本文作者：微軟亞洲研究院　孫劍

近期，微軟發(fā)布了一款有趣的應(yīng)用 ——“微軟我們”，只需任意上傳兩張人物照片，就可以知道他們長的有多像，比如，測試你是否和某個明星長得很像，或者夫妻/男女朋友是不是有夫妻相等。與前一陣風(fēng)靡全球的How-Old.net相似，它們都很巧妙地將人臉識別與社交網(wǎng)絡(luò)中的人際交往結(jié)合在一起，雖然不能做到百分之百精確，但高科技加詼諧的人際交往和傳播效果，可以說是人臉識別技術(shù)和社交網(wǎng)絡(luò)發(fā)展到一定階段、自然而然的應(yīng)用創(chuàng)新。

開發(fā)者們可以用基于云計算平臺Azure的牛津計劃API實(shí)現(xiàn)很多有趣的想法，而作為提供人臉識別技術(shù)的中國研究團(tuán)隊(duì)，我們要做的除了根據(jù)用戶反饋快速迭代精進(jìn)API，更要從研究本源上不斷優(yōu)化人臉識別算法。

大量”閱讀“照片學(xué)習(xí)辨識，深度學(xué)習(xí)成主流識別方式

微軟亞洲研究院在人臉識別領(lǐng)域已經(jīng)耕耘了近20年時間，從最早的子空間方法，到后來的局部描述子方法，再到現(xiàn)在的深度學(xué)習(xí)方法，我們歷經(jīng)了所有人臉識別技術(shù)的主流研究方法。

在20世紀(jì)80、90年代，人臉識別的誤差還比較大，應(yīng)用領(lǐng)域也很有限，通常在檢查證件照等特定領(lǐng)域才會使用。當(dāng)時的技術(shù)頗為簡單，通常是將圖像經(jīng)簡單的預(yù)處理后線性地映射到一個高維向量空間中。由于只是線性模型能力的不足，那時的識別準(zhǔn)確率與今天相比大概是數(shù)10倍的差距。

在2000年～2010年，局部描述子方法成為研究主流。它在人臉的局部區(qū)域（如眉、眼、鼻、嘴等）抽取局部描述子，再線性或非線性地映射到高維向量空間中去。這類方法的識別準(zhǔn)確率較上一階段的子空間方法有很大提升。不過因?yàn)樘卣骱湍Ｐ褪冀K是人工設(shè)計的，所以仍然存在一定的局限性。

從2012年至今，深度學(xué)習(xí)方法在學(xué)術(shù)界被迅速地廣泛使用。通過深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練出來的人臉識別算法極大地提高了識別精度。簡而言之，就是讓已經(jīng)在網(wǎng)絡(luò)結(jié)構(gòu)中預(yù)設(shè)了人臉識別先驗(yàn)知識的神經(jīng)網(wǎng)絡(luò)大量“閱讀”很多人在各種環(huán)境（例如光照，視角，表情）下拍攝到的不同人臉照片，自動學(xué)習(xí)并提取人臉各個部位和尺度的低，中，高層特征。在大量學(xué)習(xí)之后，它便能根據(jù)所提供的監(jiān)督信息將不同的人分開。

隨著計算機(jī)技術(shù)的發(fā)展，廉價的PC+GPU的方式可以提供上千個并行的計算單元，這讓深度學(xué)習(xí)一下子在多個計算機(jī)研究領(lǐng)域異軍突起，成就了相當(dāng)多全新的研究方法。

人臉識別的基礎(chǔ)環(huán)節(jié)

How-Old.net和“微軟我們”主要是對靜態(tài)的人臉照片進(jìn)行識別，這只使用了人臉識別技術(shù)中的一小部分。一個完整的人臉識別系統(tǒng)，可以在含有人臉的圖片或視頻流中自動檢測和跟蹤人臉，進(jìn)而達(dá)到識別目的，通常也叫做人像識別、面部識別?？偟膩碚f，人臉識別系統(tǒng)可以大致分為以下四個部分：

