有一个问题我被无数人问过，每次都很尴尬，不知道怎么回答。 “你们是通过多少个点识别人脸的？ 某公司的算法说它们通过126个点，另外一个公司他们说通过180个点”。 现在的算法会通过若干关键点做alignment，然后抽个特征。我们真的不是靠多少个点的位置来识别的。 ==================================== “亲，你的四白穴和我一个朋友很像”。

抛砖引玉，谈谈身边人聊天常提到的几大误区：

1. 人脸识别的“准确率”越高越好？
2. 人脸识别火了，虹膜、指纹识别就淘汰了？
3. 人脸识别没用，画个妆整个容就识别不了？

一、人脸识别的“准确率”越高越好？ 人脸识别技术其实没有“准确率”的概念。当前所有的生物识别技术如指纹识别、虹膜识别都有两个指标，一个是认假率FAR（false accept rate），一个是拒真率FRR（false rejection rate）。 认假率是指人脸比对通过了但其实并不是本人，把“假的”认成了“真的”；同理，拒真率是指本人亲自上阵但是比对失败了，把“真的”当成了“假的”，把你当成了骗子。只有基于认假率、拒真率两个指标才可以判断某个人脸识别算法水平的高低。 通常，人脸识别算法一般会设定一个阈值T作为评判通过与否的标准，该阈值一般是用分数或者百分比来衡量。当人脸比对的相似度值大于此阈值时，则比对通过，否则比对失败。而阈值的设定一般是根据人脸识别的ROC曲线（Receiver Operating Curve）进行设定。

ROC曲线（Receiver Operating Curve）指受试者工作特征曲线，反映敏感性和特异性连续变量的综合指标，用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

二、人脸识别技术火了，虹膜、指纹识别技术就被淘汰了？ 人脸识别技术诚然有自己的优点：

1. 非接触性（不用肢体接触）
2. 非强制性（路过即可，甚至无察觉）
3. 可并发性（可同时进行多个人脸的分拣、判断及识别 ）

但人脸识别技术也有自己的无法规避的缺点：

1. 人类脸部存在相似性，很难做到精准识别。
2. 光线、化妆、整容等仍然会影响人脸整体识别结果。
3. 人脸存在易变性，表情、年龄、角度等使人脸的外形很不稳定。

所以目前的情况是，人脸识别技术将在相当长的一段时间内与多种生物识别技术一起使用（指纹、虹膜识别），取长补短。 三、人脸识别技术没什么用，画个妆整个容就识别不了？ ”人脸识别“技术诚然存在无法绕过的坑，但不能就此全盘否定其价值，在实际的应用中可以结合客户需求，根据应用场景寻求合适的阈值。设定的阈值越高，认假率越低，拒真率越高，一般会通过人脸比对的相似度得到roc曲线，找到拒真率和认假率的交叉点即为最理想的阈值。 比如券商在线开户验证的场景中，我们可以把人脸比对的阈值调高，这样虽然会导致”拒真率“上升，甚至本人也可能多次被拒。但在测试环境中，仍然可以节省大约超过50%的工作量，这就节约了大量时间和人力成本。企业只需将剩下50%部分的工作量交给人工客服来完成。 以上，欢迎讨论，想到再补充。

个人认为计算机视觉虽然被炒的火热，其实是个大坑，而人脸识别则是坑中之王。 指纹识别出来很久了吧，按理说每个人的指纹都是唯一且单一的，识别准确度理论上可以达到100%吧，可是你见过哪个场景关键的系统用指纹识别吗？为什么用不了？容易被人假冒啊！人脸识别也一样，面对的问题不是我整了容系统认不出我怎么办，而是我可以整容成马云爸爸就可以利用马云爸爸的身份了啊。所以你说做个facebook、snapchat、Tinder一样的App用点儿人脸识别当娱乐可以，你说在支付宝里用人脸识别登录那我认为就是纯扯了，（蚂蚁金服貌似正在干这个事情，还有什么空付，简直是扯中之王，最近又公布了个如影计划，马云我看你继续扯，一般做的出来的黑科技项目大家巴不得都是藏的越深越好，等产品定型再公布于世，只有你这个马大忽悠的公司是小视频小广告走在产品的前列）。 计算机视觉技术只有在完全受控的环境和条件下（包括光照，有足够的识别对象的训练样本等等）才能保证一定的准确性，如此还达不到100%的准确性。人脸识别作为计算机视觉的一个门类完全受此限制。在这种情况下我认为企业用人脸识别做门禁系统是可行的，因为只需要一名保安人员的人工监督就可以防范试图愚弄人脸识别系统的行为。而用于金融领域是有很大风险的，包括刷脸支付、刷脸登录支付宝等等，这时候没有人的干涉，人们可以做任何愚弄系统的尝试。 总体而言，不看好一切和人脸识别相关的创业和企业项目。在国际领域基本看不到和人脸识别相关的项目和产品，在这条路上国内是走在了世界前列而且看样子还要继续走下去。如果非要给人脸识别技术找个应用场景的话，推荐是在受控的环境下，比如你要识别的人是已知的，而不是天安门广场上的小偷，也不要把你的摄像头按在光线变化大的地方，比如天安门广场，另外有多少人工就有多少智能，所以最好给你的系统辅以人的监督。 再次，人工智能现在被资本炒的火热，因为O2O、共享的那拨热潮已经过去了，资本需要新的方向，但很多投资也可能会像很多AR/VR项目一样打了水漂。其实人工智能还是许多年前的那个人工智能，只是因为GPU等硬件的升级，辅以并行计算的发展，神经网络变成了深度学习而已。计算机就是用于计算的机器，人工智能就像英文原词里的artificial（ adj. 人造的，人工的 | 人为的 | 〔行为〕虚假的，不真挚的，矫揉造作的〔含贬义〕）一样，就是artificial的。计算机想要有我们期待的真正的智能，得等生物学上有关于人脑运作的重大突破才行。

