人脸识别系统的应用及面临的问题

    近年来已应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗等众多领域。自2012年后，人脸识别技术的应用呈现出了爆发式增长。目前，技术(算法)、设备与环境是人脸识别应用三个缺一不可的环节。

    在实验研究中，大部分算法都是基于LFW(labeledfacesinthewild)人脸库来测试识别率的。当前人脸识别技术面临的主要挑战在于：大姿态角(大于30度)、超低分辨率(人脸分辨率小于30像素)、大年龄跨度(5年以上)和深度学习人脸识别的广泛应用上。

1、受制于设备和环境的动态识别

    人脸识别总体上不成熟的三大应用：第一，在高可靠人脸验证系统上，如支付、社保和门禁，视频或3d模型存在欺骗问题，错误拒绝率(far)在小于0.01%的条件下，拒识率可能高达30%以上;

第二，安防用 “认证一致性”的验证系统在far小于0.01%时，拒识率可能高达40%以上，身份证卡内人脸图像质量差，常小于1kb，现场用户配合程度不高，且环境也呈现不可控因素;

第三，安防用黑名单监控类应用远未解决，在虚警率为0.01%时，识别率可能低于10%，视频质量差，表现出低分辨率、大角度拍摄、光照差的特点，而最大的障碍在于缺少可用的训练和测试数据。

研发了我国第一款带有生物特征的法定电子证件的公安部第一研究所副研究员宛根训则总结，视频动态人脸识别要在这些基础之上才能收到良好的效果：“采集设备为高清视频摄像机，光线和现场环境相对可控，通道人流方向相对单一，图像质量有较大改善。”

2、海量数据下如何更快

    人脸识别所用到的深度学习算法是一套模拟人脑的神经网络算法，通过收集的海量人脸照片，新型的神经网络算法可以通过大数据训练将图片信息变成能够被机器理解分析的结构化数据。
　　苏光大指出：“基于深度学习的人脸识别难度在于训练的计算复杂度高，计算机不擅长二维计算，大量耗时在深度学习上，这是要解决的问题。”
　　那么，在算法、硬件和环境都达到条件的情况下，如何才能实现海量数据下人脸识别的快速查询?
　　在所有条件都具备时，数据量小的人脸特征随着人员数量增长也会变成大数据。在达到接近甚至超过人脸识别准确率的前提下，每一张人脸可小于1kb。但是，北京博思廷科技有限公司总经理王巍对不同规模的人脸数据库做了计算：1000万人脸的数据量可达到10gb，3亿人脸的数据量就是300gb。大数据对应的当然就是低速度了，，，
　　而速度的下降意味着不能实时识别，这对人脸识别速度要求十分高的反恐、防暴等公安安全监测而言，不是一个好消息。
　　例如，公安机关发现一个可能为逃犯的嫌疑对象，需要查询某身份未知人员的确切身份时，对比几百万人的在逃人员身份信息库，就会面临很大压力。如果要查询的是一个无家可归人员的信息，则要对比户籍人脸数据库，而一个省份的户籍人脸可达到数千万人。
　　如果要查询某可疑人员此前在何处出现，比如地铁，每日客流量可达到1000万人/天，3亿人/月，而且每个人可能在多个位置被抓拍多次。这样下来，人脸识别的数据量简直不可想象。
　　王巍指出，针对一个大小为1000万的人脸库的查重，若采用暴力对比法查，需要对比50万亿次。“制约人脸识别查询速度的因素有两个，一是基于数学模型的对比方法，最简单直接的就是暴力对比，效率低、速度慢;二是受限于设备的处理速度。”王巍说。

他建议，使用两种方法提升对比效率，一是改变对比方法，尽量避免暴力查询，如根据人脸图像属性切割、归属成不同类别，采用二分法可以缩减查询范围;二是增加设备或者服务器，提高运算能力，或是采用分布式系统架构，并行查询提升效率。

原文链接