人臉識別叫的這麼歡，為啥刷臉時代還遲遲不到來？

人工智慧的火熱離不開人臉識別領域的突破，目前國內知名的人工智慧企業如商湯科技、Face++等都是依靠在人臉識別領域的突破獲得天價的融資和快速的發展。但人臉識別概念好像已經火了很久，相關的新聞也不勝枚舉，但好像我們在實際生活中並沒有特別的感受到刷臉時代的到來呢？

首先我們要從人臉識別的三種應用場景說起，也就是業內常說的1:1,1：N和N:N三種場景，簡單來說，1:1場景最常用的就是人證對比，也是我們現在最容易接觸到的商業化應用，比如機場、火車站比對人證合一，支付寶，滴滴比對本人和上傳身份證照片是否一致等等，這種場景只需兩張照片比對就可以。1：N的應用類似我們現在的手機支付，比如吃飯刷臉，通過臉部信息找到你的銀行卡信息，從而扣款。N:N則是更複雜一些，就是要對一幅畫面中的所有人臉進行比對，例如將街頭的監控中的所有人臉進行身份識別。

了解完了三種場景，那麼我們來解釋下為什麼刷臉時代還沒有到來，首先1:1的場景是最容易實現的，但應用範圍也有限制，比如機場的人證要要做專門的通道，每人都要配合的看一下攝像頭，但如果公交站也這麼做就明顯不合適了，明顯會增加很多時間。所以說1:1的人臉識別容易實現但場景應用不多。

1：N場景拿用微信刷臉支付舉例，目前微信月活躍用戶超過10億，刷臉支付將你的臉部信息發到微信伺服器，要在10億個微信用戶中匹配到你的臉部信息，這個查找時間可能需要一個小時，你刷完臉和商家說一個小時後微信錢到賬，你現在走，我就不信商家能讓你出門。

N:N則更為複雜，例如想在街頭監控中找尋嫌疑人，最大難點是所有人都不會抬頭看攝像頭，這也就是我們說的非配合場景。有統計表明就算用上谷歌目前全部的運算能力，也無法負擔一個普通地級市的人臉實時識別。所以說算力在很大程度上影響了目前人臉識別應用的普及。

其次目前國內的人臉識別大企業和科研機構都熱衷於在公開的訓練集上刷數據如ImageNet，LFW等，目前在號稱最難的LFW上最高的正確識別率達到99.83%，但實際上在例如火車站等非配合場景，目前沒有任何一家公司能有超過70%的準確率。主要原因就是基於訓練集的訓練數據和實際應用的訓練數據有著很大的差距，真要達到商業化演算法和訓練數據上也有很長的路要走。

由此可說人臉識別真正的商業化還需要時間，相信隨著演算法的發展和算力的提升，1：N場景可能也許會很快的能落地應用，但到時候還要面對化妝，整容，人臉偽造等等更多的實際問題。刷臉時代非常值得期待，不過路還很長，需要我們腳踏實地慢慢去走。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！