人臉識(shí)別技術(shù)分析

　　1、人臉識(shí)別(FR技術(shù))產(chǎn)品的優(yōu)勢(shì)

　　1)非接觸:

　　人臉圖像的采集不同于指紋、掌紋需要接觸指掌紋專用采集設(shè)備，指掌紋的采集除了對(duì)設(shè)備有一定的磨損外，也不衛(wèi)生，容易引起被采集者的反感，而人臉圖像采集的設(shè)備是攝像頭，無(wú)須接觸。

　　2)非侵?jǐn)_:

　　人臉照片的采集可使用攝像頭自動(dòng)拍照，無(wú)須工作人員干預(yù)，也無(wú)須被采集者配合，只需以正常狀態(tài)經(jīng)過(guò)攝像頭前即可。

　　3)友好:

　　人臉是一個(gè)人出生之后暴露在外的生物特征，因此它的隱私性并不像指掌紋、虹膜那樣強(qiáng)，因此人臉的采集并不像指掌紋采集那樣難以讓人接受。

　　4)直觀:

　　我們判斷一個(gè)人是誰(shuí)，通過(guò)看這個(gè)人的臉就是最直觀的方式，不像指掌紋、虹膜等需要相關(guān)領(lǐng)域?qū)＜也趴梢耘袆e。

　　5)快速:

　　從攝像頭監(jiān)控區(qū)域進(jìn)行人臉的采集是非?？焖俚模?yàn)樗姆歉深A(yù)性和非接觸性，讓人臉采集的時(shí)間大大縮短。

　　6)簡(jiǎn)便:

　　人臉采集前端設(shè)備——攝像頭隨處可見，它不是專用設(shè)備，因此簡(jiǎn)單易操作。

　　7)可擴(kuò)展性好:

　　它的采集端完全可以采用現(xiàn)有視頻監(jiān)控系統(tǒng)的攝像設(shè)備，后端應(yīng)用的擴(kuò)展性決定了人臉識(shí)別可以應(yīng)用在出入控制、黑名單監(jiān)控、人臉照片搜索等多領(lǐng)域。

　　2、FR三大識(shí)別場(chǎng)景

　　1)人臉確認(rèn)(1:1)：

　　(1)簡(jiǎn)介：

　　將某人面像與指定人員面像進(jìn)行一對(duì)一的比對(duì)，根據(jù)其相似程度來(lái)判斷二者是否是同一人，相似 程度一般以能否超過(guò)某一量化閥值為依據(jù)。簡(jiǎn)單的說(shuō)就是A/B兩張照片比對(duì)，產(chǎn)生的計(jì)算數(shù)值是否達(dá)到要求。

　　(2)產(chǎn)品應(yīng)用：

　　快速的人臉識(shí)別比對(duì)，移動(dòng)支付認(rèn)證、安全性身份核對(duì)、作為身份確認(rèn)的一種新方式，比如考生身份確認(rèn)、公司考勤確認(rèn)、各種證件照和本人確認(rèn)。

　　(3)實(shí)際問題：

　　產(chǎn)品在系統(tǒng)設(shè)計(jì)的邏輯上，需要先考慮調(diào)取已儲(chǔ)存對(duì)象信息的先驗(yàn)條件。通過(guò)界面/語(yǔ)音的提示，使得待認(rèn)證者預(yù)先知道自己正處于被核對(duì)的過(guò)程中，且已預(yù)先了解擬核對(duì)對(duì)象的身份。

　　(4)比對(duì)來(lái)源的三種主要方式：

　　1. 用戶自傳照片，比如支付寶的人臉比對(duì)，用戶自傳的照片最大的問題是照片質(zhì)量的合格率太低，拍照的光線、角度等因素會(huì)導(dǎo)致采集源的質(zhì)量下降，不利于后期的大批量人臉特征碼管理。

　　2. 使用身份證讀卡器，讀取身份證上的照片，遺憾的是這張照片2K的大小，不過(guò)也是目前用最多的源照片提取方式，比較適合簽到場(chǎng)合。

　　3. 使用公安部旗下NCIIC的人臉比對(duì)接口(注意，不是網(wǎng)紋照片接口，這個(gè)接口已經(jīng)不對(duì)外)，使用的是直接的人臉比對(duì)接口。

　　2)人臉辨認(rèn)(1:N)：

　　(1)簡(jiǎn)介：

　　將某人面像與數(shù)據(jù)庫(kù)中的多人的人臉進(jìn)行比對(duì)，并根據(jù)比對(duì)結(jié)果來(lái)鑒定此人身份，或找到其中最相似的人臉，并按相似程度的大小輸出檢索結(jié)果。

　　(2)產(chǎn)品應(yīng)用：

　　人臉開門、人臉檢索，排查犯罪嫌疑人、失蹤人口的全庫(kù)搜尋、一人多證的重復(fù)排查等。

　　(3)實(shí)際問題：

　　1、走失兒童的項(xiàng)目中去： 這一類系統(tǒng)的部署需要兩個(gè)條件：A. BCD基本庫(kù)(比如1000萬(wàn)人) B. 強(qiáng)大的算法硬件

