人脸识别的基本思路（人脸识别方式场景）

本文笔者将与大家详细讲述：人脸识别的方式、人脸识别的场景以及人脸识别产品的设计思路。

当下AI行业趋势在向商业化转变，自动驾驶的量产，城市、社区智慧化改造等可见一斑。AI产品经理，或许身处一个最好也是最坏的时代。

今天主要聊聊人脸识别产品，通过本文你将了解：

1. 人脸识别的方式
2. 人脸识别的场景
3. 人脸识别产品设计思路

一、人脸识别的方式

做人脸识别产品，首先要理解相关技术，才能明确人脸识别的设计边界——即能做什么。

概括来说，人脸识别实现了一件事：确定实际人脸与目标人脸的相似度，粗略可分为：人脸1:1比对、人脸1:N检测（M:N可看作M个1:N ）。

1. 人脸1:1比对：证明你是谁，如高铁站人证合一验证，支付宝人脸支付等。
2. 人脸1:N检测：判断人脸库中是否存在满足相似度要求的数据，如商场会员检测、社区黑名单监控等。

以上两者的差异，在于目标人脸是否确定（通过其他方式获取到唯一身份信息）。在人脸1:1比对中，身份证、支付宝认证等，是已知账户/身份信息，只需核实实际人脸是否匹配。在人脸1:N检测中，目标人脸是不确定的，检测是为找到最相似的top N。

1:N的用户体验更优，因为是非配合，不像1:1，需要用户配合。但随着比对范围的扩大（个人了解目前N上限应该小于10万），1:N的准确率和速度不如1:1。

实际应用时，就需要依据实际环境仔细权衡，高铁站等，因为人流较大，更多采用1:1，而一般千人量级的社区，在准确率相当的情况下，1:N的体验会更好。

二、人脸识别的场景

人工智能本身没有任何意义，只有和具体场景结合才能够体现其价值。现阶段，绝大部分的人工智能还是弱人工智能，所谓人工智能赋能——即是将人从机械工作中解放出来。人脸识别作为人工智能的一个分支，遵循一样的规律。

其场景的寻找，依旧是需求调研/分析的工作，基本可以按照以下2个步骤进行：

1. 梳理客户/用户业务的流程、多方利益相关人诉求等因素。
2. 找到流程中机械工作&利于客户/用户目标的场景。

例如：社区改造中，如果客户是物管管理层，那么场景建设重心便是围绕其运营效率/成本、物业价值的外化等。在此基础上，寻找与此相关的机械工作，如保安三班倒值守，进出人员登记等。再如人脸支付，优化的机械工作是支付密码输入等。ToB和ToC业务，因其客户、用户属性存在不一致性，需要区分对待。

另外，如上文所述，受限于当前技术能力，无论什么场景，都需要基于准确率和体验的均衡来设计。达不到效果最好内部/种子用户多磨练，毕竟吸引客户/用户的机会可能只有一次。

三、人脸识别设计思路

人脸识别产品，具有产品的基本属性，设计有共通之处。产品设计相关的文章很多，但和主题相关度也不高，不赘述。本文主要聊除此之外，人脸识别产品需要考虑什么？

1.前端

1. 人脸数据一般通过摄像头、摄像机、人脸抓拍机等设备获取，为了确保数据获取效率，可识别区域的引导设计尤为重要，如人脸框；
2. 交互流对于已有流程，是否足够简单，即提升新体验、降低替换成本。如支付宝现在的刷脸付产品，需要刷脸、手机号验证两步，不见得比二维码更有效率。隐私性也是需要考虑的问题。
3. 对既有流程的兼容。现在人脸识别的准确率，还没办法做到刷卡/指纹那么高的准确率，那么对于异常情况的处理就要更全面。比如：人脸识别为他人，识别一直不通过的提示及引导等。如果真的发生，也能确保用户/客户的流程继续走下去，别给客户/用户添麻烦。

2. 后端

1. 光照：光照投射的阴影，会加强/减弱人脸特征。考虑建模进行补偿、消除。
2. 人脸角度：垂直于图像平面的头部旋转会造成人脸信息缺失。考虑学习并记忆多角度视图。
3. 遮挡：主要出现非配合人脸获取，这个问题貌似没有很好的解决办法……
4. 年龄变化：如k12场景下，学生过2-3年面部变化。考虑设计动态更新人脸库
5. 数据量增多出现性能瓶颈：人脸库增大，导致准确率的降低。考虑通过业务进行人脸库的切分，及准确率、召回率的权衡
6. 夜景识别：可能导致非人脸判定为人脸，考虑干扰物图的过滤。

还有运动目标、丢帧、单帧人脸识别效率等等，人脸识别的后端处理，涉及到的方面十分繁杂，限于篇幅，此文仅简单列举。

切忌认为这只是开发层面的问题，优秀的产品应该主动分析。

所以，要做好系统日志的设计，详细记录识别情况，包括识别成功的记录和识别出错的原因，错误原因需要定期导出分析，寻求算法优化的切入点。

最后，系统上线仅是起点，而绝非终点。客户/用户永远会有你意料之外的反馈，多跟踪多交流，可能多走一步，就是产品的核心竞争力。

作者：Kevin ，个人公众号：Kevin回忆录。记录、分享各种复盘和思考。

本文由@Kevin 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash, 基于CC0协议。

,