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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目的差距，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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目太慢、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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目识别技术」，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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目很多方法，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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目处理
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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目式。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【我爱线报网】52线报网-专注分享活动首码线报优惠券零投网赚项目方案，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
给力项目：线报网会员可免费下载 加入会员友情提醒： 请尽量登录购买，防止付款了不发货！
QQ交流群：226333560 站长微信：qgzmt2