　　2、零售店中的刷臉支付長(zhǎng)江，需要用戶預(yù)先輸入全手機(jī)號(hào)，確定用戶身份再進(jìn)行人臉識(shí)別，將原本為1:N的問題轉(zhuǎn)化為了1:1的問題。

　　(4)產(chǎn)品難點(diǎn)：

　　1、1:N中的N能夠支持多大

　?、?場(chǎng)景多樣化

　　從一個(gè)班級(jí)百號(hào)人刷臉簽到，到一個(gè)公司千號(hào)人的刷臉打卡，再到一個(gè)學(xué)校的幾萬(wàn)人，一個(gè)四線城市幾十 萬(wàn)人，一個(gè)一線城市的幾千萬(wàn)人，難度是呈指數(shù)上升的。

　?、?公司實(shí)際情況

　　目前各家公司的成熟人臉識(shí)別應(yīng)用能夠支持幾萬(wàn)到幾百萬(wàn)人不等的應(yīng)用場(chǎng)景，而且還有一個(gè)錯(cuò)誤率的概念。比如，公司宣稱千萬(wàn)分之一的錯(cuò)誤率的情況下(1/10000000)，人臉通過(guò)率其實(shí)只有93%，這是因?yàn)楹茈y做到一定不發(fā)生錯(cuò)誤，而且每個(gè)人都能識(shí)別通過(guò)。(假如一家公司說(shuō)自己能做到億分之一的錯(cuò)誤率，通過(guò)率能做到98%以上，多半是虛假宣傳，在實(shí)際使用中是很難達(dá)到的)

　　2、非配合場(chǎng)景

　　在配合場(chǎng)景下：比如ATM機(jī)刷臉取款，用戶會(huì)自主配合，將人臉以一個(gè)理想的角度通過(guò)識(shí)別。

　　而在非配合應(yīng)用場(chǎng)景下，比如監(jiān)控視頻下的人臉識(shí)別，追蹤違法犯罪分子的身份信息，情況就要困難得多。這種情況下，用戶臉部會(huì)發(fā)生角度偏大，遮擋，光線不可控等問題。

　　3、跨人種，跨年齡識(shí)別問題

　　研究發(fā)現(xiàn)，在一個(gè)數(shù)據(jù)集上訓(xùn)練好的模型，想到遷移到另外一個(gè)人種上，效果會(huì)出現(xiàn)較大程度的下降。另 外，人臉隨著年齡的變化帶來(lái)的改變也給人臉識(shí)別帶來(lái)不小的挑戰(zhàn)。

　　要改善這樣的問題，一個(gè)必要條件是需要建立一個(gè)足夠完備的跨人種，跨年齡的人臉數(shù)據(jù)庫(kù);在國(guó)內(nèi)的話，是 以漢族人為主，同時(shí)跨年齡的人臉數(shù)據(jù)庫(kù)也比較難收集，需要不短的時(shí)間跨度。

　　4、產(chǎn)品體驗(yàn)

　?、?近來(lái)備受關(guān)注的刷臉支付，很多時(shí)候都會(huì)要求用戶輸入全手機(jī)號(hào)，或手機(jī)號(hào)后四位，以縮小用戶搜索庫(kù)大 小，實(shí)際上這是比較影響體驗(yàn)的。

　?、?西安一高校晨讀刷臉簽到，由于系統(tǒng)實(shí)際響應(yīng)匹配時(shí)間過(guò)長(zhǎng)，導(dǎo)致學(xué)生排百米長(zhǎng)隊(duì)。

　　3)多人臉檢索(N:N)：

　　(1)簡(jiǎn)介：

　　1：N同時(shí)作業(yè)就是N:N了，同時(shí)相應(yīng)多張照片檢索需求。

　　(2)實(shí)際產(chǎn)品問題中：

　　1、在視頻級(jí)N:N的校驗(yàn)中，如果要提高通過(guò)率，很多時(shí)候是采取降低準(zhǔn)確率的方式，降低算法隊(duì)列數(shù)量;同樣在一些比賽中為了降低誤識(shí)率，大大提高了準(zhǔn)確率，所以算法在校驗(yàn)的過(guò)程中必須遵循至少一個(gè)固定標(biāo)準(zhǔn)，追求的是速度效率還是最高準(zhǔn)確率。

　　2、視頻流的幀處理所用，對(duì)服務(wù)器的計(jì)算環(huán)境要求嚴(yán)苛，目前的算法系統(tǒng)所支撐的輸出率非常有限。

　　主要的限制如下：

　　海量的人臉照片解析需要大量運(yùn)算(目前很少看到在采集端直接解析的，都是照片剪裁) 海量的人臉照片傳輸需要大量的帶寬(常見的720布控?cái)z像頭抓取最小的人臉照片為20K) 海量的人臉照片在后臺(tái)檢索需要耗費(fèi)大量的運(yùn)算(國(guó)內(nèi)主流主機(jī)為例，最多到24路攝像頭

