根据前瞻产业研究院对对人脸识别市场的预估，到2022年，中国人脸识别市场规模将超过66亿元
关于人脸识别各种碎片式的报道，也层出不穷，但是鲜有文章能系统性的，从应用的角度出发来深入讲解人脸识别。
智趣云识客作为专注于场景识别的AI服务商，我们将从技术应用与商业模式两个维度，力求让读者，尤其是考虑AI+应用的从业者，看到全貌。
本篇，我们先来讲人脸识别的技术应用。
1 基础层算法
我们可能断断续续听说过人脸检测、人脸识别等算法，但这些算法之间是否有联系，是否有体系？答案的是“有的”。
我们可以将人脸识别算法分为基础层算法与应用层算法。
基础层算法，相当于人脸的预处理。一张人脸，首先要经过人脸检测、特征关键点处理，质量模型过滤之后，才能到应用层算法做处理，并应用到实际场景中。
基础层算法的优劣，很大程度上会影响最终的人脸识别准确率和效果。
| 技术 | 定义 | 作用 | 原理 |
|---|---|---|---|
| 人脸检测 | 将一张照片或一段视频流中的人脸检测出来，并输出人脸矩阵坐标 | 用于截取人脸，用于后续的人脸比对、人脸搜索等算法。 | 二分类模型，通过深度学习训练样本是否是人脸 |
| 特征关键点 | 检测到人脸后，将人脸的特征点标记出来，每个特征点都有属性，能表示是脸部位置 | 1 人脸摆正对齐：实际场景中，抓取的人脸一般不是正方向的，需要摆正后再进行人脸比对、搜索等 2 人脸处理：互娱应用中的贴纸等人脸特效，需要检测到人脸特征关键后，在对关键部位进行针对性处理 |
将人脸照片的关键点都做上标记，通过深度学习、分类模型，让算法能检测到特征点并识别特征点的属性。 |
| 质量模型 | 对人脸照片的角度、光照、模糊度等进行评估，让符合要求的照片进行到下一步人脸识别 | 1 适应不同业务中对照片的需求，比如有些场景，需要口罩能识别(医院)，而有些场景则不能 2 提升人脸比对、人脸搜索等后续人脸识别的准确率 |
回归模型，对每张照片标记模糊、光照、遮挡的分值，进行监督训练后，输入照片即可输出对应的质量分值。 |
2 应用层算法
目前，人脸识别在身份认证领域与互娱领域应用最为广泛；在智能交互，数据分析处理等方向上，人脸识别也在进行着积极探索。
身份认证/安防的核心功能在于确认“你是谁”，互娱领域的核心在于“人脸特效处理”；两个领域，两条赛道，分别拥有各自不同的产业链。
身份认证犹如一位思维严谨的工程师，狠抓识别准确率，防攻击等指标，并结合应用落地场景，串联业务流程，也是当下AI结合产业互联网的典型。
互娱领域就像一位钻研人性的产品经理，打造各种人脸特效，美颜、贴纸等都不在话下，并结合平台用户偏好，使用针对性的人脸特效策略，引领甚至塑造人们的审美潮流。
2.1 你是谁？无介质证明身份
日常生活中，原来我们都是需要通过介质(身份证、工牌、驾驶证等)来证明身份，而以人脸识别为代表的生物识别，则无需介质。
身份认证/安防的核心技术在于活体检测、人脸比对、人脸搜索；主要用于：线上远程认证场景(金融开户、刷脸注册、刷脸登录等)、线下无人值守场景(智慧交通、人脸门禁、刷脸取款、刷脸支付等)。
活体检测是身份认证的第一步，因为首先我要确认这个人是真人，而不是视频、照片、面具等欺诈盗用行为。
活体检测的技术上，目前也主要有两大类：对硬件依赖度比较低的，如动作活体，静默活体；对硬件有一定要求，需要和硬件适配的，比如双目活体、3D结构光活体等。虽然后者的成本比前者高，但是防攻击效果更好，而在线下场景中，天然的需要硬件，因而后者也成为线下场景的最好选择。
