佩特科技盘点人脸识别技术背后的那些常见误区

人脸识别近几年火热异常，但由于其技术门槛较高，一些新入门的开发者往往对人脸识别存在很多认知误区，如简单地认为识别率越高，算法越好等等，佩特科技今天就来给大家介绍下人脸识别技术常见的误区。

常见误区一：“人脸检测”就是“人脸识别”？

事实上，“人脸检测”只是人脸识别完整流程中的一个环节。在用摄像头采集含有人脸的图像或视频流后，首先就需要用人脸检测技术自动检测、提取当中的人脸，随后才能进入人脸图像预处理及最核心的人脸特征提取环节。但在实际商业化落地中，人脸检测也可独立于人脸识别进行使用。

误区二：人脸识别的准确率越高越好吗？

理想状态下，“人脸识别准确率”当然越高越好，但算法在产品化使用时会受到逆光、暗光、强光、识别角度等诸多因素的影响。相同算法，在实验室环境中与不同的实际应用环境中，所表现出的识别准确率都存在一定差异。因此，脱离使用场景单纯考量算法的识别准确率参考价值不大。

业界更多会采用“认假率(FAR，又称误识率，把某人误识为其他人)”和“拒真率(FRR拒真率，本人注册在底库中，但比对相似度达到不预定的值)”，来作为评判算法的依据。另外还有识别速度、活体攻击成功率、人脸检测成功率等维度，也可作为评判算法优劣的参考依据。

尽管FAR和FRR都越低越好，但两个指标是一个跷跷板，一个指标的降低会意味着另一个指标会升高，所以需要实现两者间的平衡。人脸识别算法一般会设定一个阈值作为评判通过与否的标准，该阈值一般是用分数或者百分比来衡量。当人脸比对的相似度值大于此阈值时，则比对通过，否则比对失败。每个阈值都可以统计对应的FAR/FRR，不同阈值的FAR/FRR值可绘成ROC曲线(Receiver Operating Curve)，我们可以通过ROC曲线选定一个合理的阈值点。

误区三：人脸关键点越多，人脸比对效果越好？

人脸关键点技术在人脸识别的一系列环节中，确实有所应用。但它并不是使用在最核心的人脸比对中，而是在前置的人脸图像预处理环节中。因此，确保人脸五官基础关键点数量及准确性即可，无需一味追求过多关键点的数量。

当前主流的人脸识别算法，在进行最核心的人脸比对时，主要依靠人脸特征值的比对。所谓特征值，即面部特征所组成的信息集。我们辨别一个人的特征，可能会记住他是双眼皮、黑眼睛、蓝色头发、塌鼻梁……但人工智能算法可以辨别和记住的面部特征会比肉眼所能观察到的多很多。

人脸识别算法通过深度学习，利用卷积神经网络对海量人脸图片进行学习，借助输入图像，提取出对区分不同人脸的特征向量，以替代人工设计的特征。每张人脸在算法中都有一组对应的特征值，这也是进行人脸比对的依据。同一人的不同照片提取出的特征值，在特征空间里距离很近，不同人的脸在特征空间里相距较远。

误区四：用照片或者视频能否通过人脸识别？

在成熟的人脸识别应用中，都会加入活体检测技术。所谓活体检测，即验证用户是否为真实活体本人在操作，可有效抵御照片、视频等常见的攻击手段，是金融、政务等无人值守应用中几乎是标配。

在交互方式上，活体检测可分为静默式和配合式，配合式需要结合摇头、眨眼、唇语等方式配合，静默式则不需要用户配合动作，相比配合式算法层面要求更高，体验更好。

误区五：大面积遮挡下还能进行人脸识别吗？

在人脸识别领域中，大面积人脸遮挡一直是公认的识别难题，难点主要体现在：

第一，人脸识别算法主要依据人脸面部特征进行身份判定，脸部大量遮挡时，算法无法准确检测人脸位置、定位五官关键点，大大降低了识别效果。

第二，人脸识别算法使用的深度学习技术依赖海量的训练数据，短期内难以收集到大量面部遮挡的照片，并进行人工标注。

第三，人脸识别算法包含多重模块，面部遮挡影响的不仅仅是人脸比对模块，还会影响到人脸检测、跟踪等多个模块，对整个系统带来很大的干扰影响。

对于很多刚进入人脸识别领域的开发者而言，很多算法细节都需要亲自上手感受过，才能明白个中精微之处。建议新手开发者可以尝试佩特科技双目人脸识别主板，基于瑞芯微RK3288主板，性能稳定。终端集成脱机人脸识别、体温检测、口罩识别、身份核验、现场人脸采集、黑名单预警、人过留影、活体检测等功能为一体，采用宽动态高清人脸识别摄像头，完全适应强光逆光弱光等苛刻环境，具有识别速度快、准确率高、名单库容量大等特点。