編輯導讀：雖然技術的進步，人臉識別在生活中的應用越來越普遍。在上篇人臉識別的基本原理中，作者介紹了人臉識別背後的原理和方法，本文順著這個思路繼續完善人臉識別的基本產品原型，希望對你有幫助。
一、產品原型
簡化的產品原型中包括識別前端和識別伺服器兩部分。
識別前端承擔人臉照片採集和識別結果反饋職責，是面向用戶交互的入口。目前主流的產品形態包括人臉考勤機、人證核驗終端和人臉識別閘機等。
人臉識別伺服器主要包括人臉底庫管理和識別演算法管理，並基於產品特點包含對應的業務模塊，如考勤報表、預警記錄等，實現基本的業務閉環。
目前的產品原型，已有了基本框架，但系統需求和設計較簡單，無容錯能力，用戶體驗較差，離可用有較大的差距，需要繼續對需求深化和細化。
人臉識別在實際使用中可能出現以下情況：
- 採集到的人臉照片角度、大小等和預設的人臉底庫不一致，系統無法辨識；
- 採集的人臉照片和人臉底庫像素不一致，系統無法進行相似度計算；
- 環境、燈光等干擾造成成像質量較差，導致漏識別、誤識別;
- 比對速度較慢，精準度不夠，用戶使用抱怨多。
二、解決思路
在產品研發過程中，經常會出現這種產品實際體驗和預設體驗不一致的狀況。當發生這種情況時，需要認真分析原因，理順解決思路，不斷對產品迭代升級。
上面的問題其實可以分為兩類：
第一類是因為環境、距離、角度等因素干擾使得採集到的照片和系統底庫照片不一致，導致相似度計算有問題；
第二類問題是人臉相似度計算速度太慢、精度偏低。
其中第二種問題一般出現在演算法層面，需要協同演算法工程師進行演算法更新、升級進行解決。
我們將目標聚焦在第一類問題，即待識別照片和識別底庫不一致的情況。這種情況下，我們可以分別從採集照片和底庫照片兩個角度入手，提出針對性的解決思路：
思路一：限制通過前端採集到的照片，保持與人臉底庫的一致性。
比如，當強制採集照片和底庫都採用身份證照片時，系統比對通過率較高。類似的方法在較早的人臉考勤機中使用，通過限制用戶在打卡時的表情、距離、光線等提升精度，並強迫用戶通過同樣的前端採集並識別人臉，俗稱「同源識別」。
強迫用戶在人臉打卡時保持姿勢固定不動，用戶體驗很差。目前市面上主流的人臉識別系統均採用「動態識別技術」，不限制用戶保持靜止，在移動過程中即可完成識別過程，並且不要求採集照片和識別照片同源。
思路二：增加底庫中照片的數量，將人員不同角度、環境、距離的照片都錄入系統，提高比對的成功率。
這種做法操作難度很大，變數條件過多，基本無法實施。即使系統存儲了多張照片，問題沒有完全解決，識別精度並沒有明顯提升，且由於增大了數據量，增加了運算的複雜性，降低運算速度，系統響應時間也相應延長。
既然沒有辦法限制採集照片和底庫照片，在基本不影響精度和速度的前提下，可以在採集和比對之間插入中間環節，對照片進行處理，使得兩者儘可能相似。
在人臉識別和其他圖像處理領域這是種通用做法，並有專業名稱叫做「圖像預處理」。不管是在傳統的人臉識別系統還是基於深度學習的人臉識別系統中，都少不了這個環節。對原有的系統設計更新如下。
接下來對圖像預處理所包含的內容和需求做簡單的介紹。
1）設置ROI
當圖像內容包含過多像素時，系統很難定位到有效信息。比如，當圖像整體像素大小為800*800，包含人臉的區域像素只有200×200，其他均為背景，直接比對效果很差。可以對圖像進行預處理，快速找到包含有效信息的目標區域，即Region of Interest(ROI)，「感興趣區域」。
