機場火車站刷臉過安檢？請別神化人臉識別

人臉識別可以算是落地夠快、效果也夠炫的「智能技術」之一了，從2015年3月馬雲展示支付寶的刷臉支付，到最近很多機場、高鐵站啟用了刷臉進站，就連美圖都說自己可以「AI自拍」。

先來潑一盆冷水，目前很多人臉識別的落地應用還處在一個非常初級的階段，技術價值並不高。

首先，我們要弄明白人臉識別這一概念。人臉識別其實是個相對寬泛的大分類，基於生物特徵識別技術，利用人的特徵實現個體的區分。其中技術包括圖像採集、特徵定位、身份的確認和查找等等。

簡單來說，就是從照片中提取人臉中的特徵，比如眉毛高度、嘴角等等，再通過特徵的對比輸出結果。

在應用上，人臉識別也分很多層級，目前在應用最多還是1：1等級，也就是人臉識別中最初級的「證明你是你」。

1：1等級的人臉識別通常是用戶上傳符合規則的照片在系統上，線下拍照，於系統中的照片進行對比。在機場、高鐵站這種為線下拍照提供了較好條件（燈光、拍照像素等等）的環境中，說實話對於技術的硬性要求不算太高。

而知乎中還有網友提到，關於人臉識別終端演算法部署授權只需要500元/套，其使用成本可見一斑。而這一技術也絕非最近才出現，在高中時期，我的學校就用過刷臉考勤查驗課間操跑步圈數。

對運算環境要求更高的是1：N級和N：N級的人臉識別。也就是單一特徵對比多種特徵和多種特徵對比多種特徵。而這兩種等級的人臉識別在應用上也常常無法提供較好的環境，比如1：N級人臉識別可以應用於失蹤人口搜索中，在特殊情況下拍的照片存在角度、光線的複雜性，加大了特徵提取、對比的難度。

LBP，人臉識別的魔法根源

或許我們可以更深一步探究人臉識別的演算法，比如Local Binary Pattern（局部二元模式）。這種演算法可以將某一像素周邊的灰度值和該像素作比較，從而去除光線的影響提取特徵。

除了LBP外，常用的特徵提取演算法還有很多，像是Gabor濾波器。當然，提取特徵只是第一步，接下來還要根據特徵進行分類，這時就要應用貝葉斯、決策樹等等分類演算法。

最近大火的深度學習也正逐漸被應用於人臉識別中，深度學習將特徵提取和分類兩個步驟融合在一起。利用神經網路黑盒子的特性計算出最適合的特徵提取模式，從而可以直接跳過「特徵提取影響識別結果」這一怪圈，讓演算法的應用範圍更大。

當然，由於深度學習需要應用大量的數據樣本和較長時間的訓練時間，對於整體運算環境要求也很高，相比物美價廉的LBP，應用範圍還不大。

演算法基礎？實用性更重要！

雖然有人認為人臉識別只是個很基礎的演算法，但我們認為在應用上範疇上，人臉識別還是一座未經發掘的寶礦。

單純從身份驗證、識別角度來看，就有遠程信貸、證券事務辦理、實名制系統驗證、來訪記錄、安檢審核等等範疇的應用。在提高識別準確性的前提下，還可以利用進行罪犯/失蹤人口追蹤排查，總之科幻片里通過大街小巷攝像頭找人的情節完全可以進入現實。

除了這些落地性強的應用模式，目前討論熱度最高的還有大數據+人臉識別，也就是通過大量人臉樣本的累積，從中提取特徵並總結規律。像是提取表情特徵，構建情緒判斷系統；或者通過面色、皺紋、斑點等等特徵分析病情。不過這些應用範疇距離落地應用還很遠，想要實現情緒判斷、視覺診斷等等目的，人臉識別是否是最好的方式也不得而知。

總體看來，在的技術企業中，人臉識別算是泡沫較高的一個類別，不光Face++、雲從等等企業都拿過千萬美金級別的融資。各個企業也將該技術的引用視作踏入AI的一步，大肆PR吹捧，就連一些自拍工具也想來蹭一蹭熱度。

其實目前人臉識別的應用還停留在基礎上，也就是在較好環境中實現1：1人臉識別，而拍照美顏更僅僅應用到了人臉特徵定點提取，連識別預處理都算不上，這樣也要強吹只能說發言人的心理素質有些過於強悍了。

我們不應該神化任何一種技術，至於那些混淆視聽蹭熱度的，恰恰展示出了對於自家產品的不自信。對於流量的吹噓或許可以「公關在前」，錢拿到了再做實，可技術不是靠營銷就能堆砌出來的，最後往往只剩下打臉一個結果。