　　3、產(chǎn)品實(shí)戰(zhàn)中的物理問題：

　　1)光照問題

　　(1)簡(jiǎn)介：

　　光照問題是機(jī)器視覺重的老問題，在人臉識(shí)別中的表現(xiàn)尤為明顯。由于人臉的3D結(jié)構(gòu)，光照投射出的陰影，會(huì)加強(qiáng)或減弱原有的人臉特征。

　　(2)解決思路：

　　A、對(duì)其進(jìn)行包括光照強(qiáng)度和方向、人臉反射屬性的量化，面部陰影和照度分析等，嘗試建立數(shù)學(xué)模型，以利用這些光照模型，在人臉圖像預(yù)處理或者歸一化階段盡可能的補(bǔ)償乃至消除其對(duì)識(shí)別性能的影響，將固有的人臉屬性(反射率屬性、3D表面形狀屬性)和光源、遮擋及高光等非人臉固有屬性分離開來(lái)。

　　B、基于光照子空間模型的任意光照?qǐng)D像生成算法，用于生成多個(gè)不同光照條件的訓(xùn)練樣本，然后利用具有良好的學(xué)習(xí)能力的人臉識(shí)別算法，如子空間法，SVM等方法進(jìn)行識(shí)別。

　　2)人臉姿態(tài)問題

　　(1)簡(jiǎn)介：

　　與光照問題類似，姿態(tài)問題也是目前人臉識(shí)別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。姿態(tài)問題涉及頭部在三維垂直坐標(biāo)系中繞三個(gè)軸的旋轉(zhuǎn)造成的面部變化，其中垂直于圖像平面的兩個(gè)方向的深度旋轉(zhuǎn)會(huì)造成面部信息的部分缺失。針對(duì)姿態(tài)的研究相對(duì)比較的少，目前多數(shù)的人臉識(shí)別算法主要針列正面、準(zhǔn)正而人臉圖像，當(dāng)發(fā)生俯仰或者左右側(cè)而比較厲害的情況下，人臉識(shí)別算法的識(shí)別率也將會(huì)急劇下降。面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識(shí)別的準(zhǔn)確率。

　　(2)解決思路：

　　1、第一種思路：

　　是學(xué)習(xí)并記憶多種姿態(tài)特征，這對(duì)于多姿態(tài)人臉數(shù)據(jù)可以容易獲取的情況比較實(shí)用，其優(yōu)點(diǎn)是算法與正面人臉識(shí)別統(tǒng)一，不需要額外的技術(shù)支持，其缺點(diǎn)是存儲(chǔ)需求大，姿態(tài)泛化能力不能確定，不能用于基于單張照片的人臉識(shí)別算法中等。

　　2、第二種思路：

　　是基于單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下合成該用戶的多個(gè)學(xué)習(xí)樣本，可以解決訓(xùn)練樣本較少的情況下的多姿態(tài)人臉識(shí)別問題，從而改善識(shí)別性能。

　　3、第三種思路：

　　是基于姿態(tài)不變特征的方法，即尋求那些不隨姿態(tài)的變化而變化的特征。中科院計(jì)算所的思路是采用基于統(tǒng)計(jì)的視覺模型，將輸入姿態(tài)圖像校正為正面圖像，從而可以在統(tǒng)一的姿態(tài)空間內(nèi)作特征的提取和匹配。

　　3)遮擋問題

　　對(duì)于非配合情況下的人臉圖像采集，遮擋問題是一個(gè)非常嚴(yán)重的問題。特別是在監(jiān)控環(huán)境下，往往彼監(jiān)控對(duì)象都會(huì)帶著眼鏡，帽子等飾物，使得被采集出來(lái)的人臉圖像有可能不完整，從而影響了后面的特征提取與識(shí)別，甚至?xí)?dǎo)致人臉檢測(cè)算法的失效。

　　4)年齡變化

　　隨著年齡的變化，面部外觀也在變化，特別是對(duì)于青少年，這種變化更加的明顯。對(duì)于不同的年齡段，人臉識(shí)別算法的識(shí)別率也不同。一個(gè)人從少年變成青年，變成老年，他的容貌可能會(huì)發(fā)生比較大的變化，從而導(dǎo)致識(shí)別率的下降。對(duì)于不同的年齡段，人臉識(shí)別算法的識(shí)別率也不同。

　　5)人臉相似性

　　不同個(gè)體之間的區(qū)別不大，所有的人臉的結(jié)構(gòu)都相似，甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對(duì)于利用人臉進(jìn)行定位是有利的，但是對(duì)于利用人臉區(qū)分人類個(gè)體是不利的