在人臉識別系統中，可以對採集到的人臉照片，通過方框、圓、橢圓、不規則多邊形等方式勾勒出需要處理的區域，在這個區域內進行進一步處理或者直接對比。
尋找ROI有很多方法，比如基於膚色。從顏色上看，不同顏色人種的膚色在照片上具有穩定的特徵，不會隨表情、角度、尺寸等而發生變化。可以根據膚色屬性的這種特點和規律建模，快速識別到人臉ROI，從而將人臉區域和非人臉區域分開。
2）幾何變換
由於成像、採集角度等原因可能造成採集的人臉有一定的變形，對於肉眼來說這些變形並不會帶來太大的干擾，但對計算機來說卻是截然不同的。
這種情況叫做圖像的「幾何失真」，可以對圖像進行縮放、翻轉、仿射、映射等幾何變換最大程度地消除。幾何變換通常不改變圖像的像素值，而是將像素進行坐標變換，改變像素之間的排列關係，進而將注意力集中在圖像內容本身的特徵，而不是位置、角度、尺度等其他信息。
3）閾值處理
幾何變換由於不改變圖片的像素值，無法解決由於燈光等環境因素導致圖像呈現出不同情況。以灰度圖像為例，使用8bit表示某一像素時，單像素就存在256個灰度階，直接利用灰度階進行計算會帶來計算誤差。
這種情況下，需要對灰度階進行限制，盡量將採集圖像和底庫照片的灰度階統一，從肉眼上圖片可能會有些失真，但不影響計算機的處理和識別。可以根據實際情況，將256個灰度階劃分為幾個區間，將區間內的像素指定為某一個像素值，減少不同灰度值所帶來的影響，這種處理方法稱為「閾值處理」。
4）雜訊去除
圖像在形成、傳輸過程中往往會受到干擾，在結果圖像中引入雜訊。輕度的雜訊信號不會幹擾圖像的可觀測性，但當雜訊嚴重時，圖像中呈現出較多的無用信息，人臉無法識別或出現誤識別等情況。
在盡量保留圖像可觀測信息的情況下，檢測出現的雜訊並進行過濾，這個過程叫做「圖像濾波」。圖像濾波是圖像預處理中不可缺少的環節，一般通過構造圖像濾波器進行解決。濾波器可以高效地去除噪音，能夠保留圖像目標的特徵，並不會損壞圖像輪廓及邊緣。
對於圖片中經常出現的雜訊，通過統計學手段可以發現其特點，進而開發出通用濾波器，比如均值、中值、方框、雙邊等濾波進行噪音過濾。
當然，有一些雜訊使用成熟的濾波技術去除時效果較差，而必須自行設計濾波，這種方法也被稱為「卷積技術」。
不管是在傳統機器學習還是基於深度學習的人臉識別系統中，都採用了卷積技術，不同點在於值的填充方式。傳統系統由人工進行設計並填充，而深度學習可以通過自動學習得到所需要的值，處理起來更加靈活、高效。
5）其他處理
除了列舉到的常規預處理手段，人臉識別系統中還會用到其他預處理手段，比如顏色變換、圖像分割等。這些需求可以根據具體場景下圖像的特點和產品需求進行細化，實現圖像更精細化的處理。
除了進行圖像質量處理，在產品設計時也需要考慮性能指標。由於增加了預處理手段，可能會影響人臉識別速度，增大了系統響應時間，所以必須在精度和速度之間取得平衡。
很多時候，往往是由用戶需求驅動技術的進步。對於人臉識別系統來說也是如此，為了增強抗干擾能力而增加了圖像預處理階段，雖並不完美但保證了產品的落地，驅動技術尋找更優的方案，達到產品和技術的良性互動。
接下來，我們繼續從產品的角度對人臉識別進行拆解，並提出完善思路。
作者：AIoT產品，10年B端產品設計經驗；微信公眾號：AIoT產品