被神化的“人臉識別”技術 當真就有那麼神奇嗎？
自2015年3月馬月展示了支付寶的刷臉支付功能以後，刷臉技術的應用場景也就越來越廣泛了，譬如說某些機場、高鐵站啟用了刷臉進站。在大眾追捧新技術的趨勢之下，人臉識別技術變成了很多產品用來添光加彩的“智慧技術”，但是，被神化的“人臉識別”技術，當真就有那麼神奇嗎？
的確，“人臉識別”技術作為一種新興技術在一時之內是吸引了眾人的目光，但是，目前很多人臉識別的落地應用還處在一個非常初級的階段，技術價值並不高。
首先，我們要弄明白人臉識別這一概念。人臉識別其實是個相對寬泛的大分類，基於生物特徵識別技術，利用人的特徵實現個體的區分。其中技術包括影象採集、特徵定位、身份的確認和查詢等等。
簡單來說，就是從照片中提取人臉中的特徵，比如眉毛高度、嘴角等等，再通過特徵的對比輸出結果。
在應用上，人臉識別也分很多層級，目前在我國應用最多還是1：1等級，也就是人臉識別中最初級的“證明你是你”。
1：1等級的人臉識別通常是使用者上傳符合規則的照片在系統上，線下拍照，於系統中的照片進行對比。在機場、高鐵站這種為線下拍照提供了較好條件（燈光、拍照畫素等等）的環境中，說實話對於技術的硬性要求不算太高。而知乎中還有網友提到，關於人臉識別終端演算法部署授權只需要500元/套，其使用成本可見一斑。而這一技術也絕非最近才出現，在高中時期，我的學校就用過刷臉考勤查驗課間操跑步圈數。
對運算環境要求更高的是1：N級和N：N級的人臉識別。也就是單一特徵對比多種特徵和多種特徵對比多種特徵。而這兩種等級的人臉識別在應用上也常常無法提供較好的環境，比如1：N級人臉識別可以應用於失蹤人口搜尋中，在特殊情況下拍的照片存在角度、光線的複雜性，加大了特徵提取、對比的難度。
LBP，人臉識別的魔法根源
或許我們可以更深一步探究人臉識別的演算法，比如Local Binary Pattern（區域性二元模式）。這種演算法可以將某一畫素周邊的灰度值和該畫素作比較，從而去除光線的影響提取特徵。
除了LBP外，常用的特徵提取演算法還有很多，像是Gabor濾波器。當然，提取特徵只是第一步，接下來還要根據特徵進行分類，這時就要應用貝葉斯、決策樹等等分類演算法。
最近大火的深度學習也正逐漸被應用於人臉識別中，深度學習將特徵提取和分類兩個步驟融合在一起。利用神經網路黑盒子的特性計算出最適合的特徵提取模式，從而可以直接跳過“特徵提取影響識別結果”這一怪圈，讓演算法的應用範圍更大。
當然，由於深度學習需要應用大量的資料樣本和較長時間的訓練時間，對於整體運算環境要求也很高，相比物美價廉的LBP，應用範圍還不大。
演算法基礎？實用性更重要！
雖然有人認為人臉識別只是個很基礎的演算法，但我們認為在應用上範疇上，人臉識別還是一座未經發掘的寶礦。
單純從身份驗證、識別角度來看，就有遠端信貸、證券事務辦理、實名制系統驗證、來訪記錄、安檢稽核等等範疇的應用。在提高識別準確性的前提下，還可以利用進行罪犯/失蹤人口追蹤排查，總之科幻片裡通過大街小巷攝像頭找人的情節完全可以進入現實。
除了這些落地性強的應用模式，目前討論熱度最高的還有大資料+人臉識別，也就是通過大量人臉樣本的累積，從中提取特徵並總結規律。像是提取表情特徵，構建情緒判斷系統；或者通過面色、皺紋、斑點等等特徵分析病情。不過這些應用範疇距離落地應用還很遠，想要實現情緒判斷、視覺診斷等等目的，人臉識別是否是最好的方式也不得而知。
總體看來，在中國的技術企業中，人臉識別算是泡沫較高的一個類別，不光Face++、雲從等等企業都拿過千萬美金級別的融資。各個企業也將該技術的引用視作踏入AI的一步，大肆PR吹捧，就連一些自拍工具也想來蹭一蹭熱度。
其實目前人臉識別的應用還停留在基礎上，也就是在較好環境中實現1：1人臉識別，而拍照美顏更僅僅應用到了人臉特徵定點提取，連識別預處理都算不上，這樣也要強吹只能說發言人的心理素質有些過於強悍了。