　　6)圖像質(zhì)量

　　人臉圖像的來(lái)源可能多種多樣，由于采集設(shè)備的不同，得到的人臉圖像質(zhì)量也不一樣，特別是對(duì)于那些低分辨率、噪聲大、質(zhì)量差的人臉圖像(如手機(jī)攝像頭拍攝的人臉圖片、遠(yuǎn)程監(jiān)控拍攝的圖片等)如何進(jìn)行有效地人臉識(shí)別是個(gè)需要關(guān)注的問題。同樣的，對(duì)于高分辨圖像對(duì)人臉識(shí)別算法的影響也需要進(jìn)一步的研究。

　　7)樣本缺乏

　　基于統(tǒng)計(jì)學(xué)習(xí)的人臉識(shí)別算法是目前人臉識(shí)別領(lǐng)域中的主流算法，但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的訓(xùn)練。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流形分布，能得到的樣本只是對(duì)人臉圖像空間中的一個(gè)極小部分的采樣，如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問題有待進(jìn)一步的研究。

　　8)海量數(shù)據(jù)

　　傳統(tǒng)人臉識(shí)別方法如PCA、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對(duì)于海量數(shù)據(jù)，這些方法其訓(xùn)練過(guò)程難以進(jìn)行，甚至有可能崩潰。

　　9)大規(guī)模人臉識(shí)別

　　隨著人臉數(shù)據(jù)庫(kù)規(guī)模的增長(zhǎng)，人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降

　　10)動(dòng)態(tài)識(shí)別

　　非配合性人臉識(shí)別的情況下，運(yùn)動(dòng)導(dǎo)致面部圖像模糊或攝像頭對(duì)焦不正確都會(huì)嚴(yán)重影響面部識(shí)別的成功率。在地鐵、高速公路卡口、車站卡口、超市反扒、邊檢等安保和監(jiān)控識(shí)別的使用中，這種困難明顯突出;

　　11)人臉防偽

　　偽造人臉圖像進(jìn)行識(shí)別的主流欺騙手段是建立一個(gè)三維模型，或者是一些表情的嫁接。隨著人臉防偽技術(shù)的完善、3D面部識(shí)別技術(shù)、攝像頭等智能計(jì)算視覺技術(shù)的引入，偽造面部圖像進(jìn)行識(shí)別的成功率會(huì)大大降低。

　　12)丟幀和丟臉問題

　　需要的網(wǎng)絡(luò)識(shí)別和系統(tǒng)的計(jì)算機(jī)識(shí)別可能會(huì)造成視頻的丟幀和丟臉現(xiàn)象，特別是監(jiān)控人流量大的區(qū)域，由于網(wǎng)絡(luò)傳輸?shù)膸拞栴}和計(jì)算能力問題，常常引起丟幀和丟臉問題。

　　13)攝像機(jī)的頭像問題

　　攝像機(jī)很多技術(shù)參數(shù)影響視頻圖像的質(zhì)量，這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內(nèi)置圖像處理芯片和鏡頭等，同時(shí)攝像機(jī)內(nèi)置的一些設(shè)置參數(shù)也將影響質(zhì)量，如曝光時(shí)間、光圈、動(dòng)態(tài)白平衡等參數(shù)。

　　4、實(shí)戰(zhàn)中的數(shù)據(jù)標(biāo)注

　　1)數(shù)據(jù)標(biāo)注

　　(1)一般來(lái)說(shuō)，數(shù)據(jù)標(biāo)注部分可以有三個(gè)角色

　　1. 標(biāo)注員：標(biāo)注員負(fù)責(zé)標(biāo)記數(shù)據(jù)。

　　2. 審核員：審核員負(fù)責(zé)審核被標(biāo)記數(shù)據(jù)的質(zhì)量。

　　3. 管理員：管理人員、發(fā)放任務(wù)、統(tǒng)計(jì)工資。

　　只有在數(shù)據(jù)被審核員審核通過(guò)后，這批數(shù)據(jù)才能夠被算法同事利用。

　　(2)數(shù)據(jù)標(biāo)記流程

　　1. 任務(wù)分配：假設(shè)標(biāo)注員每次標(biāo)記的數(shù)據(jù)為一次任務(wù)，則每次任務(wù)可由管理員分批發(fā)放記錄，也可將整個(gè)流程做成“搶單式”的，由后臺(tái)直接分發(fā)。

　　2. 標(biāo)記程序設(shè)計(jì)：需要考慮到如何提升效率，比如快捷鍵的設(shè)置、邊標(biāo)記及邊存等等功能都有利于提高標(biāo)記效率。

　　3. 進(jìn)度跟蹤：程序?qū)?biāo)注員、審核員的工作分別進(jìn)行跟蹤，可利用“規(guī)定截止日期”的方式淘汰怠惰的人。

　　4. 質(zhì)量跟蹤：通過(guò)計(jì)算標(biāo)注人員的標(biāo)注正確率和被審核通過(guò)率，對(duì)人員標(biāo)注質(zhì)量進(jìn)行跟蹤，可利用“末位淘汰”制提高標(biāo)注人員質(zhì)量。

