来源|
作者|
提醒 | 本文已获作者授权发表，如需转载请联系作者。
指导：
人脸识别技术在人工智能领域一直备受关注，人脸识别哪种更好的问题也是大家讨论的热点。 知乎的一个回答获得了上千个赞。 在文章中，作者对人脸识别的常见问题以及业内一些相关公司的现有技术进行了探讨，帮助大家更好地了解人脸识别技术的本质和未来发展。
以下是知乎的回答内容
前言
01
本人从事人脸识别相关工作。 这波人工智能投资已经打起来了。 不少人脸识别企业恨不得立马给自己的脸上贴上几吨黄金。 朋友说了一句很有意思的话：
外行普遍认为很科幻，内行普遍认为很无望。 行业龙头老大，各种打鸡血。
大多数AI公司都处于烧钱阶段，未来存在很大的不确定性。 看看百度自动驾驶系统和图像识别系统的开放，可以预见，免费将是未来的大趋势，但已经投入了数百亿美元。 但是资本投的时候一定要媒体一起喊，不然回不来（就是很多资本方进入AI行业后什么都不懂，乱投）。
人脸识别作为一个模块技术，很少有独立的应用（独立的业务层设计），大部分只是对现有业务软件系统的增强，比如客户人脸验证（在过去的密码基础上加一层）、人脸检索（比人工更高效，相机结果过滤），相似人脸推荐（比如婚介社交，整容设计），但是大量的公司死在了这个过程中，因为利润太小，没有强大的需求。
目前，相关行业公司都在实践已知的主要商业模式，但在卖货、卖牌照、卖服务、后台流量变现这四大商业模式中，没有一家公司真正赚钱（最常见的是是人脸识别）sdk授权和api服务）。 作为业内人士，所谓的绝望无非是以下几点：
1、算法再好，也只是调味品。 最终的出路是将其制成最终产品。 通过业务层的叠加和发展，形成产品和解决方案。 更多的时候是解决方案提供商，更像是过去的传统软件提供商，规模很难做到。 爆发。
2、使用门槛和成本非常低。 目前市场上相对低端的终端算法部署产品授权仅为500元/套（用于1:1远程接口调用的前端授权），市场竞争的结果是低价倾销价格。
人脸识别目前用于各种噱头和资金应用。 有的企业就是靠这个获得国家的各种技术补贴。 但真正赚到钱的是那些中介公司，而且都没有人脸识别。 至于未来会不会有新的商业模式，暂时无法推断。
过去几年，很多公司聚集在一起做万亿级市场安防和最新的手机摄像头识别，但在整个产业链中，他们只是非常小的玩家（不多说），比如安防、过去最大的赢家是海康威视和大华，它们拥有全套的安全软硬件监控系统。 人脸识别增强了他们原有的产品优势。 手机人脸解锁最重要的是手机摄像头元器件厂商的整合（比如3D结构光识别），这些厂商的利润经过多年的竞争已经几近透明。 部分龙头配件上市公司年报营收3亿元。 毛利只有几个亿，能给人脸识别技术提供商提供多少专利费还是个未知数。
人脸识别技术并没有想象中那么厉害。 它是千万个业务解决方案中的一个小模块。 可以称之为人工智能的一个组成部分，个人认为未来最大的使用端是机器人视觉交互。
文本
02
主要问题比较宽泛（是盈利强，算法强，还是应用强？），人脸识别技术的衡量维度太多，但是从技术对比上，比如图像对比等级1：1，1：N , N:N; 测量标准和尺寸不同。
比如在算法准确率方面，国内外大部分人脸识别技术都在open 等开源库中添加了新的规则（深度学习进行分层运算），各家公司识别准确率的差异仅在小数点， 99.6%——99.7%的提升意义不大。 如果你说当 LFW 的王者就是世界级的，你会被专家嘲笑的。
衡量人脸识别算法能力的指标有几个：拒识率、误识率、通过率、准确率。
人脸识别的基本流程
人脸识别最难的地方在于有一个完全适应各种光照环境的人脸预处理算法。 需要在各种复杂的光照环境下提取人脸信息。 树荫下，昏暗的路灯下，深夜的出租车里，这对算法的鲁棒性都是极大的考验。 还要考虑照片和视频造假、二次成像造成的光污染等。
人脸识别常见问题
-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，利用生物统计学原理分析建立数学模型，即人脸特征点模型。 然后从人脸特征点模型和被摄者的人脸图像进行特征分析（可以假设由无数几何特征点求解），根据分析结果给出相似度值，判断是否为同一人. 简单的说就是对两张照片进行A/B对比，计算出来的值是否符合要求。