原理上，都是采集人脸照片，并将照片做上标记(真/假样本)，并送到模型中训练从而得出算法。不同的活体检测，因为样本源不一样，比如红外摄像头采集的照片，带有灰度特征；3D结构光采集的照片带有深度信息，导致识别效果也不同。所以，活体检测的关键，除了算法、模型构造，还有一个就是图片样本本身所带有的信息量。
2.1 你是谁？无介质证明身份
日常生活中，原来我们都是需要通过介质(身份证、工牌、驾驶证等)来证明身份，而以人脸识别为代表的生物识别，则无需介质。
身份认证/安防的核心技术在于活体检测、人脸比对、人脸搜索；主要用于：线上远程认证场景(金融开户、刷脸注册、刷脸登录等)、线下无人值守场景(智慧交通、人脸门禁、刷脸取款、刷脸支付等)。
- 活体检测
是身份认证的第一步，因为首先我要确认这个人是真人，而不是视频、照片、面具等欺诈盗用行为。
活体检测的技术上，目前也主要有两大类：对硬件依赖度比较低的，如动作活体，静默活体；对硬件有一定要求，需要和硬件适配的，比如双目活体、3D结构光活体等。虽然后者的成本比前者高，但是防攻击效果更好，而在线下场景中，天然的需要硬件，因而后者也成为线下场景的最好选择。
原理上，都是采集人脸照片，并将照片做上标记(真/假样本)，并送到模型中训练从而得出算法。不同的活体检测，因为样本源不一样，比如红外摄像头采集的照片，带有灰度特征；3D结构光采集的照片带有深度信息，导致识别效果也不同。所以，活体检测的关键，除了算法、模型构造，还有一个就是图片样本本身所带有的信息量。
- 人脸比对
是将两张人脸照片进行比对，得出相似度；第一张是现场采集的，第二张该如何得来？一般有两个来源：
1 另外一个能代表你身份的载体，比如身份证、行驶证、驾驶证等证件照，这类场景用来做金融开户、人脸注册、网约车司机认证等场景，通过现场采集照比对你的证件照信息，确认你就是本人。
2 账号下已经绑定的人脸：一般需要先输入账号，获取对应人脸。这类场景的典型应用是取代原来的密码功能，比如刷脸登录、刷脸支付等。
人脸搜索，是将采集到的人脸，和底库中的人脸全部进行比对，得出相似度最高的几张人脸底库照，并得出相似度，超过一定阈值，则可以认为是同一人。
人脸搜索，无需事先得到人脸照，只需要刷脸即可，在线下门禁等安防领域，线下刷脸支付等应用广泛。当然，不同的业务领域中，根据误识的后果，对人脸搜索的容错性也不一样；比如在工地人脸识别中的容错率，就要比在刷脸支付中的容错率要低。
需要说明的是，人脸搜索的准确率，是要结合人脸底库中人脸照片的数量来的，底库中人脸照片越多，识别准确率越低。这个和人一样，在2~3个人中，找出你曾经认识的人，比较容易；但是上百万个人，则长相相似的人也越多，辨识更困难。目前业界做的好的一般是百万级别的人脸库，识别准确率在95%以上
2.2 从工具到社交，娱乐至上
互娱应用，也深深契合着行业发展。
起初随着智能手机兴起，人们的自拍分享需求渐渐旺盛，美颜滤镜，作为与手机硬件深度结合的产品，见证着人们变美的时代，此时，算法主要由第三方算法公司提供。
随着4G时代带来，短视频社交成为人们生活热点，美颜滤镜、贴纸也应用于各大互娱平台中，并成为不可分割的一部分；对于短视频内容生产者来说，甚至已成为核心竞争力。因此，诸如快手、抖音等平台，都以自研算法，并结合客户群画像，独自研发。
- 滤镜美颜
是图像美化中必不可少的步骤， 所谓滤镜，最初是指安装在相机镜头前过滤自然光的附加镜头，用来实现调色和添加效果。2008年，美图一炮而红，人们发现，原来滤镜还可以这么玩，自此，美颜滤镜开始了从工具到美学定义者的转变。
早起的传统算法，主要是先使用人脸特征关键点算法，勾画有效区域，然后在不同的区域进行亮度提升、去噪声等算法，实现美颜滤镜。
