我是痞子，点击上方“关注”，每天为你分享个人精进干货。

（5）佩戴的口罩无法检测出人脸

识别

常用的人脸数据库

人脸图像的采集不同于指纹、掌纹需要接触指掌纹专用采集设备，指掌纹的采集除了对设备有一定的磨损外，也不卫生，容易引起被采集者的反感，而人脸图像采集的设备是摄像头，无须接触。

　　广电运通：公司定位“高端制造+高端服务”双轮驱动，产品及服务覆盖金融电子、轨道交通两大领域，是一家以银行自动柜员机（ATM）、远程智慧银行（VTM）、清分机、智能交通自动售检票系统（AFC）等自助设备产业为核心，融合自助设备维保服务、金融外包服务、金融武装押运业务三大服务业，集自主研发、生产、销售及服务为一体的现代化高科技企业。

测试同事需要关注特定领域内每个类别的指标，比如针对识别人脸的表情，里面有喜怒哀乐等分类，每一个分类对应的指标都是不一样的。测试同事需要将测试的结果完善地反馈给算法同事，算法同事才能找准模型效果欠缺的原因。同时，测试同事将本次模型的指标结果反馈给产品，由产品评估是否满足上线需求。

光照问题是机器视觉重的老问题，在人脸识别中的表现尤为明显。由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。

特征脸法（Eigenface）

BioID人脸数据库

比如“图片包含人脸大小应超过96＊96像素，测试结果达到XX程度满足需求。

（3）产品文档

理由：钢铁龙头

6．2 人脸识别中的关键指标

（汉王科技日K图）

为什么这项技术如此流行？因为它为人们和企业都增加了巨大的价值。面部开锁，诊断疾病，预防犯罪，寻找丢失的宠物等等。下一个人脸识别的举措将是什么？

它的采集端完全可以采用现有视频监控系统的摄像设备，后端应用的扩展性决定了人脸识别可以应用在出入控制、黑名单监控、人脸照片搜索等多领域。

在部分图片标注过程后，交于算法同事训练模型调节参数，期间将测试后的数据（精确率和召回率的计算，来反映数据的标注结果）反馈给还在标注的人员，有时可能造成过拟合有时可能造成欠拟合等方便对数据进行重新操作。

人脸识别是一种检测和识别人脸的技术。面部识别是如何工作的？它其实看到的是人脸数据。面部数据意味着独特的面部特征，如眼睛之间的距离、前额-下巴距离、鼻子宽度、颧骨形状等。面部识别软件的工作原理没有共同的答案，因为每个软件都基于可靠的专有算法。然而，我们仍然可以将这一进程分为两个主要阶段：

人脸配准算法的输入是“一张人脸图片”加“人脸坐标框”，输出五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值，可以根据不同的语义来定义（常见的有5点、68点、90点等等）。

基于几何特征的方法

上面左图表示size和prize的关系，我们学习到的模型曲线如右图所示，虽然在训练的时候模型可以很好地匹配数据，但是很显然过度扭曲了曲线，不是真实的size与prize曲线。

事实上，除去高校，人脸识别在众多场景内的落地已呈加速的趋势。8月23日，百度与首都机场签署了战略合作协议，目前百度人脸闸机已经入驻首都机场运控中心进行测试，主要承担楼内办公人员的出入打卡、数据监测的工作。更早以前，百度与乌镇、武夷山等旅游景区也进行过合作，通过精准人脸识别的闸机提高游园体验及管理效率。百度已经将人脸识别技术，尤其是闸机解决方案输出到更多的实际场景中，并且积累了一定的商业化运营经验。

由英国剑桥大学 AT&T 实验室创建，包含 40 人共 400 张面部图像，部分志愿者的图像包括了姿态,表情和面部饰物的变化。该人脸库在人脸识别研究的早期经常被人们采用，但由于变化模式较少，多数系统的识别率均可以达到 90%以上，因此进一步利用的价值已经不大。

 

CVPR：IEEE Conference on Computer Vision and Pattern Recognition

第一阶段（1950s—1980s）初级阶段

第二阶段（1990s）高潮阶段

第三阶段（1990s末～现在）

贝尔胡米尔（Belhumeur）等提出的 Fisherface 人脸识别方法是这一时期的另一重要成果。该方法 首先采用主成分分析（PCA）对图像表观特征进行降维。在此基础上，采用线性判别分析（LDA）的方法 变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸 识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA 判 别方法以及近期的一些基于核学习的改进策略。

