[導(dǎo)讀]多家技術(shù)公司針對(duì)金融行業(yè)人臉認(rèn)證這一需求持續(xù)改進(jìn)算法，隨著PK的不斷升級(jí)，人臉認(rèn)證圖像相對(duì)可控下的人臉識(shí)別性能不斷被刷新，固定識(shí)別通過(guò)率為90%，識(shí)別誤匹配率指標(biāo)被降低了好幾個(gè)數(shù)量級(jí)，此為深度學(xué)習(xí)技術(shù)在人臉識(shí)別領(lǐng)域的“碩果初嘗”。

人臉識(shí)別、圖像分類、語(yǔ)音識(shí)別是最早的深度學(xué)習(xí)取得突破的主要幾個(gè)技術(shù)方向。在2014年前后，多家技術(shù)公司紛紛宣布其利用深度學(xué)習(xí)在LFW上取得的最新成果，此為深度學(xué)習(xí)技術(shù)在人臉識(shí)別領(lǐng)域的“小試牛刀”。隨后，商湯、Face++等國(guó)內(nèi)的多家技術(shù)公司針對(duì)金融行業(yè)人臉認(rèn)證這一需求持續(xù)改進(jìn)算法，隨著PK的不斷升級(jí)，人臉認(rèn)證圖像相對(duì)可控下的人臉識(shí)別性能不斷被刷新，固定識(shí)別通過(guò)率為90%，識(shí)別誤匹配率指標(biāo)被降低了好幾個(gè)數(shù)量級(jí)，此為深度學(xué)習(xí)技術(shù)在人臉識(shí)別領(lǐng)域的“碩果初嘗”。類似的技術(shù)被用在了手機(jī)APP的人臉登錄、相冊(cè)管理等，這里不一一贅述。

而當(dāng)下，人臉識(shí)別的挑戰(zhàn)焦點(diǎn)重新回到了安防行業(yè)的應(yīng)用。人臉識(shí)別在安防行業(yè)的應(yīng)用無(wú)外乎如下幾種：

（1）1vs1身份確認(rèn)。如火車站、賓館等場(chǎng)合需要核實(shí)身份證與持證人員是否為同一個(gè)人，此類應(yīng)用與金融行業(yè)的身份認(rèn)證基本無(wú)異。

（2）1vsN實(shí)時(shí)比對(duì)報(bào)警。如在火車站、地鐵站、機(jī)場(chǎng)等重要節(jié)點(diǎn)設(shè)置人員通道，對(duì)在逃人員等進(jìn)行實(shí)時(shí)布控，一旦出現(xiàn)立即予以抓捕。又如商業(yè)應(yīng)用，通過(guò)實(shí)時(shí)比對(duì)進(jìn)店人員，發(fā)現(xiàn)VIP并提高服務(wù)質(zhì)量，此類應(yīng)用的需求最為強(qiáng)烈，而難度也最大，布控庫(kù)的規(guī)模直接決定了系統(tǒng)是否可用、好用，下文將專門進(jìn)行分析。

（3）靜態(tài)庫(kù)或身份庫(kù)的檢索。如對(duì)常住人口、暫住人口的人臉圖片進(jìn)行預(yù)先建庫(kù)，通過(guò)輸入各種渠道采集的人臉圖片，能夠進(jìn)行比對(duì)和按照相似度排序，進(jìn)而獲悉輸入人員的身份或者其他關(guān)聯(lián)信息，此類應(yīng)用存在兩種擴(kuò)展形式，單一身份庫(kù)自動(dòng)批量比對(duì)并發(fā)現(xiàn)疑似的一個(gè)人員具有兩個(gè)或以上身份信息的靜態(tài)庫(kù)查重，兩個(gè)身份庫(kù)之間自動(dòng)交叉比對(duì)發(fā)現(xiàn)交集數(shù)據(jù)的靜態(tài)庫(kù)碰撞。

（4）動(dòng)態(tài)庫(kù)或抓拍庫(kù)的檢索。對(duì)持續(xù)采集的各攝像頭點(diǎn)位的抓拍圖片建庫(kù)，通過(guò)輸入一張指定人員的人臉圖片，獲得其在指定時(shí)間范圍和指定攝像頭點(diǎn)位出現(xiàn)的所有抓拍記錄，方便快速瀏覽，當(dāng)攝像頭點(diǎn)位關(guān)聯(lián)GIS系統(tǒng)，則可以進(jìn)一步的按照時(shí)間順序排列檢索得到的抓拍記錄，并繪制到GIS上，得到人員運(yùn)動(dòng)的軌跡。

應(yīng)用（3）和（4）通常情況下是有操作人員進(jìn)行交互的，交互操作人的介入一定程度上提升了系統(tǒng)對(duì)算法絕對(duì)準(zhǔn)確的依賴，當(dāng)前已經(jīng)取得較好的應(yīng)用效果，并為公安行業(yè)的各項(xiàng)工作起到輔助作用。

以目前人臉識(shí)別中比較常見(jiàn)的應(yīng)用1vs1身份確認(rèn)為例，應(yīng)用深度學(xué)習(xí)以后，正確率不斷提升，甚至已經(jīng)超過(guò)人類的識(shí)別正確率（97.5%）。圖1給出了深度學(xué)習(xí)算法在LFW上的性能提升。可以看到，最近幾年，隨著深度學(xué)習(xí)在人臉識(shí)別中的研究越來(lái)越深入，香港中文大學(xué)的DeepID系列和google的FaceNet不斷刷新著LFW正確率。但另一方面，在這個(gè)測(cè)試集上，各家算法的性能差距并沒(méi)有拉開(kāi)。這是因?yàn)長(zhǎng)FW的注冊(cè)集和測(cè)試集規(guī)模都較小，而且圖片質(zhì)量較好，相對(duì)比較受控。而在安防行業(yè)中，隨著數(shù)據(jù)規(guī)模的增加以及場(chǎng)景越來(lái)越復(fù)雜，算法性能帶來(lái)的差異會(huì)更大。例如，最近華盛頓大學(xué)公開(kāi)了MegaFace測(cè)試集，包括690572個(gè)唯一ID和100萬(wàn)人臉圖片。在這個(gè)測(cè)試集上，LBP只有2.3%的正確率，聯(lián)合貝葉斯只有3.02%，而FaceNet則達(dá)到了70%以上。這一結(jié)果也說(shuō)明了即使是目前最先進(jìn)的人臉識(shí)別算法，在實(shí)際應(yīng)用時(shí)，性能也還是不能令人滿意。