我们称这个值为阈值，范围从 1 到 100（100 非常苛刻）。 许多人脸识别公司都说他们的产品很容易通过，但这只是故事的一半。 如果将阈值调整到5以下，几乎大部分人都可以做到相似，但是当调整到95以上时，同一个人在不同背景环境下拍摄的照片就无法匹配了。 所以当一个公司跟你吹嘘算法的准确性时，先问问用什么阈值，同脸比对的通过率，非同一人比对的通过率。
所以，没有阈值描述的算法就是耍流氓。
1:1主要用于快速人脸识别比对，作为一种新的身份确认方式，比如候选人身份确认、公司考勤确认、各种证件照和个人确认，因为这些照片来源不一定有权威统一的接口调用，所以它还没有被使用。 目前，市场上比较来源主要有以下三种：
1、用户自拍，比如支付宝的人脸比对，用户自拍最大的问题就是照片质量通过率太低。 照片的光线、角度等因素会导致采集源质量下降，不利于后期大规模批量人脸签名管理。
2.使用身份证阅读器读取身份证上的照片。 遗憾的是，这张照片的大小为2K，却是目前使用最多的源照片提取方式，比较适合签到场合。
2016年国内部分会议培训公司的身份识别软件（用于验证会员是否有效，是否为本人）：
3、使用公安部下属NCIIC的人脸比对接口（注意不是有质感的照片接口，这个接口已经不对外开放了），使用直接的人脸比对接口。 目前只有少数公司有权限调用这个库。 在人脸识别公司中，好像只有一家在提供，这里就不提了。 BAT应该还没有连接上，如果大家有什么新发现可以补充。
事实上，解决比对来源问题的关键是需要有权威的照片数据进行比对。 很多企业一开始都是使用NCIIC（公安部事业单位）身份证返还界面的照片进行去网。 处理对比，但人脸很多特征点被破坏的成功率只有60%左右（根据6月份出台的《互联网安全法》，目前市场上除银行系统外都可以使用网纹闪回界面, 等身份证闪退，接口都是非法的，一用就查）。
-1:1人脸识别算法主要使用场景
没有证件怎么确认自己是XX？
以前有过一些关于如何确认身份的笑话。 派出所让一个人证明他是他自己，你妈就是你妈。 . 这是一个奇怪的问题，但在很多不熟悉的情况下也很尴尬。 如果你不带身份证，警察就看不到你的照片。 如何确认你是XX是之前经常发生的执法冲突； 身份证丢了，外面风大雪大，这种人怎么入住酒店？ 这些都是身份认同的问题。 公安部推广“刷脸”身份证在线复印，就是为了解决这个问题。 我们出门不用完全依赖身份证来确定身份，方便多了。
但是1:1人脸算法的巨大隐患在于，我们随处可见的人脸其实是公钥。 库图源定位，方便1:1验证），分分钟吃完。 但是既然可以用手机，为什么还要用刷脸呢？ 这不是多余的吗？
此外，还有一些高端会所希望实现VIP报警服务，具体见下图1：N和N：人脸识别算法系统。 但是1:1比较哪个身份申请更好呢？
例如，如何确认远程互联网客户的身份？
用于网上购买机票、汽车票，医院挂号，政府惠民项目，开立各类证券账户、电信账户、互联网金融账户等。 以往的身份认证方式非常不妥当（比如支付宝的持证登记流程，还有一些不知名的社交APP需要上传身份证照片），这些资料极易被盗转卖，下图为图片搜索截图百度搜索结果，以及近期知乎部分女大学生裸露信息栏目泄露，给不法分子留下了诸多漏洞。 :
- 破解人脸识别
很多金融公司喜欢在APP中嵌入人脸识别SDK模块，但是这样太容易绕过，所以会加入活体检测（市面上常见的活体检测是配合随机动作），但是即使活体加了检测，还是可以的。 同样可以绕过。 例如下面两种方法：
1. 3D人脸模拟面具
2.人脸模型实时重建
所谓道高一尺，魔高一尺。 这就需要加上其他多维度的检查来确认身份，否则不难有人进行远程攻击。 那么活体检测哪个更好呢？
-1:N人脸识别算法主要用于人脸检索
对比1:1的A/B两张照片，最大的区别就是A/BA/CA/D...多次1:1的计算，最大的问题是BCD的总数一旦变大，计算速度就会比较慢，如果总数超过20万，会出现多个相似的结果（20万多会导致长得相似的人很多），需要人工辅助定位。 我们过去在电影中看到的“天网”识别系统只是一种理想状态。 在实际应用中，会排列多个结果，排在第一位的不一定是需要的人。
1:N人脸识别算法主要用于犯罪嫌疑人侦查、失踪人员全库查找、一人多证重复侦查等场景。 根据相似度列出相应的结果，可以大大提高调查效率。 类似的东西可以应用于失踪儿童项目。