很多非业内人士都以为搞人脸识别算法的工程师和科学家是在“教计算机识别人脸”。 实际上我们干的活是“教计算机如何自己学习识别人脸”。 类似的，AlphaGo的设计者也不是在“教计算机下围棋”，而是在“教计算机如何自学下围棋”。（这点和国际象棋不同，深蓝的设计者的的确确就是在“教计算机下国际象棋”。） ——所以AI在很多领域超越了人类，并不仅仅因为计算机在速度方面的优势，而是因为我们教它的是“自学”的方法，然后它通过自学，达到了比设计者更高的水平。

很多答主太低估技术的进步了，现在的人脸识别是什么水平，自己去各种无人店去试一下就知道了，主流的刷脸系统，完成正常的人脸识别不会超过一秒钟，根本不会出现什么摘个眼镜、梳个刘海、化个妆就认不出来的现象。 不说别的，就我司的刷脸门禁，也比想象中的强大多了，员工鱼贯而过，根本没有迟滞停留，比刷卡快多了，有视频有真相。如果推而广之，上班、出行、购物真是少了很多麻烦。大家可以去苏宁的无人店BIU去体验下，一样的技术。 https://www.zhihu.com/video/942067642555650048

谢 @天行健 邀～(￣▽￣～)~ 人脸识别是个大坑 举个栗子，那些在公开数据集刷到99.xx%其实很脆弱的，拿下眼镜就不认识我了，把刘海撸到后面弄个骚气的油头也认不出来了。。。（当然可以增加各种样本来缓解这种问题，但是这种解决问题的方式总感觉不够优雅，有点哪疼医哪的感觉） 光识别还不行，活体检测也很重要，这个也是个大坑。。。 说到底，现在的弱人工智能还比较弱鸡，离强人工智能还远着。。。 好像有点答非所问，算了，就这样吧T_T

人脸识别非常简单，就是一拍一比，（用下开源算法妥妥的）。 但实质上人脸识别涉及到很多流程，典型的入门简单，做好难，以下是一些简化的环节，在算法上还有更多细分环节。 人脸捕获与跟踪功能 人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。 人脸识别比对 人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 人脸的建模与检索 可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板（人脸特征文件）保存到数据库中。在进行人脸搜索时（搜索式），将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。 活体检测 系统可以识别得出摄像头前的人是一个真正的人还是一幅照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。 图像质量检测 图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行比对的照片进行图像质量评估，并给出相应的建议值来辅助识别。

一个是分不清检测和识别，另一个是理解不了保持识别精度的难度随着人脸库中脸个数增大而递增。 还有客户会说，能不能利用我的老监控，覆盖范围越大越好，最好识别30m开外的人脸。您这人脸说大了也就30乘30，臣妾实在做不到呀

其实。。。。好多人化了妆之后。。。别说机器了。。我也认不出来。。。

1.误以为人脸识别很牛逼了，很成熟了，学术界人脸相关的论文这么多，应该基本该解决的问题都解决了吧。nonono。学术界做的人脸识别都只是秀个demo而已，根本不能用在实际场景中。随便甩个年龄相差好几岁的1:1的锅，可能某些lab的demo就接不住了。学术界做人脸仅仅是提供你一个很好的应用到其他领域思路而已，真正实际中解决特定问题，data driven才是王道，自动去学习到样本的variance。远比学术界方法来的有效。 2.误以为能够在十几万人下面搜索就是实用了。nonono。能够在十几万人下面1:n，但是准确率低的吓人。能够做到1:n的高准确率的公司就那么屈指可数几家。 3.误以为人脸识别很简单，naive。nonono。各种trick，各种multi-patch，各种metric learning，各种collect data，各种场景，各种data augmentation，各种各种。 4.误以为监控摄像头可以抓拍到你的隐私，误以为利用摄像头人脸识别抓拍到犯罪分子很牛逼。nonono。人家拿个小的犯罪分子的数据库，去做rank-n的搜索，很多都可以做好。而且运气成分很大。 5. 还有很多慢慢补充。 人脸识别任重道远，砥砺前行。