系统梳理人脸识别开发的硬核技巧

随着人脸识别终端设备的广泛应用，很多开发者在实践中会产生疑惑：为什么同一款主板，运行性能相仿的算法时，系统资源占用会相差悬殊？为什么同样配备了活体检测，防攻击能力却可以差好几个级别？ 事实上，人脸识别算法在实际部署中存在一些编程开发策略，能对识别效果和识别速度产生显著影响。某视觉开放平台推出的"从零学习人脸识别"技术公开课第七期——《人脸识别应用方案（PC和设备端）》对此做了详细阐述（完整课程可搜索"从零学习人脸识别"），将主要从人脸追踪、双目活体对齐、图像质量检测和特征值提取技巧等进行系统性介绍。

一、有效降低系统资源占用的【人脸追踪】

人脸追踪是相当重要的优化策略之一，最大的用处是防止重复识别，降低资源占用，在需要同时检测多张人脸等算力消耗较高的场景下，可以显著提升识别速度。 从技术原理来说，算法在运行过程中，会检测视频系列帧前后的人脸移动情况和特征，从而进行追踪和检测。以某视觉开放平台的ArcFace免费人脸识别算法为例，当人脸入框时，算法会根据检测结果为该张人脸标记一个FaceID。该人脸从进入画面到离开画面的整个过程中，FaceID不变，算法也不会重复提取特征值，避免重复识别导致资源无效占用。

二、提升活体检测精确度的【双目活体对齐】

作为甄别纸张照片、屏幕成像、人脸面具等伪造人脸攻击的主要防守手段，活体检测几乎是人脸识别不可或缺的刚需功能。目前，免费人脸识别SDK可以同时支持RGB和IR红外双目活体检测，既能通过分析采集摩尔纹、成像畸形、反射率等人像破绽来识别活体，也能基于红外图像天然滤除特定波段光线的特征，来抵御基于屏幕成像的假脸攻击，在成本与性能上达到了较好的平衡。

但是，由于RGB摄像头和红外摄像头是不同的模组，不可避免会在成像参数和组装精度上有所不同。因此需要进行双目对齐，以确保两个镜头在活体检测、人脸比对时，使用的是同一张人脸图像。 一般来说，我们的策略是将RGB镜头所检测到人脸框坐标，嵌套至红外镜头采集的图像中。如发现该人脸框与红外图像中的对应人脸有所偏移，就需要对该人脸框坐标进行调整。

人脸框嵌套只是最简单的双目对齐策略，在安卓系统上开发时，还需要用到镜像、缩放、旋转等对齐策略，这些都可以在某视觉开放平台所提供的官方Demo中得到参考。

三、提升识别效率的【图像质量检测算法】

无感通行是人脸识别闸机、门禁等设备非常重要的卖点。要实现这一效果，除了与芯片算力、算法性能有关，也需要用于识别的人脸图像质量合格。图像质量检测能对摄像头拍摄的人脸图像进行评估，刨除低质量图片，只留下质量较好的人脸图像进行检测。 在实际使用中，模糊、遮挡、大角度、逆光暗光等复杂环境问题，都会导致摄像头拍摄的人脸图像难以识别。未引入图像质量检测的情况下，图片质量再差也会被系统送入人脸识别环节，直到识别失败后再进行下一次抓拍。人脸图像检测提供的筛选机制能避免系统做无用功，从而提升后续流程的效率。对比实验中，增加图像质量检测的人脸识别系统，后续环节耗时平均减少约30%。

除影响识别效率外，图像质量检测也能帮助用户高效完成人脸识别底库注册，快速完成人工筛选难以完成的工作量的同时，也让底库注册照的质量更有保障。

四、加速系统运行的【特征值保存技巧】

在人脸识别算法的运行过程中，特征值的保存方式也对运行速度有所影响。如果照片底库只有几十张或者上百张，可以将特征值保存在缓存中，每次启动程序都进行一次完整特征值提取。但注册底库达到数千甚至上万张人脸照的规模时，提取完整特征值耗时就会较长，此时如果将特征值保存在数据库中再用于人脸比对，对人脸识别速度会有明显提升。 人脸识别开发是一个复杂工程，除核心算法的研发外，还涉及很多影响性能的技术细节，掌握与否对最终产品影响极大。"从零学习人脸识别"系列课程将持续帮助开发者们查漏补缺，既夯实基础，也释疑难题，从而成长技术全面的开发人员