　　2)模型訓(xùn)練

　　數(shù)據(jù)標(biāo)記完成后，交由算法同學(xué)進(jìn)行模型的訓(xùn)練，期間發(fā)現(xiàn)的問題可與產(chǎn)品一起商討。訓(xùn)練過(guò)程中，最好能可視化一些中間結(jié)果。一來(lái)可以檢測(cè)代碼實(shí)現(xiàn)是否有Bug，二來(lái)也可以通過(guò)這些中間結(jié)果，來(lái)幫助自己更好的理解這個(gè)算法的過(guò)程。

　　3)模型測(cè)試

　　測(cè)試同事(一般來(lái)說(shuō)算法同事也會(huì)直接負(fù)責(zé)模型測(cè)試)將未被訓(xùn)練過(guò)的數(shù)據(jù)在新的模型下做測(cè)試。

　　如果沒有后臺(tái)設(shè)計(jì)，測(cè)試結(jié)果只能由人工抽樣計(jì)算，抽樣計(jì)算繁瑣且效率較低。模型的效果，需要在精確率(識(shí)別為正確的樣本數(shù)/識(shí)別出來(lái)的樣本數(shù))和召回率(識(shí)別為正確的樣本數(shù)/所有樣本中正確的數(shù))中達(dá)到某一個(gè)平衡。

　　測(cè)試同事需要關(guān)注特定領(lǐng)域內(nèi)每個(gè)類別的指標(biāo)，比如針對(duì)識(shí)別人臉的表情，里面有喜怒哀樂等分類，每一個(gè)分類對(duì)應(yīng)的指標(biāo)都是不一樣的。測(cè)試同事需要將測(cè)試的結(jié)果完善地反饋給算法同事，算法同事才能找準(zhǔn)模型效果欠缺的原因。同時(shí)，測(cè)試同事將本次模型的指標(biāo)結(jié)果反饋給產(chǎn)品，由產(chǎn)品評(píng)估是否滿足上線需求。

　　(1)測(cè)試環(huán)境說(shuō)明

　　例如：

　　CPU：Intel(R) Core(TM) i7-4790 CPU @ 3.60 GHz

　　內(nèi)存：8GB

　　系統(tǒng)：Ubuntu 14.04 x86_64/Windows 7 SP1 64bit

　　GCC版本：4.8.2

　　(2)測(cè)試集和測(cè)試需求說(shuō)明(比如“圖片包含人臉大小應(yīng)超過(guò)96*96像素，測(cè)試結(jié)果達(dá)到XX程度滿足需求)

　　1. 經(jīng)典人臉身份識(shí)別測(cè)試集LFW，共包含13233 張圖片 5749 種不同身份;世界記錄99.7%。

　　2. CK+ (一個(gè)人臉表情數(shù)據(jù)集)，包含固定表情和自發(fā)表情，包含123個(gè)人的593個(gè)表情序列。每個(gè)序列的目標(biāo)表情被FACS編碼，同時(shí)添加了已驗(yàn)證的情感標(biāo)簽(生氣、厭惡、害怕、快樂、悲傷、驚訝)。

　　(3)需要說(shuō)明“有效距離，左右角度，上下角度，速度”等參數(shù)值(范圍)

　　注：這和“部署的靈活性”相關(guān)——由于不同客戶不同場(chǎng)景的需求不同，所以技術(shù)方的人臉檢測(cè)模塊，一般可以通過(guò)調(diào)整參數(shù)得到N種亞型，以適應(yīng)不同應(yīng)用場(chǎng)景(光照、角度、有效距離、速度) 下對(duì)運(yùn)算量和有效檢測(cè)距離的需求。

　　(4)測(cè)試結(jié)果——欠擬合

　　1、定義：模型沒有很好地捕捉到數(shù)據(jù)特征，不能夠很好地?cái)M合數(shù)據(jù)

　　欠擬合

　　左圖表示size與prize關(guān)系的數(shù)據(jù)，中間的圖就是出現(xiàn)欠擬合的模型，不能夠很好地?cái)M合數(shù)據(jù)，如果在中間的圖的模型后面再加一個(gè)二次項(xiàng)，就可以很好地?cái)M合圖中的數(shù)據(jù)了，如右面的圖所示。

　　2、解決方法：

　　1)添加其他特征項(xiàng)，有時(shí)候我們模型出現(xiàn)欠擬合的時(shí)候是因?yàn)樘卣黜?xiàng)不夠?qū)е碌?，可以添加其他特征?xiàng)來(lái)很好地解決。例如，“組合”、“泛化”、“相關(guān)性”三類特征是特征添加的重要手段，無(wú)論在什么場(chǎng)景，都可以照葫蘆畫瓢，總會(huì)得到意想不到的效果。

　　2)添加多項(xiàng)式特征，這個(gè)在機(jī)器學(xué)習(xí)算法里面用的很普遍，例如將線性模型通過(guò)添加二次項(xiàng)或者三次項(xiàng)使模型泛化能力更強(qiáng)。例如上面的圖片的例子。

　　3)減少正則化參數(shù)，正則化的目的是用來(lái)防止過(guò)擬合的，但是現(xiàn)在模型出現(xiàn)了欠擬合，則需要減少正則化參數(shù)。

