根据前瞻产业研究院对对人脸识别市场的预估，到2022年，中国人脸识别市场规模将超过66亿元。

关于人脸识别各种碎片式的报道，也层出不穷，但是鲜有文章能系统性的，从应用的角度出发来深入讲解人脸识别。为此，我们将从技术应用与商业模式两个维度，力求让读者，尤其是考虑AI+应用的从业者，看到全貌。

本篇，我们先来讲人脸识别的技术应用。

01 基础能力决定上层应用--基础层算法

我们可能断断续续听说过人脸检测、人脸识别等算法，但这些算法之间是否有联系，是否有体系?答案的是“有的”。

我们可以将人脸识别算法分为基础层算法与应用层算法。

基础层算法，相当于人脸的预处理。一张人脸，首先要经过人脸检测、特征关键点处理，质量模型过滤之后，才能到应用层算法做处理，并应用到实际场景中。基础层算法的优劣，很大程度上会影响最终的人脸识别准确率和效果。

02 应用落地，各取所需--应用层算法

目前，人脸识别在身份认证领域与互娱领域应用最为广泛;在智能交互，数据分析处理等方向上，人脸识别也在进行着积极探索。

身份认证/安防的核心功能在于确认“你是谁”，互娱领域的核心在于“人脸特效处理”;两个领域，两条赛道，分别拥有各自不同的产业链。

身份认证犹如一位思维严谨的工程师，狠抓识别准确率，防攻击等指标，并结合应用落地场景，串联业务流程，也是当下AI结合产业互联网的典型。

互娱领域就像一位钻研人性的产品经理，打造各种人脸特效，美颜、贴纸等都不在话下，并结合平台用户偏好，使用针对性的人脸特效策略，引领甚至塑造人们的审美潮流。

2.1 你是谁?无介质证明身份

日常生活中，原来我们都是需要通过介质(身份证、工牌、驾驶证等)来证明身份，而以人脸识别为代表的生物识别，则无需介质。

身份认证/安防的核心技术在于活体检测、人脸比对、人脸搜索;主要用于：线上远程认证场景(金融开户、刷脸注册、刷脸登录等)、线下无人值守场景(智慧交通、人脸门禁、刷脸取款、刷脸支付等)。

活体检测

是身份认证的第一步，因为首先我要确认这个人是真人，而不是视频、照片、面具等欺诈盗用行为。

活体检测的技术上，目前也主要有两大类：对硬件依赖度比较低的，如动作活体，静默活体;对硬件有一定要求，需要和硬件适配的，比如双目活体、3D结构光活体等。虽然后者的成本比前者高，但是防攻击效果更好，而在线下场景中，天然的需要硬件，因而后者也成为线下场景的最好选择。

原理上，都是采集人脸照片，并将照片做上标记(真/假样本)，并送到模型中训练从而得出算法。不同的活体检测，因为样本源不一样，比如红外摄像头采集的照片，带有灰度特征;3D结构光采集的照片带有深度信息，导致识别效果也不同。所以，活体检测的关键，除了算法、模型构造，还有一个就是图片样本本身所带有的信息量。

人脸比对

将两张人脸照片进行比对，得出相似度;第一张是现场采集的，第二张该如何得来?一般有两个来源：

1. 另外一个能代表你身份的载体，比如身份证、行驶证、驾驶证等证件照，这类场景用来做金融开户、人脸注册、网约车司机认证等场景，通过现场采集照比对你的证件照信息，确认你就是本人。

2. 账号下已经绑定的人脸：一般需要先输入账号，获取对应人脸。这类场景的典型应用是取代原来的密码功能，比如刷脸登录、刷脸支付等。

人脸搜索

是将采集到的人脸，和底库中的人脸全部进行比对，得出相似度最高的几张人脸底库照，并得出相似度，超过一定阈值，则可以认为是同一人。

人脸搜索，无需事先得到人脸照，只需要刷脸即可，在线下门禁等安防领域，线下刷脸支付等应用广泛。当然，不同的业务领域中，根据误识的后果，对人脸搜索的容错性也不一样;比如在工地人脸识别中的容错率，就要比在刷脸支付中的容错率要低。

需要说明的是，人脸搜索的准确率，是要结合人脸底库中人脸照片的数量来的，底库中人脸照片越多，识别准确率越低。这个和人一样，在2~3个人中，找出你曾经认识的人，比较容易;但是上百万个人，则长相相似的人也越多，辨识更困难。目前业界做的好的一般是百万级别的人脸库，识别准确率在95%以上

