2016年北京安博會(huì)上，各家公司人臉識(shí)別產(chǎn)品百花齊放，但就是在這個(gè)人臉識(shí)別的鼎盛時(shí)代， 實(shí)際上需求最痛的安防行業(yè)還是無法大規(guī)模應(yīng)用。根據(jù)最高人民檢察院和最高人民法院關(guān)于刑事案件數(shù)量的統(tǒng)計(jì)，2015年全國人民法院新收刑事一審案件1126748件，同比上升8.29%。（數(shù)據(jù)來源：2001-2016年《中國法律年鑒》）。滿大街的攝像頭，各種智能檢測(cè)分析，依舊有很多人肆無忌憚地進(jìn)行著違法犯罪活動(dòng)。

　　文/繆冬琴

　　針對(duì)此，本文首先回顧了目前人臉識(shí)別技術(shù)的發(fā)展?fàn)顩r，然后重點(diǎn)探討了目前安防行業(yè)大規(guī)模應(yīng)用人臉識(shí)別還需要解決的問題。

　　人臉識(shí)別技術(shù)的發(fā)展?fàn)顩r

　　在深度學(xué)習(xí)技術(shù)出現(xiàn)之前，幾乎所有人臉檢測(cè)都是采用滑動(dòng)窗口式的方法。在識(shí)別輸入圖像前，我們會(huì)先用一個(gè)固定大小的窗口在輸入圖像上進(jìn)行滑動(dòng)，窗口框定的區(qū)域會(huì)被送入到分類器，去判斷是人臉窗口還是非人臉窗口?；瑒?dòng)的窗口其大小是固定的，但是人臉的大小則多種多樣，為了檢測(cè)不同大小的人臉，還需要把輸入圖像縮放到不同大小，使得不同大小的人臉能夠在某個(gè)尺度上和窗口大小相匹配。這種滑動(dòng)窗口式的做法有一個(gè)很明顯的問題，就是有太多的位置要去檢查，去判斷是人臉還是非人臉。

　　2000年前后出現(xiàn)的Viola-Jones人臉檢測(cè)器，使得這種人臉檢測(cè)技術(shù)開始成熟起來，并出現(xiàn)了相關(guān)的實(shí)際應(yīng)用，例如數(shù)碼相機(jī)中的人臉對(duì)焦的功能，照相的時(shí)候，相機(jī)會(huì)自動(dòng)檢測(cè)人臉，然后根據(jù)人臉的位置把焦距調(diào)整得更好。

　　就人臉檢測(cè)而言，人臉可以大致看成是一種剛體，通常情況下不會(huì)有非常大的形變，比方說嘴巴變到鼻子的位置上去。但是對(duì)于公安實(shí)際應(yīng)用中既關(guān)注人臉也關(guān)注全身來說，人可以把胳膊抬起來，也可以把腿翹上去，這使得人體有非常多的非剛性變化，從而使得檢測(cè)的準(zhǔn)確率大大降低。

　　2013年底，深度學(xué)習(xí)給人臉檢測(cè)任務(wù)點(diǎn)起了一把火，這個(gè)火種就是R-CNN，其中R對(duì)應(yīng)于“Region(區(qū)域)”，意指CNN以圖像區(qū)域作為輸入，這個(gè)工作最終發(fā)展成了一個(gè)系列，R-CNN的變革首當(dāng)其沖的是拋棄了滑動(dòng)窗口范式，取而代之的是一個(gè)新的生成候選窗口的環(huán)節(jié)；其次不再采用人工設(shè)計(jì)的特征，而是用CNN來自動(dòng)學(xué)習(xí)特征。傳統(tǒng)滑動(dòng)窗口范式做目標(biāo)檢測(cè)時(shí)，需要對(duì)每一個(gè)物體去設(shè)計(jì)和和學(xué)習(xí)單獨(dú)的檢測(cè)器，例如做人臉檢測(cè)和車輛檢測(cè)，兩個(gè)檢測(cè)器特征會(huì)不一樣，分類器也不一樣，對(duì)于每一類物體，需要去嘗試不同的特征和分類器的組合。但是現(xiàn)在，采用深度學(xué)習(xí)的R-CNN在物體類別上沒有任何限制。換句話說，它既可以檢測(cè)人臉，也可以同時(shí)檢測(cè)其他類別的物體，比如說人體形態(tài)，這在公安實(shí)戰(zhàn)應(yīng)用中是一個(gè)非常重要的優(yōu)勢(shì)。