精确率（precision）：识别为正确的样本数／识别出来的样本数＝99／100

召回率（recall）：识别为正确的样本数／所有样本中正确的数＝99／600

错误接受率／认假率／误识率（FARFalse Accept Rate）：

定义：指将身份不同的两张照片，判别为相同身份，越低越好

FAR ＝ NFA ／ NIRA

式中 NIRA 代表的是类间测试次数，既不同类别间的测试次数，打比方如果有1000个识别 模型，有1000个人要识别，而且每人只提供一个待识别的素材，那 NIRA＝1000＊（1000－1） 。NFA是错误接受次数。

FAR决定了系统的安全性，FRR决定了系统的易用程度，在实际中，FAR对应的风险远远高于FRR，因此，生物识别系统中，会将FAR设置为一个非常低的范围，如万分之一甚至百万分之一，在FAR固定的条件下，FRR低于5％，这样的系统才有实用价值。

错误拒绝率／拒真率／拒识率（FRR False Reject Rate）：

定义：指将身份相同的两张照片，判别为不同身份，越低越好

FRR ＝ NFR ／ NGRA

上式中NFR是类内测试次数，既同类别内的测试次数，打比方如果有1000个识别模型， 有1000个人要识别， 而且每人只提供一个待识别的素 材，那 NIRA＝1000，如果每个人提供N张图片，那么 NIRA＝N＊1000 。NFR是错误拒绝次数。

人脸识别技术就能很好的解决这一难题，帮助酒店实现系统化业务管理和一站式共享解决方案。智慧酒店的安防系统利用人脸识别技术，当顾客走到前台时系统已经自动根据顾客被摄像头捕捉到的影像调取顾客身份核对。整个验证核对过程简单、快速且实现了自动化，更大幅降低了人工识别造成的误差。而且，针对酒店VIP客人，系统可实时对比酒店大堂的摄像头影像和登记在酒店基础系统中的VIP面部数据，当VIP客人到达时，酒店可第一时间提供个性化周到服务，提高客户的满意度。

视频监控：传统视频监控厂家正在进行智能化转型，从原先的“监控”视频，到现在的“读懂”视频当中的人、 车、物、事；

门禁控制：传统门禁控制领域价值链低，所有厂家正在寻求新的方式来转型，绝大部分都在生物识别方式上进行 摸索；人脸识别面板机、闸机及其它通行道闸雨后春笋般出现；

楼宇对讲：普通楼宇对讲功能已无法满足使用要求，结合人脸识别功能的门禁系统需求越来越多；

防盗告警：通过智能化手段，达到降本增效目的，已成为防盗告警、巡更检查等功能的重点迭代方向；

可视化系统：降低非专业人士的使用难度，使得多方数据为“我”所用，为多种决策提供依据；信息孤岛问题亟待解决，万物互联已是所有厂家达成的共识。

信息孤岛问题（痛点）：

智能化系统种类繁多，系统之间无法实现无缝连接，综合管理难度大，效率低；

智能化子系统数据采集离散，标准不一，数据价值大打折扣，无法为管理提供决策依据和帮助；

各子系统依靠人工管理，人员配备要求高、劳动强度大，人工成本居高不小；

绝大多数B端客户不懂具体业务或细节，需要具象化、可视化系统呈现。

第一步：人员通信管理

第二步：传感网络融合

第三步：商业地产＋新零售

第一种思路：是学习并记忆多种姿态特征，这对于多姿态人脸数据可以容易获取的情况比较实用，其优点是算法与正面人脸识别统一，不需要额外的技术支持，其缺点是存储需求大，姿态泛化能力不能确定，不能用于基于单张照片的人脸识别算法中等。

第二种思路：是基于单张视图生成多角度视图，可以在只能获取用户单张照片的情况下合成该用户的多个学习样本，可以解决训练样本较少的情况下的多姿态人脸识别问题，从而改善识别性能。

第三种思路：是基于姿态不变特征的方法，即寻求那些不随姿态的变化而变化的特征。中科院计算所的思路是采用基于统计的视觉模型，将输入姿态图像校正为正面图像，从而可以在统一的姿态空间内作特征的提取和匹配。

