人臉識別、圖像分類(lèi)、語(yǔ)音識別是最早的深度學(xué)習取得突破的主要幾個(gè)技術(shù)方向。在2014年前后，多家技術(shù)公司紛紛宣布其利用深度學(xué)習在LFW上取得的最新成果，此為深度學(xué)習技術(shù)在人臉識別領(lǐng)域的“小試牛刀”。隨后，商湯、Face++等國內的多家技術(shù)公司針對金融行業(yè)人臉認證這一需求持續改進(jìn)算法，隨著(zhù)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(guò)率為90%，識別誤匹配率指標被降低了好幾個(gè)數量級，此為深度學(xué)習技術(shù)在人臉識別領(lǐng)域的“碩果初嘗”。類(lèi)似的技術(shù)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，人臉識別的挑戰焦點(diǎn)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(wú)外乎如下幾種：

　　

　　（1）1vs1身份確認。如火車(chē)站、賓館等場(chǎng)合需要核實(shí)身份證與持證人員是否為同一個(gè)人，此類(lèi)應用與金融行業(yè)的身份認證基本無(wú)異。

　　

　　（2）1vsN實(shí)時(shí)比對報警。如在火車(chē)站、地鐵站、機場(chǎng)等重要節點(diǎn)設置人員通道，對在逃人員等進(jìn)行實(shí)時(shí)布控，一旦出現立即予以抓捕。又如商業(yè)應用，通過(guò)實(shí)時(shí)比對進(jìn)店人員，發(fā)現VIP并提高服務(wù)質(zhì)量，此類(lèi)應用的需求最為強烈，而難度也最大，布控庫的規模直接決定了系統是否可用、好用，下文將專(zhuān)門(mén)進(jìn)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(jìn)行預先建庫，通過(guò)輸入各種渠道采集的人臉圖片，能夠進(jìn)行比對和按照相似度排序，進(jìn)而獲悉輸入人員的身份或者其他關(guān)聯(lián)信息，此類(lèi)應用存在兩種擴展形式，單一身份庫自動(dòng)批量比對并發(fā)現疑似的一個(gè)人員具有兩個(gè)或以上身份信息的靜態(tài)庫查重，兩個(gè)身份庫之間自動(dòng)交叉比對發(fā)現交集數據的靜態(tài)庫碰撞。

　　

　　（4）動(dòng)態(tài)庫或抓拍庫的檢索。對持續采集的各攝像頭點(diǎn)位的抓拍圖片建庫，通過(guò)輸入一張指定人員的人臉圖片，獲得其在指定時(shí)間范圍和指定攝像頭點(diǎn)位出現的所有抓拍記錄，方便快速瀏覽，當攝像頭點(diǎn)位關(guān)聯(lián)GIS系統，則可以進(jìn)一步的按照時(shí)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(dòng)的軌跡。

　　

　　應用(3)和(4)通常情況下是有操作人員進(jìn)行交互的，交互操作人的介入一定程度上提升了系統對算法絕對準確的依賴(lài)，當前已經(jīng)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(jiàn)的應用1vs1身份確認為例，應用深度學(xué)習以后，正確率不斷提升，甚至已經(jīng)超過(guò)人類(lèi)的識別正確率(97.5%)。圖1給出了深度學(xué)習算法在LFW上的性能提升。可以看到，最近幾年，隨著(zhù)深度學(xué)習在人臉識別中的研究越來(lái)越深入，香港中文大學(xué)的DeepID系列和google的FaceNet不斷刷新著(zhù)LFW正確率。但另一方面，在這個(gè)測試集上，各家算法的性能差距并沒(méi)有拉開(kāi)。這是因為L(cháng)FW的注冊集和測試集規模都較小，而且圖片質(zhì)量較好，相對比較受控。而在安防行業(yè)中，隨著(zhù)數據規模的增加以及場(chǎng)景越來(lái)越復雜，算法性能帶來(lái)的差異會(huì )更大。例如，最近華盛頓大學(xué)公開(kāi)了MegaFace測試集，包括690572個(gè)唯一ID和100萬(wàn)人臉圖片。在這個(gè)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(shuō)明了即使是目前最先進(jìn)的人臉識別算法，在實(shí)際應用時(shí)，性能也還是不能令人滿(mǎn)意。