可知道是否为同一人或是相似的人

判别模型

判别模型与生成模型不同，判别类模型不寻求解决人脸的变化规律问题。判别模型假设有一部分人脸特征是不随年龄而产生变化的，使用这类年龄无关的特征去判断人脸的身份。

图[2]

图[2]显示了深度学习技术实现了非龄特征的抽取。

• 第一列是同一个人在不同年龄的照片 S1，S2，S3

• 通过卷积神经网络，系统使用固定的特征脸组合 S' 来代表原图

例如：

• 特征脸组合再进入如隐藏因子分析器后，只选择了最接近这张特征脸的组合。

例如：

可以看出，第三列人脸相似度已经非常高了。

刷脸时代来了：人脸识别技术的典型应用

除了上面提到的小应用，现在人脸识别的用途越来越广，各行各业都在尝试用人脸识别提升客户体验、优化服务水平，不过总结起来主要有两大类：人脸身份识别和人脸身份认证。

二者表面看起来比较接近，但它们的技术原理并不相同：人脸身份识别是从一堆人里识别出你是谁，人脸身份认证是确认你是不是本人。比较典型的应用如下：

人脸身份识别

• VIP人脸识别。这个应用可以自动在人群中捕捉 VIP 客户，并识别出其身份，同时可以语音欢迎并经后台通知相关工作人员；

• 人脸黑名单。这个应用可以在重点通道设置人脸黑名单，自动识别重点嫌疑人等，一旦发现即可自动报警。

人脸身份认证

• 金融行业。该领域的应用比较多，包括刷脸登录、远程人脸开户、自助人脸开卡等等，最早大规模应用人脸识别的是民生银行，在 2014 年初开始布局人脸识别平台，将人脸识别应用于营业厅、自助设备、柜台系统以及移动营销等。

  这些是做身份认证的辅助手段，以往无论是在何种应用场景，身份认证只有两种模式：人工比对身份证和本人，容易出现比对标准不一致的情况；只认证身份证，容易出现冒用、盗用他人身份证的问题。而人脸识别很好地解决了这些问题。

• 社保行业。比较典型的就是远程资格认证，以往为了证明参保人员的生存状态，需要工作人员实地进行资格认证，对于那些年龄大、出行不便和距离远的异地参保人员就特别不方便。

  而人脸识别可以通过远程进行人脸身份认证，不过为了防止照片作假，一般会加入活体检测的环节。

• 教育行业。主要是高考、成人考试、人事考试等，借助指纹识别、人脸识别等生物识别技术确认考生身份，可以确保人证合一，保证考试的公平性。

人脸识别仍存在安全隐患

人脸识别并不万能，技术的背后仍存在风险和漏洞，比如仿真头套、全息投影、人脸跟踪等的不断出现，单一的人脸识别技术存在很大的局限性，安全系数和科技成分并不成正比。

因此，在涉及隐私、支付等高级别安全场景使用时，一定注意将人脸与声纹、指纹、虹膜及其他生物认证信号相融合，而不是单一的采用人脸识别技术，这样安全的系数就会大大提升。

参考资料：
[1]Park U, Tong Y, Jain A K. Age-invariant face recognition[J]. IEEEtransactions on pattern analysis and machine intelligence, 2010, 32(5):947-954.
[2]Wen Y, Li Z, Qiao Y. Latent factor guided convolutional neural networks forage- invariant face recognition[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. 2016: 4893-4901.

作者：李季、王雪燕

编辑：陶家龙、孙淑娟

技术编辑：王雪燕，关注架构、算法，运维等技术领域，有投稿、寻求报道意向技术人请联络 [e-mail]

李季

CloudIn云英产品经理

澳大利亚 University of Wollongong 计算机系硕士，曾在计算机世界、长河网信等公司出任产品经理和运营经理，有 8 年产品经验，现就职于北京云英传奇技术有限公司任大数据产品经理。在深度学习和机器视觉领域主导过公安和网信办相关的多个项目，希望通过人工智能技术为社会创造更多价值。

精彩文章推荐：