首先，檢測人臉在哪里。首先要從照片中識別出人臉在哪里，它的大小、位置等。目前常用的是級聯(lián)分類器，可以利用人工設(shè)計的特征模型或深度學(xué)習(xí)模式進(jìn)行一級一級的篩選。若要加快速度，可在前期使用人工設(shè)計的特征模型，快速篩去不是人臉的部位，后期利用深度學(xué)習(xí)去精細(xì)化地判斷每一個留下的部位是否是人臉。

其次，定位人臉和各個部位。在給定人臉之后，再確定出鼻子、眼睛、嘴巴等，這通常采用回歸預(yù)測的方法?；貧w器可以有很多種，隨機(jī)森林方法、深度學(xué)習(xí)方法都能實(shí)現(xiàn)。以深度學(xué)習(xí)為例，訓(xùn)練的時候告訴回歸器到底眼睛在哪里、鼻尖在哪里，預(yù)測值和真實(shí)值的距離越小越好，并據(jù)此不斷調(diào)整回歸器的參數(shù)，用成千上萬的人臉照片反復(fù)訓(xùn)練，直到回歸器能夠準(zhǔn)確輸出人臉各個器官的準(zhǔn)確位置信息。

第三，人臉特征的匹配與識別。這個過程是將待識別的人臉特征與已經(jīng)得到的人臉特征模板進(jìn)行比較，根據(jù)詳細(xì)程度對人臉的身份信息進(jìn)行判斷。使用深度學(xué)習(xí)方法可以大大簡化這一過程，因?yàn)樗械奶卣髌ヅ涠际怯缮窠?jīng)網(wǎng)絡(luò)自動實(shí)現(xiàn)，這也是目前最有效的識別方法。

最后，人臉屬性的識別。用戶感興趣的人臉屬性可能包含很多，比如年齡（使用在How-Old.net中），性別，表情，種族，發(fā)型，是否戴眼鏡，胡子的類型。這類屬性通常使用深度學(xué)習(xí)方法可直接進(jìn)行分類或回歸。

高識別率與用戶體驗(yàn)

雖然經(jīng)常聽說有人臉識別算法的準(zhǔn)確率在某個特定的評測數(shù)據(jù)庫上已經(jīng)超過人類的識別率，但在實(shí)際應(yīng)用場景中，并沒有一個放之四海的基準(zhǔn)可以去衡量人臉識別算法的準(zhǔn)確率。針對不同的應(yīng)用，訓(xùn)練數(shù)據(jù)和算法共同決定了識別率和用戶體驗(yàn)。

錯誤接受率是人臉識別中的一個重要指標(biāo)，通常錯誤接受率越低越好。不能錯放任何一個人進(jìn)去，嚴(yán)格確保安全，但同時也可能意味著真正的用戶在多次嘗試刷臉之后也進(jìn)不去，這大大降低了最終的用戶體驗(yàn)。所以在實(shí)際應(yīng)用中，安全與用戶體驗(yàn)的謹(jǐn)慎平衡是必須要考慮的重要因素。所以，當(dāng)我們看到人臉識別應(yīng)用的巨大進(jìn)步時，仍需要客觀、嚴(yán)謹(jǐn)?shù)貙Υ四樧R別算法本身，時刻提醒自己，它的局限性猶存，我們還需要不斷尋求更多、更有效的方法去提升它。

科學(xué)研究的每一次進(jìn)步，都會催生多種多樣的創(chuàng)新應(yīng)用。深度學(xué)習(xí)、社交網(wǎng)絡(luò)、移動互聯(lián)網(wǎng)的興起相互交叉，加之人臉識別研究多年的積累，開啟了人臉識別應(yīng)用的創(chuàng)新潮，它們或有趣、或?qū)嵱茫⑶乙欢〞絹碓蕉??；蛟S在不久的未來，計算機(jī)就能夠通過人類的表情和肢體語言體會人類的喜怒哀樂。