随着深度学习的兴起，研究人员们开始更关注结果，设计师将原图P成美化完成后的结果图，并用于训练。人们美颜后，究竟想变成什么样？研究重心也开始偏移。
- 贴纸，人脸融合
则是更高阶的玩法。核心还是人脸特征关键点，对于贴纸和人脸融合来说，关键点的数量越多越好，对齐的越准确。人脸融合，则是将两张人脸的关键点进行融合。
2.3 不断进取，跨越感知智能
人工智能承载了业界对于世界改造的期望，一定程度上说，属性识别、视线估计、gan等，从感知智能程度上往前更进了一步，但是因为技术不够成熟、商业应用领域狭窄等原因，至今未得到大规模商业应用。可以说，视觉AI想跨越到认知智能，AI与AI之间相互融合，依然还有很漫长的路要走
属性识别，年龄、性别，高兴、悲伤、愤怒等情绪，获取用户更多维的数据，丰富用户画像、个性化推荐、广告展示等等场景，听着很美好，对不对？毕竟在数据为王的时代，数据就是价值。但是，商用化还是存在技术硬伤，识别准确率也就70%左右。
近日，美国等5名专家，耗时两年，查阅1000多项研究，在论文《再论人类情感表达：从人类面部表情辨别情绪的方法论面临的挑战》（论文原名为：《Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements》）中表示：人类情绪的表达方式及其丰富复杂，很难靠简单的面部表情识别，人们生气时，在平均不到30%的时间里他们会皱眉，故皱眉不等于愤怒，皱眉知识“愤怒”的众多表达方式之一。同时，表情和语言、情境的相关关系也非常大。
视线估计，和人脸特征关键点比较像，检测完人脸之后，再检测人眼以及眼球，并锁定眼球中心等关键点位置，根据坐标来锁定视线方向。主要应用于课堂上，评估学生注意力；AR VR等新型硬件交互，通过视线方向，自动切换视频中的位置等；广告投放，评估行人对广告的注意力；目前而言，市场体系还是比较小，未得到大规模应用
gan，全称为生成对抗网络，初衷是生成不存在于真实世界中的数据，使得AI具有创造力或者想象力，也是目前AI领域一个比较热门的研究方向。
gan的核心网络分为生成器与判别器；生成器负责凭空捏造数据，判别器负责判断数据是否是真数据；两个核心网络相互博弈，直至动态平衡，让生成的数据无限逼真与真实数据。
如图，随机噪声就是随机生成的一些数，也就是gan生成图像的源头。
生成器根据一串随机数生成一个假图像，并用这些假图去欺骗判别器
而判别器通过真图和假图的数据(相当于天然的label)，进行一个二分类神经网络训练，并判别输入的是真图还是假图，给出一个分值。
举个例子，真图是一系列的人脸照。起初，生成器生成的的照片，肯定是乱七八糟的，但是判别器会去判断打分，告诉生成器，你生成的不是真图(人脸照)，于是生成器根据深度学习，反向传播等，不断去修改自己的图片，然后，生成的图片会越来越趋近于真实人脸，直至动态平衡。
gan受到关注，很多原因，比如：
1 本身是无监督的。目前人工智能的绝大部分能够商业应用算法都是监督算法，所谓监督算法，就是需要海量的样本，并进行人工标注，人为去告诉深度学习网络是是否正确，并传播训练，所以行业也有“有多少人工，就有多少智能”的调侃。
2 让AI具备想象力，比如将模糊图变清晰(去雨、去雾、去抖动、去马赛克等)，能脑补情节
很多paper都在研究gan的发展前景。
3 写在最后
任何技术，也都遵循着从技术发展—>技术成熟—>商业落地的发展规律
技术的池子不断创新，同时商业也从技术池中，探索合适的技术，改造世界；
人脸识别作为一项复合性技术，既拥有现在，同时也在不断开拓未来。虽然困难重重，但前景令人心动。