　　4)嘗試非線性模型，比如核SVM 、決策樹、DNN等模型。

　　(5)測(cè)試結(jié)果——過(guò)擬合

　　1、定義：模型把數(shù)據(jù)學(xué)習(xí)的太徹底，以至于把噪聲數(shù)據(jù)的特征也學(xué)習(xí)到了，這樣就會(huì)導(dǎo)致在后期測(cè)試的時(shí)候不能夠很好地識(shí)別數(shù)據(jù)，即不能正確的分類，模型泛化能力太差。例如下面的例子。

　　過(guò)擬合

　　上面左圖表示size和prize的關(guān)系，我們學(xué)習(xí)到的模型曲線如右圖所示，雖然在訓(xùn)練的時(shí)候模型可以很好地匹配數(shù)據(jù)，但是很顯然過(guò)度扭曲了曲線，不是真實(shí)的size與prize曲線。

　　二、解決方法：

　　從產(chǎn)品角度

　　1)重新清洗數(shù)據(jù)，導(dǎo)致過(guò)擬合的一個(gè)原因也有可能是數(shù)據(jù)不純導(dǎo)致的，噪音太多影響到模型效果，如果出現(xiàn)了過(guò)擬合就需要我們重新清洗數(shù)據(jù)。

　　2)增大數(shù)據(jù)的訓(xùn)練量，還有一個(gè)原因就是我們用于訓(xùn)練的數(shù)據(jù)量太小導(dǎo)致的，訓(xùn)練數(shù)據(jù)占總數(shù)據(jù)的比例過(guò)小。

　　從算法角度

　　1)交叉檢驗(yàn)，通過(guò)交叉檢驗(yàn)得到較優(yōu)的模型參數(shù);

　　2)特征選擇，減少特征數(shù)或使用較少的特征組合，對(duì)于按區(qū)間離散化的特征，增大劃分的區(qū)間;

　　3)正則化，常用的有 L1、L2 正則。而且 L1正則還可以自動(dòng)進(jìn)行特征選擇;

　　4)如果有正則項(xiàng)則可以考慮增大正則項(xiàng)參數(shù) lambda;

　　5)增加訓(xùn)練數(shù)據(jù)可以有限的避免過(guò)擬合;

　　6)Bagging ,將多個(gè)弱學(xué)習(xí)器Bagging 一下效果會(huì)好很多，比如隨機(jī)森林等.

　　4)標(biāo)注流程中遇到的問題

　　(1)項(xiàng)目過(guò)程中的不確定性：

　　1、出現(xiàn)原因：

　　一般情況下，只要數(shù)據(jù)標(biāo)注的規(guī)范清晰，對(duì)規(guī)則的界定從一而終，標(biāo)注工作的流程還是比較簡(jiǎn)單的。

　　數(shù)據(jù)標(biāo)注規(guī)范可能會(huì)在測(cè)試后根據(jù)結(jié)果情況進(jìn)行調(diào)整，那么，規(guī)則修改前后“數(shù)據(jù)標(biāo)注的一致性”就出現(xiàn)了問題，會(huì)導(dǎo)致多次返工，在時(shí)間和人工成本上頗有影響。

　　2、解決方法：

　　1)如是分類性質(zhì)的解析工作，建議標(biāo)注規(guī)則先從非?？隙ǖ姆呛诩窗组_始;規(guī)則設(shè)定由簡(jiǎn)到繁，帶有疑慮數(shù)據(jù)再另外作記號(hào)。隨著規(guī)則一步步深入，可能會(huì)出現(xiàn)交叉影響，此時(shí)就需要放棄一些低頻問題的規(guī)則，余下的未標(biāo)注的數(shù)據(jù)就根據(jù)新的規(guī)則標(biāo)注。

　　2)如是多類規(guī)則同時(shí)進(jìn)行的標(biāo)注工作，需要把每類規(guī)則定得足夠細(xì)致。

　　3)實(shí)例：

　　1、如詢問機(jī)器人會(huì)干什么的語(yǔ)料中出現(xiàn)，“你說(shuō)你會(huì)干什么?”可以理解為詢問，也可能是嫌棄，這兩類應(yīng)對(duì)的策略不同，有歧義，所以不能把它歸納如詢問類，需要把它從訓(xùn)練集里剔除。

　　2、如人臉情緒識(shí)別中，一個(gè)人在流眼淚，有時(shí)可以理解為傷心落淚，有時(shí)可以理解為喜極而泣，還有時(shí)可以理解為激動(dòng)落淚，甚至是感動(dòng)落淚等，所以在看到此類照片時(shí)，不能簡(jiǎn)單的憑借慣性化思維將其歸納到悲傷一類中，當(dāng)人眼都很難判別清楚時(shí)，需要把它從訓(xùn)練集里剔除。

　　5、實(shí)際案例分析

　　1)某領(lǐng)域的人臉識(shí)別監(jiān)測(cè)與身份確認(rèn)

