近日，常常被相似“你最像哪位明星？”、“预测你将来的样子”、“看看你们的年龄差？”…..这样的一些基于脸部比对的照片刷屏。图[1]如图[1]是 “你最像哪位明星？”小使用制造出来的比照照，看到这个比照进程，你一定比拟猎奇这面前用到了哪些技术，能想到的就是人脸辨认、美颜。但详细细节就……上面是专业人士给出的正确姿态，给异样感兴味的小同伴们答疑解惑！人脸辨认技术的根本流程当下，人脸辨认技术的细节多到数不清，工程技巧也是多种多样，但根本流程已成定式：当输出某张人物照，应用人脸检测技术找到人脸地位，在这根底之上对关键点，如眼睛、嘴巴等定位，之后经过一些几何、光学手腕的校正等，提取人脸特征，进而做到人脸辨认。各个企业间的差别在于关键提取的数量相，从几个点到近百点、以及各个环节在细节上的一些追求。“你最像哪位明星？”这张图，图一到图二，用到的是人脸检测技术，基于一些算法，把人脸定位提取，也触及到一小局部关键点的检测技术。这个进程中，如何辨认出照片，在不同年龄段的面部图像是值得讲究的点。人脸辨认中的年龄不变在学术界被称爲 age-invariant face recognition(AIFR)，AIFR 技术可以辨认出同对象同龄段的脸部图像。无视年龄变化，AIFR技术的使用面部特征随着年龄的增长发生变化人的面部特征随着年龄的增长会发生十分分明的变化。从图形学的角度来看，这种变化可以分爲轮廓变化和纹理变化。轮廓变化，指五官和脸型的空间地位和构造特征发生了变化。如婴儿的脸型普遍偏肥，轮廓平滑圆润；成年后，则开展成鹅蛋脸、国字脸和瓜子脸等愈加丰厚的脸型，五官也变得更爲平面。纹理变化，指人脸皮肤外表的肤质感发生了变化。婴儿皮肤圆润、细嫩、平滑，而成人皮肤则往往愈加粗糙，多皱纹。这些轮廓和纹理的变化，往往连人类本身也无法精确了解。明天得益于人工智能技术的开展，AIFR 技术已逐步成熟。AIFR技术的两大模型目前，AIFR 技术方向冗杂，但总体上可分爲生成模型和判别模型两种：生成模型生成模型的根本思想是假定人脸随年龄的变化进程具有一定规律，然后经过数学办法去求解变化规律自身。在洞悉规律后，算法即可经过某一年龄的面部特征，生成其他年龄的面部特征。以图[1]爲例，详细完成步骤爲：辨别抽取人脸轮廓特征 S 和纹理特征 T停止校正和均化对面部特征辨别树立数学模型并求解模型参数，取得生成模型输出待预测人的面部特征运用生成模型预测此人其他年龄的面部特征将轮廓特征和纹理特征重新兼并与实践将来面部停止比照，即可晓得能否爲同一人或是类似的人判别模型判别模型与生成模型不同，判别类模型不寻求处理人脸的变化规律成绩。判别模型假定有一局部人脸特征是不随年龄而发生变化的，运用这类年龄有关的特征去判别人脸的身份。图[2]图[2]显示了深度学习技术完成了非龄特征的抽取。第一列是同一团体在不同年龄的照片 S1，S2，S3经过卷积神经网络，零碎运用固定的特征脸组合 S 来代表原图例如：特征脸组合再进入如隐藏因子剖析器后，只选择了最接近这张特征脸的组合。例如：可以看出，第三列人脸类似度曾经十分高了。刷脸时代来了：人脸辨认技术的典型使用除了下面提到的小使用，如今人脸辨认的用处越来越广，各行各业都在尝试用人脸辨认提升客户体验、优化效劳程度，不过总结起来次要有两大类：人脸身份辨认和人脸身份认证。二者外表看起来比拟接近，但它们的技术原理并不相反：人脸身份辨认是从一堆人里辨认出你是谁，人脸身份认证是确认你是不是自己。比拟典型的使用如下：人脸身份辨认VIP人脸辨认。这个使用可以自动在人群中捕获 VIP 客户，并辨认出其身份，同时可以语音欢送并经后台告诉相关打工人员；人脸黑名单。这个使用可以在重点通道设置人脸黑名单，自动辨认重点嫌疑人等，一旦发现即可自动报警。人脸身份认证金融行业。该范畴的使用比拟多，包括刷脸登录、近程人脸开户、自助人脸开卡等等，最早大规模使用人脸辨认的是民生银行，在 2014 年终开端布局人脸辨认平台，将人脸辨认使用于营业厅、自助设备、柜台零碎以及挪动推广等。这些是做身份认证的辅佐手腕，以往无论是在何种使用场景，身份认证只要两种形式：人工比对身份证和自己，容易呈现比对规范不分歧的状况；只认证身份证，容易呈现冒用、盗用别人身份证的成绩。而人脸辨认很棒地处理了这些成绩。社保行业。比拟典型的就是近程资历认证，以往爲了证明参保人员的生活形态，需求打工人员实地停止资历认证，关于那些年龄大、出行方便和间隔远的异地参保人员就特别不方便。而人脸辨认可以经过近程停止人脸身份认证，不过爲了避免照片作假，普通会参加活体检测的环节。教育行业。次要是高考、成人考试、人事考试等，借助指纹辨认、人脸辨认等生物辨认技术确认考生身份，可以确保物证合一，保证考试的公道性。人脸辨认仍存在平安隐患人脸辨认并不万能，技术的面前仍存在风险和破绽，比方仿真头套、全息投影、人脸跟踪等的不时呈现，单一的人脸辨认技术存在很大的局限性，平安系数和科技成分并不成反比。因而，在触及隐私、领取等初级别平安场景运用时，一定留意将人脸与声纹、指纹、虹膜及其他生物认证信号相交融，而不是单一的采用人脸辨认技术，这样平安的系数就会大大提升。参考材料：[1]Park U, Tong Y, Jain A K. Age-invariant face recognition[J]. IEEEtransactions on pattern analysis and machine intelligence, 2010, 32(5):947-954.[2]Wen Y, Li Z, Qiao Y. Latent factor guided convolutional neural networks forage- invariant face recognition[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. 2016: 4893-4901.作者：李季、王雪燕编辑：陶家龙、孙淑娟技术编辑：王雪燕，关注架构、算法，运维等技术范畴，有投稿、寻求报道意向技术人请联络 wangxy@51cto.com李季CloudIn云英商品经理澳大利亚 University of Wollongong 计算机系硕士，曾在计算机世界、长河网信等企业出任商品经理和运营经理，有 8 年商品经历，现就职于北京云英传奇技术无限企业任大数据商品经理。在深度学习和机器视觉范畴主导过公安和网信办相关的多个项目，希望经过人工智能技术爲社会发明更多价值。精彩文章引荐：揭秘人工智能下的搜狗智能运维理论京东金融幕后战场 | 风控、领取、人脸辨认......在你下属接近你座位时，用人脸辨认技术及时屏幕切换