在科技迅速發展的現代只有和具體場景結合才能夠體現其價值，那么作為人工智能的一個分支人臉識別到底能識別到哪些場景呢?讓人很好奇的識別的過程又是什么樣的的?下面就讓愛爾傳感的專業人士來為大家詳細介紹一下人臉識別全過程及場景。
 

人臉識別全過程

　　1、人臉檢測

　　人臉檢測算法的輸入是一張圖片，輸出是人臉框坐標序列(0個人臉框或1個人臉框或多個人臉框)。一般情況下，輸出的人臉坐標框為一個正朝上的正方形，但也有一些人臉檢測技術輸出的是正朝上的矩形，或者是帶旋轉方向的矩形。

　　2、人臉配準

　　人臉配準算法的輸入是“一張人臉圖片”加“人臉坐標框”，輸出五官關鍵點的坐標序列。五官關鍵點的數量是預先設定好的一個固定數值，可以根據不同的語義來定義。

　　當前效果的較好的一些人臉配準技術，基本通過深度學習框架實現，這些方法都是基于人臉檢測的坐標框，按某種事先設定規則將人臉區域扣取出來，縮放的固定尺寸，然后進行關鍵點位置的計算。

　　3、人臉屬性識別

　　一般的人臉屬性識別算法的輸入是“一張人臉圖”和“人臉五官關鍵點坐標”，輸出是人臉相應的屬性值。人臉屬性識別算法一般會根據人臉五官關鍵點坐標將人臉對齊(旋轉、縮放、扣取等操作后，將人臉調整到預定的大小和形態)，然后進行屬性分析。

　　常規的人臉屬性識別算法識別每一個人臉屬性時都是一個獨立的過程，即人臉屬性識別只是對一類算法的統稱，性別識別、年齡估計、姿態估計、表情識別都是相互獨立的算法。但的一些基于深度學習的人臉屬性識別也具有一個算法同時輸入性別、年齡、姿態等屬性值的能力。

　　4、以在基本保證算法效果的前提下，將模型大小和運算速度優化到移動端可用的狀態。
 

　　5、人臉比對

　　人臉比對算法的輸入是兩個人臉特征(注：人臉特征由前面的人臉提特征算法獲得)，輸出是兩個特征之間的相似度。人臉驗證、人臉識別、人臉檢索都是在人臉比對的基礎上加一些策略來實現。相對人臉提特征過程，單次的人臉比對耗時極短，幾乎可以忽略。

　　基于人臉比對可衍生出人臉驗證、人臉識別、人臉檢索、人臉聚類等算法。

　　6、人臉驗證

　　它的輸入是兩個人臉特征，通過人臉比對獲得兩個人臉特征的相似度，通過與預設的閾值比較來驗證這兩個人臉特征是否屬于同一人(即相似度大于閾值，為同一人;小于閾值為不同)。

　　7、 人臉識別

　　它的輸入一個人臉特征，通過和注冊在庫中N個身份對應的特征進行逐個比對，找出“一個”與輸入特征相似度較高的特征。將這個較高相似度值和預設的閾值相比較，如果大于閾值，則返回該特征對應的身份，否則返回“不在庫中”。

　　8、人臉檢索

　　人臉檢索通過將輸入的人臉和一個集合中的說有人臉進行比對，根據比對后的相似度對集合中的人臉進行排序。根據相似度從高到低排序的人臉序列即使人臉檢索的結果。

　　9、人臉聚類

　　人臉聚類也通過將集合內所有的人臉兩兩之間做人臉比對，再根據這些相似度值進行分析，將屬于同一個身份的人劃分到一個組里。

　　10、人臉活體

　　和前面所提到的人臉技術相比，人臉活體不是一個單純算法，而是一個問題的解法。這個解法將用戶交互和算法緊密結合，不同的交互方式對應于完全不同的算法。鑒于方法的種類過于繁多，這里只介紹“人臉活體”的概念，不再展開。
 

　　人臉識別的場景

　　其場景的尋找，依舊是需求調研/分析的工作，基本可以按照以下2個步驟進行：

　　梳理客戶/用戶業務的流程、多方利益相關人訴求等因素。

　　找到流程中機械工作&利于客戶/用戶目標的場景。

　　例如：社區改造中，如果客戶是物管管理層，那么場景建設重心便是圍繞其運營效率/成本、物業價值的外化等。在此基礎上，尋找與此相關的機械工作，如保安三班倒值守，進出人員登記等。再如人臉支付，優化的機械工作是支付密碼輸入等。ToB和ToC業務，因其客戶、用戶屬性存在不一致性，需要區分對待。

　　另外，如上文所述，受限于當前技術能力，無論什么場景，都需要基于準確率和體驗的均衡來設計。達不到效果最好內部/種子用戶多磨練，畢竟吸引客戶/用戶的機會可能只有一次。

　　以上就是關于人臉識別的過程及識別場景的介紹，想要了解更多相關資訊敬請關注本站。