人脸识别技术探讨：1:1,1：小N/大N，大姿态识别，活体识别

人脸识别是一种基于人的脸部特征信息进行身份认证的生物特征识别技术。

静态人脸识别是在特定的区域或者范围内来采集人脸照片并进行识别，如当前常见的门禁考勤应用。又或者是输入一张照片到人脸识别系统，如Facebook应用中采集用户的标签照片。又如警察输入照片并搜索数据库查看他/她是谁。在这两种情况下，我们都是输入一张照片来进行人脸识别。
静态人脸识别的工作流程包括检测人脸、人脸对齐、提取特征向量（我们在后文也会谈及），然后将提取的特征向量与数据库中的特征向量进行比较，以确定他/她是谁。
在动态人脸识别中，我们要识别身份的对象为摄像头中一组正在行进的人，或者是视频文件中一组正在行进的人。动态人脸识别的过程包括人脸检测、人脸跟踪、选择最佳可用的人脸，人脸对齐，提取每个人脸的特征向量，并将特征向量与数据库中的特征向量进行比较。
1:1，1:N，小N，大N
身份核验是1:1。它通过对比输入的人脸特征向量与数据库中的人脸特征向量来解决你是不是你的问题。

身份识别是1:N。它是通过输入的人脸与数据库的N人脸进行比对，以解决他是谁的问题。

N越大，人脸识别会变得越困难。

当N很小时，比如50，我们可以使用一个相对简单的特征提取模型来提取特征向量。当N在10000级别时，我们需要相对复杂的特征提取模型。当N达到数百万甚至数十亿时，我们需要一个非常复杂的特征提取模型，它具有很高的识别能力。

当前，为了提升人脸识别的处理能力，当N小于20000时，我们可以在边缘设备上实现人脸特征向量的提取，这些硬件被称为边缘计算，如下即为一个边缘计算设备。

deepcam 7〃门禁平板可以在本地人脸识别，可存储/识别50000人。当N大于50000时，我们需要基于PC或云端进行人脸特征提取。这不仅仅是基于存储数据库的内存空间考虑，也是基于计算特征提取模型的计算资源要求。

大姿态

理想情况下，我们希望通过正面人脸完成人脸识别。人脸的外观在不同的角度有很大的不同，给人脸识别准确性带来挑战。即使是人眼有时也很难在人脸不同的角度下识别出同一个人。关于人脸大姿态的术语如下图所示。

我们可以看到，roll只是平面内的旋转。通过检测人脸关键点和旋转人脸，可以很容易地进行矫正。

对于人脸的其他大姿态，可以使用三维建模和三维定位关键点来重建正面人脸。
遮挡人脸识别
在人脸识别很多场景中，我们会遇到识别对象戴太阳镜或口罩的情况。这就需要更多的算法步骤来清除遮挡物，重建人脸。神目deepcam人脸识别算法在大姿态及遮挡人脸识别方面极具优势。如下图展示了通过deepcam的人脸识别技术，将戴或不戴口罩，甚至大姿态情况下的同一个人，准确进行了聚类。

抗欺骗及活体测试
在人脸识别各种应用中，我们需要采用防欺骗即活体检测技术，来防止来自照片或视频重播的攻击。当前人脸活体检测措施有不同的形式。一个传统的方式即需要用户眨眼、微笑或摇头等主动配合。这种方式既耗时，对用户也不够友好。还有一种活体检测方式被称为静默活体检测，也就是说，不需要用户移动头部来进行主动配合。在静默活体检测技术中，有一种成本比较高的方式就是增加一个结构化的深度摄像头，来感知摄像头前人脸的三维深度信息，以判断这是不是真人。还有一种方式为红外摄像机，基本上，它使用额外的波长来检验人脸是否为活体。近来，行业越来越偏向一种活体检测技术，即使用普通RGB相机来完成活体人脸识别。神目deepcam拥有领先的的基于RGB的活体检测技术，您甚至可以在神目开放人工智能平台免费获取https://ai.deepcam