2.2 从工具到社交，娱乐至上

互娱应用，也深深契合着行业发展。

起初随着智能手机兴起，人们的自拍分享需求渐渐旺盛，美颜滤镜，作为与手机硬件深度结合的产品，见证着人们变美的时代，此时，算法主要由第三方算法公司提供。

随着4G时代带来，短视频社交成为人们生活热点，美颜滤镜、贴纸也应用于各大互娱平台中，并成为不可分割的一部分;对于短视频内容生产者来说，甚至已成为核心竞争力。因此，诸如快手、抖音等平台，都以自研算法，并结合客户群画像，独自研发。

滤镜美颜

这是图像美化中必不可少的步骤， 所谓滤镜，最初是指安装在相机镜头前过滤自然光的附加镜头，用来实现调色和添加效果。2008年，美图一炮而红，人们发现，原来滤镜还可以这么玩，自此，美颜滤镜开始了从工具到美学定义者的转变。

早起的传统算法，主要是先使用人脸特征关键点算法，勾画有效区域，然后在不同的区域进行亮度提升、去噪声等算法，实现美颜滤镜。

随着深度学习的兴起，研究人员们开始更关注结果，设计师将原图P成美化完成后的结果图，并用于训练。人们美颜后，究竟想变成什么样?研究重心也开始偏移。

贴纸，人脸融合

这是更高阶的玩法。核心还是人脸特征关键点，对于贴纸和人脸融合来说，关键点的数量越多越好，对齐的越准确。人脸融合，则是将两张人脸的关键点进行融合。

2.3 不断进取，跨越感知智能

人工智能承载了业界对于世界改造的期望，一定程度上说，属性识别、视线估计、gan等，从感知智能程度上往前更进了一步，但是因为技术不够成熟、商业应用领域狭窄等原因，至今未得到大规模商业应用。可以说，视觉AI想跨越到认知智能，AI与AI之间相互融合，依然还有很漫长的路要走

属性识别，年龄、性别，高兴、悲伤、愤怒等情绪，获取用户更多维的数据，丰富用户画像、个性化推荐、广告展示等等场景，听着很美好，对不对?毕竟在数据为王的时代，数据就是价值。但是，商用化还是存在技术硬伤，识别准确率也就70%左右。

近日，美国等5名专家，耗时两年，查阅1000多项研究，在论文《再论人类情感表达：从人类面部表情辨别情绪的方法论面临的挑战》(论文原名为：《Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements》)中表示：人类情绪的表达方式及其丰富复杂，很难靠简单的面部表情识别，人们生气时，在平均不到30%的时间里他们会皱眉，故皱眉不等于愤怒，皱眉知识“愤怒”的众多表达方式之一。同时，表情和语言、情境的相关关系也非常大。

视线估计

和人脸特征关键点比较像，检测完人脸之后，再检测人眼以及眼球，并锁定眼球中心等关键点位置，根据坐标来锁定视线方向。主要应用于课堂上，评估学生注意力;AR VR等新型硬件交互，通过视线方向，自动切换视频中的位置等;广告投放，评估行人对广告的注意力;目前而言，市场体系还是比较小，未得到大规模应用

GAN

全称为生成对抗网络，初衷是生成不存在于真实世界中的数据，使得AI具有创造力或者想象力，也是目前AI领域一个比较热门的研究方向。

GAN的核心网络分为生成器与判别器;生成器负责凭空捏造数据，判别器负责判断数据是否是真数据;两个核心网络相互博弈，直至动态平衡，让生成的数据无限逼真与真实数据。

如图，随机噪声就是随机生成的一些数，也就是gan生成图像的源头。

生成器根据一串随机数生成一个假图像，并用这些假图去欺骗判别器

而判别器通过真图和假图的数据(相当于天然的label)，进行一个二分类神经网络训练，并判别输入的是真图还是假图，给出一个分值。

举个例子，真图是一系列的人脸照。起初，生成器生成的的照片，肯定是乱七八糟的，但是判别器会去判断打分，告诉生成器，你生成的不是真图(人脸照)，于是生成器根据深度学习，反向传播等，不断去修改自己的图片，然后，生成的图片会越来越趋近于真实人脸，直至动态平衡。

GAN受到关注，很多原因，比如：

1. 本身是无监督的。目前人工智能的绝大部分能够商业应用算法都是监督算法，所谓监督算法，就是需要海量的样本，并进行人工标注，人为去告诉深度学习网络是是否正确，并传播训练，所以行业也有“有多少人工，就有多少智能”的调侃。

2. 让AI具备想象力，比如将模糊图变清晰(去雨、去雾、去抖动、去马赛克等)，能脑补情节 很多paper都在研究gan的发展前景。

03 写在最后

任何技术，也都遵循着从技术发展—>技术成熟—>商业落地的发展规律

技术的池子不断创新，同时商业也从技术池中，探索合适的技术，改造世界;

人脸识别作为一项复合性技术，既拥有现在，同时也在不断开拓未来。虽然困难重重，但前景令人心动。