[導讀]多家技術公司針對金融行業(yè)人臉認證這一需求持續(xù)改進算法，隨著PK的不斷升級，人臉認證圖像相對可控下的人臉識別性能不斷被刷新，固定識別通過率為90%，識別誤匹配率指標被降低了好幾個數量級，此為深度學習技術在人臉識別領域的“碩果初嘗”。

人臉識別、圖像分類、語音識別是最早的深度學習取得突破的主要幾個技術方向。在2014年前后，多家技術公司紛紛宣布其利用深度學習在LFW上取得的最新成果，此為深度學習技術在人臉識別領域的“小試牛刀”。隨后，商湯、Face++等國內的多家技術公司針對金融行業(yè)人臉認證這一需求持續(xù)改進算法，隨著PK的不斷升級，人臉認證圖像相對可控下的人臉識別性能不斷被刷新，固定識別通過率為90%，識別誤匹配率指標被降低了好幾個數量級，此為深度學習技術在人臉識別領域的“碩果初嘗”。類似的技術被用在了手機APP的人臉登錄、相冊管理等，這里不一一贅述。

而當下，人臉識別的挑戰(zhàn)焦點重新回到了安防行業(yè)的應用。人臉識別在安防行業(yè)的應用無外乎如下幾種：

（1）1vs1身份確認。如火車站、賓館等場合需要核實身份證與持證人員是否為同一個人，此類應用與金融行業(yè)的身份認證基本無異。

（2）1vsN實時比對報警。如在火車站、地鐵站、機場等重要節(jié)點設置人員通道，對在逃人員等進行實時布控，一旦出現立即予以抓捕。又如商業(yè)應用，通過實時比對進店人員，發(fā)現VIP并提高服務質量，此類應用的需求最為強烈，而難度也最大，布控庫的規(guī)模直接決定了系統(tǒng)是否可用、好用，下文將專門進行分析。

（3）靜態(tài)庫或身份庫的檢索。如對常住人口、暫住人口的人臉圖片進行預先建庫，通過輸入各種渠道采集的人臉圖片，能夠進行比對和按照相似度排序，進而獲悉輸入人員的身份或者其他關聯(lián)信息，此類應用存在兩種擴展形式，單一身份庫自動批量比對并發(fā)現疑似的一個人員具有兩個或以上身份信息的靜態(tài)庫查重，兩個身份庫之間自動交叉比對發(fā)現交集數據的靜態(tài)庫碰撞。

（4）動態(tài)庫或抓拍庫的檢索。對持續(xù)采集的各攝像頭點位的抓拍圖片建庫，通過輸入一張指定人員的人臉圖片，獲得其在指定時間范圍和指定攝像頭點位出現的所有抓拍記錄，方便快速瀏覽，當攝像頭點位關聯(lián)GIS系統(tǒng)，則可以進一步的按照時間順序排列檢索得到的抓拍記錄，并繪制到GIS上，得到人員運動的軌跡。

應用（3）和（4）通常情況下是有操作人員進行交互的，交互操作人的介入一定程度上提升了系統(tǒng)對算法絕對準確的依賴，當前已經取得較好的應用效果，并為公安行業(yè)的各項工作起到輔助作用。

以目前人臉識別中比較常見的應用1vs1身份確認為例，應用深度學習以后，正確率不斷提升，甚至已經超過人類的識別正確率（97.5%）。圖1給出了深度學習算法在LFW上的性能提升。可以看到，最近幾年，隨著深度學習在人臉識別中的研究越來越深入，香港中文大學的DeepID系列和google的FaceNet不斷刷新著LFW正確率。但另一方面，在這個測試集上，各家算法的性能差距并沒有拉開。這是因為LFW的注冊集和測試集規(guī)模都較小，而且圖片質量較好，相對比較受控。而在安防行業(yè)中，隨著數據規(guī)模的增加以及場景越來越復雜，算法性能帶來的差異會更大。例如，最近華盛頓大學公開了MegaFace測試集，包括690572個唯一ID和100萬人臉圖片。在這個測試集上，LBP只有2.3%的正確率，聯(lián)合貝葉斯只有3.02%，而FaceNet則達到了70%以上。這一結果也說明了即使是目前最先進的人臉識別算法，在實際應用時，性能也還是不能令人滿意。