　　(1)案例問題：

　　光照影響：過(guò)暗或過(guò)亮等非正常光照環(huán)境，會(huì)對(duì)模型的效果產(chǎn)生很大干擾。在解決光照影響這個(gè)問題上，可以通過(guò)兩種方式：

　　(2)解決方案：

　　1、從產(chǎn)品角度控制

　　A. 在用戶可以更換環(huán)境的前提下(比如銀行刷臉取錢等)，可語(yǔ)音/界面提示用戶目前環(huán)境不理想(頭歪、頭發(fā)、眼鏡等)，建議進(jìn)行正確的正臉取照。

　　B. 在用戶不能控制更換環(huán)境的情況下(比如人臉識(shí)別、車輛識(shí)別等攝像頭固定的場(chǎng)景)，只能通過(guò)調(diào)試硬件設(shè)施彌補(bǔ)這個(gè)問題。

　　C. 晚上：由于攝像頭在晚上會(huì)自動(dòng)切換到黑夜場(chǎng)景(從圖片上看就是從彩色切換為黑白)，因此在晚上強(qiáng)光下(例如路燈照射)人臉就會(huì)過(guò)曝，這時(shí)，我們可以通過(guò)強(qiáng)制設(shè)置攝像頭環(huán)境為白天(圖像為彩色)來(lái)避免。而過(guò)暗的情況，從節(jié)省成本角度看，可以在攝像頭旁邊增加一個(gè)光線發(fā)散、功率不高的燈來(lái)彌補(bǔ)。當(dāng)然這兩個(gè)問題也可以通過(guò)購(gòu)買高質(zhì)量的攝像頭解決，但這樣做也意味著更高的成本。

　　D. 白天：白天也會(huì)出現(xiàn)光線過(guò)亮的情況，這種情況可以考慮用濾光片等等。

　　2、從算法角度控制

　　用算法將圖片進(jìn)行處理，可以將圖片恢復(fù)得讓人眼看清的程度。

　　2)某款人臉年齡識(shí)別產(chǎn)品

　　(1)案例問題：

　　一款識(shí)別人臉年齡的產(chǎn)品對(duì)女性某個(gè)年齡階段(25—35)的判斷，誤差較大，經(jīng)過(guò)發(fā)現(xiàn)，是因?yàn)樵撃挲g階段有以下特點(diǎn)：

　　A. 女性在這個(gè)年齡階段面貌變化不是很大，有時(shí)人眼給出的判斷誤差都很離譜。

　　B. 在這個(gè)年齡層次的女性注重打扮，化妝品很大程度上掩蓋了其真實(shí)年齡，有時(shí)30多的跟20歲沒多大差別;

　　C. 精裝打扮的和素顏的差別有時(shí)變化不大、有時(shí)變化很大。

　　(2)解決方案：

　　1. 補(bǔ)充數(shù)據(jù)：針對(duì)該年齡層次的人臉圖片數(shù)據(jù)做補(bǔ)充。不僅補(bǔ)充正例(“XXX”應(yīng)為多少歲)，還應(yīng)補(bǔ)充負(fù)例(“XXX”不應(yīng)為多少歲)。

　　2. 優(yōu)化數(shù)據(jù)：修改大批以往的錯(cuò)誤標(biāo)注。

　　3. 數(shù)據(jù)總結(jié)：對(duì)化妝和不化妝的人臉圖片進(jìn)行分析，以便調(diào)整算法參數(shù)。

　　(3)需求研究：

　　1. 自拍：如女性群體一般都希望自拍時(shí)，年齡的判別在心里預(yù)期中能越小越好，當(dāng)在和一群人自拍中可以適當(dāng)?shù)膶⒅魅斯哪挲g判別結(jié)果調(diào)低至達(dá)到用戶心理滿足感。此時(shí)可適當(dāng)降低算法的參照度。

　　2. 婚戀交友：在婚戀網(wǎng)站交友過(guò)程中，雙方都希望知道彼此的真實(shí)年齡信息，此時(shí)運(yùn)用人臉年齡識(shí)別可以分析雙方的年齡、皮膚等物理信息為彼此提供參考。此時(shí)的信息就不能以達(dá)到心理滿足感為主了，應(yīng)當(dāng)追求準(zhǔn)確度。

　　3)某款A(yù)R美顏相機(jī)

　　(1)無(wú)法定位出人臉：

　　在背景出現(xiàn)多人或?qū)櫸飼r(shí)，相機(jī)有時(shí)并未能精確定位出目標(biāo)用戶，而定位到背景圖片中的人、寵物、身旁的其他人;有時(shí)屏幕一片漆黑;有時(shí)顯示未檢測(cè)出人臉。

　　1、從產(chǎn)品角度：

　　界面提醒用戶遠(yuǎn)離復(fù)雜背景，或美顏時(shí)最好屏幕中只出現(xiàn)一人，或給出方框圖讓用戶自己手動(dòng)選擇主要定位區(qū)域進(jìn)行AR美顏;屏幕一片漆黑時(shí)可提醒用戶是否是光線太暗，或是攝像頭被障礙物遮擋等;

