得益於移動裝置的普及和攝像技術的發展，人臉識別技術突飛猛進，現已廣泛運用於各個行業，如：商鋪客流統計、道路安防監控、公司人臉考勤等，"刷臉"辦事正愈發常見。

人臉識別是一種基於人的臉部特徵資訊進行身份識別的一種生物識別技術，具體指代用攝像機或攝像頭採集含有人臉的影象或視訊流，並自動在影象中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術。

人臉識別作為一項網際網路領域熱門技術，目前在很多網際網路產品領域都有著廣泛應用。

技術特性

與其他生物識別方式相比，人臉識別具有自然性、不被察覺性等特點。自然性指該識別方式同人類進行個體識別時所利用的生物特徵相同，而指紋識別、虹膜識別等均不具有自然性。不被察覺的特點使該識別方法不易使人抵觸，而指紋識別或虹膜識別需利用電子壓力感測器或紅外線採集指紋、虹膜影象，在採集過程中體驗感不佳。非接觸性、非侵擾性、硬體基礎完善、採集快捷便利等幾大優勢集合起來，就造就了人臉識別迅猛的發展和日趨成熟。

市場分析

近年來，在政策支援下，人工智慧在國內狂飆突進，人臉識別技術逐漸在智慧城市、公共安全、軌道交通、政府治理等行業有所應用。2015年以來，國家持續出臺利好政策，推動了人臉識別在金融、安防、醫療等領域的應用，為人臉識別行業奠定了堅實的基礎。資料顯示，2017年人臉識別市場規模達21.9億元，與2016年相比同比增長27%，2018年人臉識別市場規模預計近為27.6億元。

工作原理

要理解人臉識別的工作原理，特徵向量這個概念和它脫不開聯絡。眾所周知，機器學習只能理解數字，所以要機器識別一張圖片，根本是機器學習演算法將資料集作為輸入識別資料中的模式，並從中學習經驗。例如，假定我們希望識別指定圖片中人物的臉，很多物體是可以看作模式的，如臉部長寬的比例、臉部膚色、頭髮顏色、區域性細節的寬度（如鼻子，嘴等）。此時就存在一個模式：不同的臉有不同的維度，相似的臉有相似的維度。表示一張臉的數字可以稱為特徵向量，一個特徵向量包括特定順序的各種數字。舉個例子：

• 臉的長度（cm）
• 臉的寬度（cm）
• 臉的平均膚色（R，G，B）
• 頭髮的平均膚色（R，G，B）
• 鼻子長度（cm）

當給定一個圖片時，我們可以標註不同的特徵並將其轉化為特徵向量，比如上述例子即可為(23；16；250,210,165；150,120,250；5)。
一旦我們將每個圖片解碼為特徵向量，問題就變得更簡單。明顯地，當我們使用同一個人的兩張面部圖片時，提取的特徵向量會非常相似。換言之，兩個特徵向量的“距離”就變得非常小。
此時機器學習可以幫我們完成兩件事：

1. 提取特徵向量。由於特徵過多，手動列出所有特徵是非常困難的。一個機器學習演算法可以自動標註很多特徵。例如，一個複雜的特徵可能是：鼻子長度和前額寬度的比例。手動列出所有的這些衍生特徵是非常困難的。
2. 匹配演算法。一旦得到特徵向量，機器學習演算法需要將新圖片和語料庫中的特徵向量進行匹配。

解決方案

阿里雲.人臉識別可支援最多上千個人臉的同時檢測，支援平面360度旋轉人臉檢測，支援左右最大90度側面人臉檢測。同時毫秒級提取影象中的人臉五官關鍵點，識別人臉105個關鍵點定位。在此基礎上，可識別各個檢測人臉的性別、年齡、表情、眼鏡四種屬性，返回人臉的1024維深度學習特徵，實現高效能的人臉識別。

目前，阿里雲.人臉識別已推出了一套完整的身份驗證解決方案：

身份驗證1 : 1刷臉識別

判斷身份證持有者是否為本人。
適用於安檢口、酒店、app等需要使用者刷卡做身份驗證的場景。

• 提供sdk、api兩種方式，支援多平臺，靈活部署。
• 支援無互動式及互動式活體檢測
• 高準確率：精度>99%(FAR=0.1%)
• 高效-確保高通行率

身份驗證1 : N動態識人

基於影象或視訊輸入進行檢測，與註冊庫比對，實現1：N的人臉識別。
適用於人臉登入、VIP人臉識別、人臉通關等無需刷卡驗證的場景。

• 提供sdk、api呼叫方式，支援多平臺，CPU、GPU計算模式，靈活部署。
• 支援無互動式或動作活體檢測
• 數千萬人臉樣本收集，CNN網路模型的不斷訓練和調優，兼顧效率和精度的身份對比網路。
• 高準確率：千人註冊級別，精度>98%

​​​​​​​

活體檢測 無互動式

通過視訊或者影象，直接對客戶人臉進行識別，確認使用者是否為真人，無需動作配合。

• 支援多平臺，CPU、GPU計算模式，靈活部署。
• 對靜態人臉影象利用深度學習網路判斷其真實性，無需動作配合
• 基於人臉CNN網路模型+大量資料實現，精度>95%(FRA=0.1%)

​​​​​​​

活體檢測 互動式

通過人臉特徵點定位跟蹤識別 ，進行3D人臉重建估計、識別搖頭、 眨眼、張嘴等動作，判斷是否為真人。

• 支援多平臺，CPU、GPU計算模式，靈活部署。
• 基於CNN深度學習網路，實現人臉檢測和特徵點定位擬合3D人臉模型，完成姿態和動作估計
• 實時完成檢測，精度>95%(FRA=0.1%)

​​​​​​​​​​​​​​

注：部分內容來自網路，感謝分享

原文連結
本文為雲棲社群原創內容，未經