交叉检验，通过交叉检验得到较优的模型参数；

特征选择，减少特征数或使用较少的特征组合，对于按区间离散化的特征，增大划分的区间；

正则化，常用的有 L1、L2 正则。而且 L1正则还可以自动进行特征选择；

如果有正则项则可以考虑增大正则项参数 lambda；

增加训练数据可以有限的避免过拟合；

Bagging ，将多个弱学习器Bagging 一下效果会好很多，比如随机森林等．

（1）年龄略有差距，自我估计＋－5，性别基本无误，头部状态略有误差，人种误差在30－40％（样本量10，白种人和黄种人误差明显），情绪基本无误，眼镜种类识别有误差（商品识别的范畴），强光状态下表现不佳。

现如今的人脸识别技术服务商，都以将技术接入第三方应用软件，或是搭载在智能终端上，通过收取一定技术服务费来获取盈利。目前国内的第一梯队创业公司都在技术和数据上沉淀，而是否盈利，盈利多少都还尚不明确。

互联网时代早期有很多功能性的产品。如早年间的QQ只有聊天的功能；360用户只是用它来给电脑杀杀毒；百度就是个即问即答的老师；搜狐、新浪也就是用来看看新闻而已。

移动互联网时代也有很多这样的产品。滴滴帮用户叫个车；高德也就差不多是古代的指南针。

案例分析：众所周知，上面举的例子不是互联网时代的高市值企业，就是移动互联网时代高融资率的企业。

QQ后来用户数越来越多，QQ号成网络身份的一个必不可少的身份属性之一，用户大量的数据沉淀在其中，通过用户的使用行为信息，小马哥知道了这么多人都用我的QQ，那赶紧搞个什么娱乐活动，让有QQ号的人都来玩，于是就有了庞大的游戏帝国产业，游戏里面又加上各种钻（什么粉钻、绿钻、紫钻、黑钻）对应的各种会员机制，QQ号又以其他的方式来获取用户的行为信息如，QQ音乐（下歌要钱、换皮肤要钱）、腾讯视频（各种广告收入、会员充钱等）、QQ邮箱（会员高级功能）等，让人们越加沉浸在QQ帝国的生态圈中，莫名其妙的就被吸走了很多钱。可能你会说我还可以用其他的呀，但是好烦啊，这个也要注册，那个也要注册，明明一个QQ号可以玩转所有，没办法我就是这么懒，所以说懒人创造了这个世界的绝大多数科技产品。

滴滴现如今估值几百亿美刀，投资人为何给一个只帮你叫车的公司如此高的估值，我们知道滴滴打车比一般的直接叫车要便宜一点点（专车除外），那它的盈利点从而来，投资人有看中了它的哪一点。其实不难理解，滴滴之所以有如今的估值，正因为其几乎垄断了国内的打车市场，大量的用户使用它，必然就会有用户的使用数据，而这些数据便是变现的好东西，一旦整个生态搭建完毕，未来滴滴就将这些数据用无人驾驶方面，一旦抢占了市场的制高点，未来在行业链上就有绝对的议价能力。比如现在人们已经习惯了去一个陌生地方，就来一个滴滴打车，若滴滴突然涨价，一公里涨几毛或一元，你用它还是不用；心理学表明，人养成一个习惯之后，就会有惯性，对于没有超出心理承受预期的东西（不是涨价涨得特别离谱），人们会一直保持这个习惯中的一些行为，而不愿做出改变（也就是常说的人有一种惰性）。因此我想大多数人都会去接受，因为可能你花时间自己打车也是需要很多成本的；用户基数比较大，那这个涨了几毛的就会带来不少的盈利空间（中国十几亿人口，一人给我一毛钱，我都能成为亿万富翁了，但对别人而言，一毛钱可能连袋辣条都买不到），这还只是一方面。

物联网时代之下，万物互联，万物智能，FR技术也必将融入到物联网之中，人们可能都不需要身份类的实物证件。回家开门扫脸，外出开车门扫脸，进公司扫脸，出去吃饭付钱扫脸。当人脸成为你的虚拟证件时，一旦又不法公司、团体、个人泄露或是破解了你的人脸虚拟证件，那么你的一切信息可能都暴露在他人面前，财产、房子、车子可能都有风险，还有可能因为丢失人脸证件，将无法证明你自己的身份，就像你丢了身份证一样。可想而知信息安全的重要性，未来估计会诞生一个虚拟身份信息系统，里面有每一个人的身份信息，当第三方需要身份认证时，可接入系统等。前阵子脸书因为社交信息泄露而惹上众怒引起公关麻烦。我想未来如果有一个公司专门负责用户信息数据的监管，我也不会觉得很奇怪的。

上一篇：江阴银行最新事件(江阴银行招股说明书)

下一篇：海天味业股票(海天酱油公司简介)