编辑导读：虽然技术的进步，人脸识别在生活中的应用越来越普遍。在上篇人脸识别的基本原理中，作者介绍了人脸识别背后的原理和方法，本文顺着这个思路继续完善人脸识别的基本产品原型，希望对你有帮助。

一、产品原型

简化的产品原型中包括识别前端和识别服务器两部分。

识别前端承担人脸照片采集和识别结果反馈职责，是面向用户交互的入口。目前主流的产品形态包括人脸考勤机、人证核验终端和人脸识别闸机等。

人脸识别服务器主要包括人脸底库管理和识别算法管理，并基于产品特点包含对应的业务模块，如考勤报表、预警记录等，实现基本的业务闭环。

目前的产品原型，已有了基本框架，但系统需求和设计较简单，无容错能力，用户体验较差，离可用有较大的差距，需要继续对需求深化和细化。

人脸识别在实际使用中可能出现以下情况：

• 采集到的人脸照片角度、大小等和预设的人脸底库不一致，系统无法辨识；
• 采集的人脸照片和人脸底库像素不一致，系统无法进行相似度计算；
• 环境、灯光等干扰造成成像质量较差，导致漏识别、误识别;
• 比对速度较慢，精准度不够，用户使用抱怨多。

二、解决思路

在产品研发过程中，经常会出现这种产品实际体验和预设体验不一致的状况。当发生这种情况时，需要认真分析原因，理顺解决思路，不断对产品迭代升级。

上面的问题其实可以分为两类：

第一类是因为环境、距离、角度等因素干扰使得采集到的照片和系统底库照片不一致，导致相似度计算有问题；

第二类问题是人脸相似度计算速度太慢、精度偏低。

其中第二种问题一般出现在算法层面，需要协同算法工程师进行算法更新、升级进行解决。

我们将目标聚焦在第一类问题，即待识别照片和识别底库不一致的情况。这种情况下，我们可以分别从采集照片和底库照片两个角度入手，提出针对性的解决思路：

思路一：限制通过前端采集到的照片，保持与人脸底库的一致性。

比如，当强制采集照片和底库都采用身份证照片时，系统比对通过率较高。类似的方法在较早的人脸考勤机中使用，通过限制用户在打卡时的表情、距离、光线等提升精度，并强迫用户通过同样的前端采集并识别人脸，俗称「同源识别」。

强迫用户在人脸打卡时保持姿势固定不动，用户体验很差。目前市面上主流的人脸识别系统均采用「动态识别技术」，不限制用户保持静止，在移动过程中即可完成识别过程，并且不要求采集照片和识别照片同源。

思路二：增加底库中照片的数量，将人员不同角度、环境、距离的照片都录入系统，提高比对的成功率。

这种做法操作难度很大，变量条件过多，基本无法实施。即使系统存储了多张照片，问题没有完全解决，识别精度并没有明显提升，且由于增大了数据量，增加了运算的复杂性，降低运算速度，系统响应时间也相应延长。

既然没有办法限制采集照片和底库照片，在基本不影响精度和速度的前提下，可以在采集和比对之间插入中间环节，对照片进行处理，使得两者尽可能相似。

在人脸识别和其他图像处理领域这是种通用做法，并有专业名称叫做「图像预处理」。不管是在传统的人脸识别系统还是基于深度学习的人脸识别系统中，都少不了这个环节。对原有的系统设计更新如下。

接下来对图像预处理所包含的内容和需求做简单的介绍。

1）设置ROI

当图像内容包含过多像素时，系统很难定位到有效信息。比如，当图像整体像素大小为800*800，包含人脸的区域像素只有200×200，其他均为背景，直接比对效果很差。可以对图像进行预处理，快速找到包含有效信息的目标区域，即Region of Interest(ROI)，「感兴趣区域」。

在人脸识别系统中，可以对采集到的人脸照片，通过方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，在这个区域内进行进一步处理或者直接对比。

寻找ROI有很多方法，比如基于肤色。从颜色上看，不同颜色人种的肤色在照片上具有稳定的特征，不会随表情、角度、尺寸等而发生变化。可以根据肤色属性的这种特点和规律建模，快速识别到人脸ROI，从而将人脸区域和非人脸区域分开。

2）几何变换

由于成像、采集角度等原因可能造成采集的人脸有一定的变形，对于肉眼来说这些变形并不会带来太大的干扰，但对计算机来说却是截然不同的。

这种情况叫做图像的「几何失真」，可以对图像进行缩放、翻转、仿射、映射等几何变换最大程度地消除。几何变换通常不改变图像的像素值，而是将像素进行坐标变换，改变像素之间的排列关系，进而将注意力集中在图像内容本身的特征，而不是位置、角度、尺度等其他信息。

3）阈值处理

几何变换由于不改变图片的像素值，无法解决由于灯光等环境因素导致图像呈现出不同情况。以灰度图像为例，使用8bit表示某一像素时，单像素就存在256个灰度阶，直接利用灰度阶进行计算会带来计算误差。

这种情况下，需要对灰度阶进行限制，尽量将采集图像和底库照片的灰度阶统一，从肉眼上图片可能会有些失真，但不影响计算机的处理和识别。可以根据实际情况，将256个灰度阶划分为几个区间，将区间内的像素指定为某一个像素值，减少不同灰度值所带来的影响，这种处理方法称为「阈值处理」。

4）噪声去除

图像在形成、传输过程中往往会受到干扰，在结果图像中引入噪声。轻度的噪声信号不会干扰图像的可观测性，但当噪声严重时，图像中呈现出较多的无用信息，人脸无法识别或出现误识别等情况。

在尽量保留图像可观测信息的情况下，检测出现的噪声并进行过滤，这个过程叫做「图像滤波」。图像滤波是图像预处理中不可缺少的环节，一般通过构造图像滤波器进行解决。滤波器可以高效地去除噪音，能够保留图像目标的特征，并不会损坏图像轮廓及边缘。

对于图片中经常出现的噪声，通过统计学手段可以发现其特点，进而开发出通用滤波器，比如均值、中值、方框、双边等滤波进行噪音过滤。

当然，有一些噪声使用成熟的滤波技术去除时效果较差，而必须自行设计滤波，这种方法也被称为「卷积技术」。

不管是在传统机器学习还是基于深度学习的人脸识别系统中，都采用了卷积技术，不同点在于值的填充方式。传统系统由人工进行设计并填充，而深度学习可以通过自动学习得到所需要的值，处理起来更加灵活、高效。

5）其他处理

除了列举到的常规预处理手段，人脸识别系统中还会用到其他预处理手段，比如颜色变换、图像分割等。这些需求可以根据具体场景下图像的特点和产品需求进行细化，实现图像更精细化的处理。

除了进行图像质量处理，在产品设计时也需要考虑性能指标。由于增加了预处理手段，可能会影响人脸识别速度，增大了系统响应时间，所以必须在精度和速度之间取得平衡。

很多时候，往往是由用户需求驱动技术的进步。对于人脸识别系统来说也是如此，为了增强抗干扰能力而增加了图像预处理阶段，虽并不完美但保证了产品的落地，驱动技术寻找更优的方案，达到产品和技术的良性互动。

接下来，我们继续从产品的角度对人脸识别进行拆解，并提出完善思路。

作者：AIoT产品，10年B端产品设计经验；微信公众号：AIoT产品

本文由@AIoT产品 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