谷歌近日發(fā)布了一款專為移動GPU推理量身定制的輕量級人臉檢測器——亞毫秒級的人臉檢測算法Blaze Face。它能夠在旗艦設備上以200－1000＋fps的速度運行，并且可以應用在諸多需要快速準確的識別出人臉區(qū)域的任務中，例如：2D／3D面部關鍵點識別與幾何評估、面部特征和表情分類以及面部區(qū)域分割等。

當提及“人臉識別技術”的時候，想必大家都不會覺得陌生�！叭四樧R別技術”自從二十世紀六十年代后期研發(fā)，再到九十世紀逐步進入市場，技術的準確率逐步達到了99％的高精準度，有的人臉識別軟件在國際標準的LFW數據庫中甚至取得了99．15％的準確率，已然反超了人眼的辨認能力。也正因此，各行各業(yè)都將人臉識別納入到了未來的規(guī)劃前景中，尤其是AI領域的企業(yè)，例如曠視科技，依圖科技，極鏈科技等公司，紛紛對此躍躍欲試。

在人臉識別技術發(fā)展初期，一個典型的基于視頻圖像的人臉識別系統(tǒng)一般都是自動檢測人臉區(qū)域，從視頻中提取特征，最后如果人臉存在則識別出人臉的身份。在視頻監(jiān)控、信息安全和出入控制等應用中，基于視頻的人臉識別是一個非常重要的問題，也是目前人臉識別的一個熱點和難點�；�于視頻比基于靜態(tài)圖像更具優(yōu)越性，因為Bruce和Knight等人已證明，當人臉被求反或倒轉時，運動信息有助于人臉的識別。雖然視頻人臉識別是基于靜態(tài)圖像的人臉識別的直接擴展，但一般認為視頻人臉識別算法需要同時用到空間和時間信息，這類方法直到近幾年才開始受到重視并需要進一步的研究和發(fā)展。

目前視頻人臉識別還有很多的困難與挑戰(zhàn)，具體來說一是視頻圖像質量比較差：視頻圖像一般是在戶外（或室內，但是采集條件比較差）獲取的，通常沒有用戶的配合，所以視頻人臉圖像經常會有很大的光照和姿態(tài)變化，還可能會有遮擋和偽裝。

二是人臉圖像比較�。和瑯�，由于采集條件比較差，視頻人臉圖像一般會比基于靜態(tài)圖像的人臉識別系統(tǒng)的預設尺寸小。小尺寸的圖像不但會影響識別算法的性能，而且還會影響人臉檢測，分割和關鍵點定位的精度，這必然會導致整個人臉識別系統(tǒng)性能的下降。

在這種情況下，提升系統(tǒng)識別的精度與準確度顯然成為了人臉識別領域的當務之急。如何利用AI有效的推動人臉識別的發(fā)展，成為了人工智能視覺與圖像領域中的重點應用。

比如視頻AI領域的獨角獸極鏈科技，便提出了以四模塊來對場景中的人臉進行識別：

模塊一：視頻結構化，將視頻用鏡頭分割

在這一環(huán)節(jié)中，通常采用全局特征和局部特征相結合的方法。全局特征檢測全局顏色的分布突變，然后借用局部特征獲得的人臉識別的跟蹤結果、跟蹤軌跡的斷續(xù)來判斷視頻是否具有鏡頭切換。跟蹤來判斷鏡頭切換有一個很大的優(yōu)點，因為后續(xù)的步驟也會采用相似的算法，所以這一步驟所需的算法是可以重復使用的。

模塊二：人臉軌跡提取

完成了鏡頭分割以后，就可以分割好的單一鏡頭里進行人臉軌跡提取。在軌跡提取的算法上，同樣要考慮準確率和速度的指標。要實現速度和準確率的平衡，可以有以下兩種途徑：一是間隔采樣or逐幀處理，二是檢測＆跟蹤的配合。

模塊三：人臉識別

有了人臉軌跡之后，就可以開始進行人臉的識別了。但是在將人臉數據輸入深度網絡之前，還需要對其進行必要的變換和處理。其中一部分變換在針對人臉這一部分非常重要，尤其是在消費級視頻里，那就是人臉的對齊。人臉對齊是利用人臉的特征點檢測定位，將各種姿勢的人臉圖像還原矯正為正臉的過程。在算法框架中，需要加入人臉質量評估的算法，以過濾低質量的人臉圖片，保證人臉數據的準確率。

在樣本足夠的前提下，可以利用訓練得到的模型對人臉樣本進行特征提取。測試的時候，在視頻中檢測得的人臉后，將其輸入到生成的特征向量里，與人臉互動的特征向量進行匹配，從而找到在特征空間中最接近的一個樣本。

模塊四：識別結果融合

以上提到的人臉識別都是針對單幀識別的圖片而言的，之前說到的系統(tǒng)識別結果都是針對整個人臉軌跡而言。因此，最后需要將人臉識別的結果與整條人臉軌跡融合起來，得到整個軌跡的識別結果。

識別結果的融合策略也有很多。簡單的有投票策略，即將尾幀的識別結果是為一票，識別結果票數最高者則為軌跡的最終識別結果。也有用神經網絡來實現這一融合，可以訓練一個時間維度上的神經，將每一幀識別出的特征向量作為網絡的輸入，經過在時間維度上的一系列的參數變換得到最終的特征向量。

如果說AI是時代的浪潮，那人臉識別就是乘風破浪的小舟。在這個“刷臉”從調侃變?yōu)楝F實的今天，借著人工智能的發(fā)展，人臉識別可以擁有更高的精度，更強的識別，以及一個更寬廣的未來。