人脸识别的算法能力几个指标：拒识率、误识率、通过率，准确率。
那么人脸识别的基本流程是怎么样的呢：
人脸识别最难的部分是有充分适应各大光线环境的人脸预处理算法，需要在各种复杂的光线环境中提取到人脸信息，特别是移动互联网时代，摄像头拍照的地方可以在斑驳的树影下，也可以在昏暗的街灯下，以及深夜出租车内，这对算法的鲁棒性考验极大。同时还要考虑照片和视频欺诈，二次成像的光线污染等问题。
下面说一下目前人脸识别的常见问题:
1:1人脸识别算法主要用于身份验证
1：1人脸识别技术主要是利用图像处理技术从图像中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征点模型。再从人脸特征点模型与被测者的人的面像进行特征分析（可以假定为无数的几何特征点求解），根据分析的结果来给出一个相似值，通过这个值即可确定是否为同一人。简单的说就是A/B两张照片比对，产生的计算数值是否达到要求。
这个值我们称之为阈值，可以从1到100（100就是极端严苛）很多人脸识别公司说他们的产品很容易通过，那只说了一半，如果阈值调整到5以下，几乎大部分人都可以是相似的，而调整到95以上，同一个人在不同的背景环境拍出的照片都无法匹配。所以当一公司跟你吹牛算法准确度，先问下使用的是用什么阈值，同一人脸比对通过率，非同一人比对通过率。
所以没有阈值说明的算法都是耍流氓。
1：1主要用于快速的人脸识别比对，作为身份确认的一种新方式，比如考生身份确认、公司考勤确认、各种证件照和本人确认，由于这些照片源不一定有权威统一的接口调用，所以一直没有用起来。目前市面上做的比对来源主要有三种方式：
1. 用户自传照片，比如支付宝的人脸比对，用户自传的照片最大的问题是照片质量的合格率太低，拍照的光线、角度等因素会导致采集源的质量下降，不利于后期的大批量人脸特征码管理。
2. 使用身份证读卡器，读取身份证上的照片，遗憾的是这张照片2K的大小，不过也是目前用最多的源照片提取方式，比较适合签到场合。
2016给国内一些会议培训公司的识别软件（用于验证会员是否有效以及是否本人）：
3. 使用公安部旗下NCIIC的人脸比对接口（注意，不是网纹照片接口，这个接口已经不对外），使用的是直接的人脸比对接口。目前具备有这个库调用权限的，目前所知的只有几家，在人脸识别公司中，好像只看到一家在提供，这里先不提了。BAT应该都还没有接入，如有大家有新发现的可以补充。
实际上，解决比对源的问题的关键是需要有权威的照片数据来进行比对，许多公司刚刚开始的时候采取NCIIC（公安部的一个事业单位）身份证返照接口的照片，进行消网纹处理进行比对，但人脸的很多特征点被损毁成功率大概只有6成（根据六月份发布的网络安全法，目前网纹返照接口市面上除了银行系统可以使用外，其他所用的身份证返照接口都是非法的，一用就被查）。
1：1 人脸识别算法主要使用场景
曾经有一些问题是关于如何确认本人的笑话，派出所要求一个小伙证明就是本人，证明你妈是你妈。。这种奇葩问题，但是许多陌生场合也有这种尴尬，你如果没有带证件，警察无法看到你的照片，如何确认你就是XX就是之前经常出现的执法矛盾；如果一个人把身份证弄丢了，外面风雪交加，如何给这类人办理酒店入住手续？这些就是身份确认的问题。公安部推身份证网上副本 身份认证可“刷脸”完成就是用来解决这个问题，我们出门不用完全依赖身份证可以确定身份，可以方便很多。
但是1：1人脸算法的巨大隐患是我们随处可见的人脸，实际就是一个公开的钥匙，马云提出刷脸消费吃饭，如果没有手机验证码（本身也是一重手机实名验证，同时做了人脸库图源定位，方便1:1校验），分分钟钟被吃垮。但是既然可以用手机，为什么还用刷脸，不是多此一举吗？
另外还有一些高级会所，希望实现VIP的贵宾警报服务，这个在下面的1：N和N:人脸识别算法系统中可以看到。但是1：1比对的身份应用哪家强了？