　　R-CNN帶來了目標(biāo)檢測(cè)精度的一次巨大提升，然而由于所采用的候選窗口生成方法和深度網(wǎng)絡(luò)都具有比較高的計(jì)算復(fù)雜度，因而檢測(cè)速度非常慢。為了解決R-CNN的速度問題，緊接著出現(xiàn)了Fast R-CNN和Faster R-CNN，速度一個(gè)比一個(gè)快。與此同時(shí)，一部分研究人員把研究視角切換到將傳統(tǒng)的人臉檢測(cè)技術(shù)和深度網(wǎng)絡(luò)（如CNN）的結(jié)合，保證檢測(cè)速度的情況下進(jìn)一步提升精度，專做人臉檢測(cè)的Cascade CNN可以認(rèn)為是傳統(tǒng)技術(shù)和深度網(wǎng)絡(luò)相結(jié)合的一個(gè)代表，吸取傳統(tǒng)人臉檢測(cè)技術(shù)中的精華，借鑒深度學(xué)習(xí)研究的最新成果，提升某一類目標(biāo)檢測(cè)精度和速度，這是一條值得繼續(xù)探索的道路。

　　目前，人臉檢測(cè)方法正日趨成熟，在現(xiàn)實(shí)場(chǎng)景中也已經(jīng)得到了比較廣泛的應(yīng)用，在特定配合場(chǎng)景下如照片的檢索、門禁考勤等應(yīng)用，目前已基本成熟。但是人臉檢測(cè)問題還并沒有被完全解決，復(fù)雜多樣的姿態(tài)變化、千奇百怪的遮擋情況、捉摸不定的光照條件、不同的分辨率、迥異的清晰度、微妙的膚色差，各種內(nèi)外因素的共同作用讓人臉的變化模式變得極其豐富，在非配合場(chǎng)景下的萬級(jí)及以上的目標(biāo)檢測(cè)如安防監(jiān)控庫的應(yīng)用，依舊任重道遠(yuǎn)。

　　安防行業(yè)應(yīng)用人臉識(shí)別

　　具體到安防行業(yè)，特定配合場(chǎng)景下如公安系統(tǒng)的大庫比對(duì)、身份查重等，人臉識(shí)別等應(yīng)用已經(jīng)有很多成功的案例。與簡(jiǎn)單的靜態(tài)場(chǎng)景相比，安防市場(chǎng)中應(yīng)用前景更廣闊的一個(gè)方向是動(dòng)態(tài)場(chǎng)景下的人臉識(shí)別：基于視頻中的人臉照片進(jìn)行遠(yuǎn)距離、快速、無接觸式的重點(diǎn)人員布控預(yù)警。讓應(yīng)用于車站、機(jī)場(chǎng)、地鐵等重點(diǎn)場(chǎng)所和大型商場(chǎng)超市等人群密集的公共場(chǎng)所視頻監(jiān)控系統(tǒng)能夠?qū)σ曨l圖像進(jìn)行采集、自動(dòng)分析、抓取人臉實(shí)時(shí)比對(duì)，主動(dòng)在監(jiān)控場(chǎng)景中識(shí)別重點(diǎn)關(guān)注人員，實(shí)現(xiàn)重點(diǎn)人員的布控和識(shí)別。這是一個(gè)熱鬧的研究方向，同時(shí)也是一個(gè)巨大的研究挑戰(zhàn)。

　　算法前移：計(jì)算資源與算法精度的平衡問題

　　采用深度學(xué)習(xí)的方法來做人臉識(shí)別，需要消耗非常多的計(jì)算資源，針對(duì)服務(wù)器資源昂貴的市場(chǎng)情況，想要實(shí)現(xiàn)智能監(jiān)控系統(tǒng)的大規(guī)模部署，必須要考慮到承擔(dān)的經(jīng)濟(jì)成本。目前不少公司采用了將算法內(nèi)嵌至前端攝像機(jī)的經(jīng)濟(jì)做法，比如科達(dá)公司推出的感知型攝像機(jī)等，讓前端攝像機(jī)具備人臉檢測(cè)的功能，后端服務(wù)器再做二次分析，以此減少后端服務(wù)器的計(jì)算壓力。

　　顯而易見，如果想在前端攝像機(jī)上集成精度高速度快的人臉識(shí)別模塊，勢(shì)必需要前端硬件性能的匹配。而目前已有的硬件還達(dá)不到這樣的要求，只能在算法上做一些犧牲，如降低算法的復(fù)雜性，但這樣應(yīng)用到實(shí)際場(chǎng)景中，則會(huì)造成檢測(cè)效果的降低，如漏檢、誤檢。

　　大數(shù)據(jù)訓(xùn)練：數(shù)據(jù)從何而來以及如何訓(xùn)練

　　深度學(xué)習(xí)最核心的優(yōu)勢(shì)在于深度化，用足夠多的數(shù)據(jù)來訓(xùn)練，訓(xùn)練的越多，算法的魯棒性、泛化能力越強(qiáng)。目前深度學(xué)習(xí)算法的訓(xùn)練數(shù)據(jù)普遍都是幾十萬、上百萬級(jí)，像一些互聯(lián)網(wǎng)行業(yè)的IT巨頭們，他們的訓(xùn)練數(shù)據(jù)都是上千萬、甚至上億級(jí)別。

　　Fei-Fei LI在2015年TED TALK中向公眾介紹人工智能中計(jì)算機(jī)視覺技術(shù)的最新進(jìn)展時(shí)說道，ImageNet中下載了接近十億張照片，在巔峰時(shí)期，總共有接近五萬工作者，來自167個(gè)國家，幫助他們清理、分類、標(biāo)記，接近十億張候選圖片。“十億張”、“五萬工作者”這些關(guān)鍵詞無不暗示著獲取有標(biāo)注數(shù)據(jù)的時(shí)間和金錢成本。