部署这类系统需要两个条件：
1. BCD基础库（比如1000万人）
2.强大的算法硬件
1:N同时运算就是N:N，对应多张图片同时检索需求，检索耗时跟硬件算法有很大关系，请问哪家公司在这个应用领域强？
-N:N人脸识别算法主要用于实时多1:N检索计算
N: N 这个算法实际上是基于一个1: N的算法，输入多个解的结果。 例如，视频流的帧处理对服务器的计算环境有严格的要求，目前算法体系支持的输出速率非常有限。
主要限制如下：
1.大量人脸照片的分析需要大量的计算（目前在采集端很少看到直接分析，都是照片剪裁）
2. 大量人脸照片的传输需要很大的带宽（普通720部署摄像机拍摄的最小人脸照片为20K）
3、后台检索大量人脸照片需要大量计算（以国内主流主机为例，最多24个摄像头）
可见，要真正实现“天网”人脸检索，首先要解决亿级摄像头的图像处理，其次要解决联合数据库的超算检索，这可不是一般的事情企业可以承受。 在一些小区和高端场所，首选这种视频验证方式用于VIP客户的识别和接待，但实际部署用户会受到摄像头位置、角度的影响，以及多人入场时带来的问题。同时，人脸数据库会很困难。 受限，否则计算时间长，体验极差。 一些所谓的迎宾机通常只有几个人的照片（只是给领导看），实用价值大打折扣，即使戴上墨镜、帽子也认不出来。 毕竟，关键特征采样是有限的。 这里谁更强？
- 相机与直播APP人脸图像叠加
国内很多娱乐APP对画像层进行跟踪处理，这也是一个很好的技术切入点，但是产品安装包会比较大，现在做的只是跟踪技术，属于底层识别。 如果比较复杂，就需要使用云服务。 但很难跟上服务器算法的解析速度和带宽，不是一种可靠的商业模式。
-人脸识别技术发展方向
结合 3D 信息：2D 和 3D 信息的融合使特征更加稳健
多特征融合：单一特征难以应对复杂的光照和姿态变化
大规模人脸比对：人脸比对和海量数据搜索
深度学习：在大数据条件下充分发挥深度神经网络强大的学习能力
在视频级的N:N验证中，如果想提高通过率，往往会采用降低准确率的方法来减少算法队列的数量； 同样在一些比赛中，为了降低误识别率，大大提高准确率，所以算法在验证过程中至少要遵循一个固定的标准，无论是速度效率还是最高准确率。
-人脸识别算法应用分类派
- 人脸识别对应解决方向
我个人认为未来人脸识别会让大部分数据更加真实，通过社会工程模板可以做很多分析和改进。 例如，一些科学家最近使用人脸识别来分析某些人的健康状况、清晰度，甚至犯罪倾向。 或许未来可以结合大数据，对我们传统的人脸分析技术进行新的改进，到时候算命先生就失业了。 机器人交互、无人机生成的摄像头目标分析等更多科幻画面离我们不远了。
- 关于算法核心研发的争论
国内基本上每家公司都会说自己的算法好，但是人脸核心算法到底有多少呢？ 国内全职从事算法研究的总工程师总数至今（2016年）不足100人，但现在问题不大。 中科院计算所单世光教授开源了开源人脸识别引擎的介绍-知乎专栏，没有基础的公司不用太辛苦从头升级算法。 相信微软很快就会发布新的算法。 现在算法基本都在98%以上，这个差距已经不重要了，算法不核心也没什么大问题。 你不必太着急。 当产品到了应用阶段，光有算法是不够的，还要考虑实际使用。
目前从事人脸识别的公司很多，集成的应用也有数百个。 在中国，看百度、看融资、看各种报道差不多就够了，但认真做事的公司太少了。
国内的腾讯和阿里都在做（阿里支付宝用自己的团队研发算法，但是很低调，把名声留给投资的公司，而阿里不止投资了一个），国内的公司是吹牛和炒作概念。 太多了，就不说了。
这些公司几乎都是做政府安保项目的，但公司规模普遍较小，利润和投资很少被报道。 公司进入该领域主要是对人进行分类和优化应用（精准营销），项目是对公司原有业务的补充。
所以在这个问题的最后，答案很简单：
哪家人脸识别公司更好并不重要，未来的竞争也不在这些战场上。
借用Rebs的话：鬼混的人少了，大家都可以专心做事了。
人工智能投资泡沫带来的浮躁，让大家做事不顺心，所以花时间整理了这篇文章，泼了一盆冷水。 希望同事们真正为社会提供一些有价值的东西，会有资本回报。 产品。
结尾
你的每一次“看”，我都喜欢
▼