在互联网买机票、车票，医院挂号，政府惠民工程项目，以及各种证券开户、电信开户、互联网金融开户都会用到。过去的身份认证方式是非常不妥的（比如支付宝的持有注册流程，还有一些不知名的社交APP等需要上传身份证照片），这些资料是极其容易被盗取和转卖的，下图是来自百度的图片搜索结果截图，还有最近的一些女大学生的裸条资料泄露知乎专栏，导致犯罪分子有很多利用的漏洞，黑客军团号称资料2000万，分分钟钟薅干一家金融平台没有问题：
人脸识别的破解：
许多金融公司喜欢把人脸识别SDK模块嵌入到APP当中，但这个太容易绕过，所以会再加上活体检测（市场上常见的活体检测为随机动作配合），但是即便加了活体检测，也一样可以绕过。比如下面这两种方式：
1. 3D人脸仿真面具
2. 人脸模型实时重建
所谓道高一尺魔高一丈，这个还是增加其他的多维校验才能确认身份，否则真有人要进行远程攻击，也不是很难的事情。那么活体检测哪家强了？
1:N人脸识别算法主要用于人脸检索
跟1：1的A/B两张照片比对最大的区别是A/B A/C A/D……多个1：1计算，这个最大的问题是一旦BCD总和数量越大计算速度越慢，而总和超过20万，就回出现多个相似结果（20万人这个大数会导致有不少人长相相似），需要人工辅助定位。过去我们在电影里面看到什么“天网”识别系统只是一种理想状态，实际应用中都是排列出多个结果，排第一的未必是需要的人。
1：N人脸识别算法主要用于排查犯罪嫌疑人、失踪人口的全库搜寻、一人多证的重复排查，以此相似度列出相应的结果，可以大大提高排查效率。类似的也可以用到走失儿童的项目中去，相比美帝的亚当警报、安珀警戒，国内有没有类似的儿童走失警报及寻找机制？
这一类系统的部署需要两个条件：
1. BCD基本库（比如1000万人）
2. 强大的算法硬件
1：N同时作业就是N:N了，同时相应多张照片检索需求，检索耗费的时间跟硬件算法关系极大，就这一领域的应用，又哪家公司强了？
N:N人脸识别算法主要用于实时多1：N检索计算：
N：N 该算法实际上是基于1：N的算法，输入多个求解结果。比如视频流的帧处理所用，对服务器的计算环境要求严苛，目前的算法系统所支撑的输出率非常有限。
主要的限制如下：
海量的人脸照片解析需要大量运算（目前很少看到在采集端直接解析的，都是照片剪裁）
海量的人脸照片传输需要大量的带宽（常见的720布控摄像头抓取最小的人脸照片为20K）
海量的人脸照片在后台检索需要耗费大量的运算（国内主流主机为例，最多到24路摄像头）
由此可见，真正实现“天网”人脸检索，一来要解决数亿摄像头的图片处理，二来需要解决联合库的超算检索，这可不是一般公司吃得消。有些小区和高级场所，对VIP客户的识别和接待比较喜欢这种视频校验方式，但是实际部署使用者会受到摄像头位置、角度，以及多人同时入场产生的问题，而且人脸库会非常有限，不然计算时间长，体验极差，一些所谓的迎宾机通常也就几个人的照片（就是纯粹给领导看的），实用价值大大的打折扣，有戴墨镜或者帽子遮蔽都认不出，毕竟关键特征取样有限。这又有谁强了？
拍照和直播APP的人脸图像叠加
国内比较多的娱乐APP通过对人像图层跟踪处理，也是一个不错的技术切入点，但是产品安装包会比较大，现在做的也只是跟踪技术，属于底层识别，如果复杂一些的需要通过云服务实现，但是服务器算法解析速度和带宽比较难以跟上，也不算是一种靠谱的商业模式。
在视频级N:N的校验中，如果要提高通过率，很多时候是采取降低准确率的方式，降低算法队列数量；同样在一些比赛中为了降低误识率，大大提高了准确率，所以算法在校验的过程中必须遵循至少一个固定标准，追求的是速度效率还是最高准确率。
人脸识别算法的应用分类派系:
人脸识别对应解决方案方向：
个人认为未来人脸识别会让大部分的数据更加真实，而可以通过社会工程学模板做很多分析和改良，比如近期一些科学家利用人脸识别来分析一些人的健康、清晰，甚至是犯罪倾向，或许在未来还可以结合大数据，对我们过去传统的面相分析技术做一个全新的提升，到时候算命先生都要失业了。更多机器人交互、无人机产生的摄像目标锁定分析等科幻画面并不是多遥远的事情。
|