　　首先，安防行業(yè)的“十億張”從何而來？據(jù)了解，盡管視頻監(jiān)控帶來了圖片與視頻資源的激增，一方面出于安全及隱私的考慮，不少公司做大數(shù)據(jù)訓(xùn)練時(shí)，樣本采用的是本公司自有建設(shè)的監(jiān)控資源庫，小范圍的區(qū)域監(jiān)控遠(yuǎn)遠(yuǎn)夠不成海量；另一方面，目前安防產(chǎn)品的形態(tài)并沒有給深度學(xué)習(xí)留下一個(gè)很好的空間，比如說安防系統(tǒng)的數(shù)據(jù)大多都存儲(chǔ)在一個(gè)錄像機(jī)、存儲(chǔ)設(shè)備里，他們可以是DVR、NVR、IPSAN或者云存儲(chǔ)里，這樣的構(gòu)成體系不太方便讓一個(gè)計(jì)算設(shè)備把它的數(shù)據(jù)挖掘出來，然后去處理。如果在未來可以有一個(gè)更友好的基礎(chǔ)設(shè)施出現(xiàn)：所有的監(jiān)控?cái)z像機(jī)都連到一個(gè)云上，在云上把深度學(xué)習(xí)的算法加載在上面，讓其接觸并分析所有的數(shù)據(jù)，真正實(shí)現(xiàn)大數(shù)據(jù)訓(xùn)練。

　　其次，“五萬工作者”的研發(fā)體量可望不可及。每天，安防企業(yè)的研發(fā)者都需要花大量的精力和人力投入到給圖像打標(biāo)簽的工作上，但是大量無監(jiān)督數(shù)據(jù)的獲取成本卻是微乎其微的。

　　回顧深度學(xué)習(xí)的發(fā)展史，有趣的是，2006年Hinton教授等人倡導(dǎo)的卻恰恰是利用無監(jiān)督學(xué)習(xí)來對(duì)深層神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。對(duì)無監(jiān)督數(shù)據(jù)的學(xué)習(xí)能力嚴(yán)重不足，以致大量無監(jiān)督數(shù)據(jù)就像富含黃金的沙海，我們卻沒有高效淘金的利器。直接從大量無監(jiān)督數(shù)據(jù)中學(xué)習(xí)模型確實(shí)是非常困難的，“無師自通”并非朝夕之功，但“少量有監(jiān)督數(shù)據(jù)+大量無監(jiān)督數(shù)據(jù)”的模式也許值得大力研究。

　　監(jiān)控?cái)z像機(jī)：智能是左手，高清是右手

　　從模擬到720p到1080p到4K，更高清甚至超清的監(jiān)控?cái)z像機(jī)始終是安防人的首要關(guān)注點(diǎn)，畢竟沒有有效的圖像采集信息，后面一切圍繞圖片或視頻展開的智能應(yīng)用都是紙上談兵。

　　一個(gè)很典型的例子便是2013年波士頓馬拉松暴恐案的偵破過程，警方在監(jiān)控畫面中定位到涉案的兩個(gè)嫌疑人，盡管嫌疑人距離監(jiān)控?cái)z像機(jī)不遠(yuǎn)，但他們的面部完全沒有到達(dá)一個(gè)清晰可辨的程度，后來警方借助現(xiàn)場(chǎng)媒體、民眾提供的視頻、照片，才鎖定了犯罪嫌疑人。因此，如果數(shù)據(jù)在采集過程中就沒有捕捉到，后期是沒有辦法把它捏造出來的，要根本解決這個(gè)問題，需要發(fā)明更好的監(jiān)控?cái)z像機(jī)，能夠在大廣角的情況下，仍然可以看清很遠(yuǎn)的距離。時(shí)至今日，除了特定場(chǎng)景下的高空瞭望攝像機(jī)外，我們依然沒有很好的監(jiān)控?cái)z像機(jī)可以遠(yuǎn)距離采集有效的人臉信息。

　　總結(jié)

　　人臉識(shí)別的最終訴求莫過于確認(rèn)身份，回答“他是誰？”、“他在干什么？”、“何地？”、“何時(shí)？”這四個(gè)問題，從而通過決策推理解決“應(yīng)該采取什么措施”的問題。在科研上，人臉識(shí)別技術(shù)日新月異，但落地到實(shí)際應(yīng)用時(shí)，大規(guī)模部署時(shí)系統(tǒng)的經(jīng)濟(jì)性、復(fù)雜環(huán)境下系統(tǒng)的魯棒性以及對(duì)應(yīng)的硬件支撐都是需要考慮的現(xiàn)實(shí)問題，解決了這些，小目標(biāo)的達(dá)成也將觸手可及。

　　（作者現(xiàn)任職于蘇州科達(dá)科技股份有限公司）