人脸识别库的优化

以下内容摘自阿里技术的文章：《爆料！传阿里人靠脸吃饭，真相是…》

在人脸识别应用中，特征提取是否完整与充分，对比是否快速准确，与识别算法、终端软硬件以及人脸底库照片都有关系。所以，信息平台在做大型人员识别的优化时，主要从这三个方向入手：

1.终端优化
终端的优化分为硬件与软件。硬件上，主要针对摄像头采用宽动态技术，IPS优化，从捕捉画面前景与背景处理上达到清晰均衡的要求，解决逆光问题，让人脸识别更加快速有效。

软件上，主要对拍摄清晰度做管理和控制。一般来说，在捕捉到识别图像后，首先会对每帧图像进行数据监控与评估。在经过数据化打标之后，会给图像进行分类，来考察不同清晰度下的图像通过率。以及不同清晰度与角度下，图像的实际分布情况。这能有效管控识别速度与识别距离，确保整个识别过程的通行效率。

2.识别算法的优化
误识率是人脸识别的基础，所以在识别算法上，技术人员一是对误识进行控制；二是对相似度进行管理。因为受算法性能影响，随着人脸底库的增加，算法性能会逐步降低。如何在识别服务上进行优化，成为人脸识别的一大关键。

基于此，可以采用分组优化方法，通过特征细分人群，降低误识，提高通过率。分组优化首先需要考虑时间与空间因素。如果把一个区域空间圈得越小，未来一定时间内出现在该特定区域内的人也会越少。同时，时效越强，在该区域该时段出现的人脸也会越少，结合实际应用场景，通过业务规则与特点的判断，以及人脸识别算法的性能特性，就能更好确认合理的空间、时间以及人数的分组规模情况。

除了分组优化外，在面对不同肤色与人种的情况下，建立了不同种类的算法模型与底库。这样可以针对特定肤色人种的通行率和误识率，做针对性的优化。

3.人员底库照片的优化
很多时候，人脸识别不成功并不是现场摄像头或比对算法出了问题，而是底库照片的质量太差，导致无法进行人脸识别。除了让对方重新提供照片图像外，还可以通过算法进行大小脸检测、照片校正以及身份核实，来确认本人身份。

此外，算法还可以帮助底库照片进行自学习。通过人员照片序列的分析后，提取特征进行图片聚类分析，随后再通过图片质量分析后，对本人身份进行核实，进而完成底库照片的注册与特征提取。通过上述手段优化，在人脸识别通过率保持不变的情况下，误识率可以降到1‰。