　　2、從算法角度：

　　可對(duì)人臉關(guān)鍵點(diǎn)進(jìn)行定位，計(jì)算目標(biāo)用戶與攝像頭的距離或計(jì)算人臉在頻幕的區(qū)域占比來(lái)確定目標(biāo)用戶(一般幾何距離近的、頻幕區(qū)域占比較大的為美顏目標(biāo))，結(jié)合活體檢測(cè)來(lái)排除背景圖片人物的干擾等。

　　(2)圖像模糊昏暗：

　　光線太暗、運(yùn)動(dòng)、對(duì)焦等造成模糊(攝像頭距離因素，造成圖像低頻存在，高頻流失等)

　　1、從產(chǎn)品角度：

　　可提醒用戶在光線較溫和的區(qū)域進(jìn)行美顏操作;或是擦除前置攝像頭的障礙物;或文字提示動(dòng)作太快;或是更換高清前置攝像頭;或提示對(duì)焦失敗，給與對(duì)焦框圖讓用戶手動(dòng)對(duì)焦等。

　　2、從算法角度：

　　在美顏前可在后臺(tái)中調(diào)取手機(jī)亮度調(diào)節(jié)功能，用算法調(diào)節(jié)光線的亮暗程度以適應(yīng)美顏所需的物理?xiàng)l件;用算法設(shè)法補(bǔ)齊高頻部分從而減少對(duì)照片的干擾。

　　(3)人臉關(guān)鍵動(dòng)作抓捕太慢：

　　在進(jìn)行AR美顏搞怪時(shí)(如張嘴動(dòng)作，屏幕出現(xiàn)音符、唾沫星子等)對(duì)動(dòng)作抓捕太慢(半天才抓捕到張嘴動(dòng)作)。

　　1、從產(chǎn)品角度：

　　文字提示不支持快速移動(dòng)或提示緩慢移動(dòng)(如，親!您的動(dòng)作太快了，奴家還未反應(yīng)過(guò)來(lái)等)

　　2、從算法角度：

　　人臉姿態(tài)估計(jì)、關(guān)鍵點(diǎn)定位來(lái)捕捉人臉動(dòng)作。

　　(4)關(guān)鍵位置添加虛擬物品失敗(如在嘴上叼煙、耳朵吊耳環(huán)、眼鏡戴墨鏡、臉顯紅暈)

　　1、從產(chǎn)品角度：

　　文字/圖片提醒用戶擺正人臉位置。

　　2、從算法角度：

　　可利用算法對(duì)人臉關(guān)鍵區(qū)域進(jìn)行分割并定位，來(lái)達(dá)到人臉精準(zhǔn)定位添加虛擬物品

　　4)人臉開門和人臉檢索

　　(1)人臉開門等跨網(wǎng)方案需要關(guān)注的因素

　　1、遠(yuǎn)程算法更新：

　　遠(yuǎn)程算法更新必然會(huì)造成本地局域網(wǎng)功能暫時(shí)性無(wú)法使用。因此遠(yuǎn)程算法更新的頻率、時(shí)間、更新效果都需要產(chǎn)品在更新前精確評(píng)估。

　　2、增刪改人臉數(shù)據(jù)與本地?cái)?shù)據(jù)的同步：

　　本地局域網(wǎng)和互聯(lián)網(wǎng)是無(wú)法直接交互的，因此用戶在互聯(lián)網(wǎng)一旦對(duì)人臉數(shù)據(jù)庫(kù)進(jìn)行增刪改的操作，下發(fā)程序的穩(wěn)定性和及時(shí)性都需要重點(diǎn)關(guān)注。

　　3、硬件環(huán)境：

　　本地存儲(chǔ)空間的大小和GPU直接影響到本地識(shí)別的速度。服務(wù)器的穩(wěn)定性影響到功能地正常使用。

　　4、守護(hù)程序：

　　斷電等外置情況意外情況發(fā)生又被處理完善后，程序能自動(dòng)恢復(fù)正常。

　　(2)人臉檢索等某一局域網(wǎng)方案需要關(guān)注的因素

　　1、速度：

　　除了算法識(shí)別需要消耗一定時(shí)間外，該局域網(wǎng)下的網(wǎng)速會(huì)影響到識(shí)別結(jié)果輸出的速度。

　　2、數(shù)據(jù)庫(kù)架構(gòu)：

　　通過(guò)檢索結(jié)果關(guān)聯(lián)結(jié)構(gòu)化數(shù)據(jù)。

　　3、閾值的可配置性：

　　在界面設(shè)置閾值功能，從產(chǎn)品層面輸入閾值后，改變相對(duì)應(yīng)的結(jié)果輸出。

　　4、輸出結(jié)果排序：

　　根據(jù)相似度排序或結(jié)構(gòu)化數(shù)據(jù)排序內(nèi)容地抉擇

　　5、云服務(wù)的穩(wěn)定性。