人脸识别:方式、场景、设计思路

7 评论 10295 浏览 82 收藏 8 分钟

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。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 小老板很有灵性啊,19年就开始做人脸识别了,现在还在做吗?

    来自广东 回复
  2. 公交车支付。是个非常不错场景

    回复
    1. 就怕跟ETC插队一样,目前还是不建议

      回复
  3. 你是魔鬼吗?最近一直在思考一个人脸识别的产品,今天就刷到了你的文章。

    回复
    1. 哈哈 多学习交流

      回复
  4. = =
    在B端场景下,绝大部分人脸识别的核心在于身份核验,所有场景都是基于身份核验为出发点来完成的
    而且人脸识别本身仅仅是人工智能技术的一种,需要搭配适应不同场景的应用才能完成价值的最大化

    来自黑龙江 回复
    1. 赞同技术落地才能体现价值。在B端,除了身份核验,身份查找也是一大场景。这两者之前是有差异的。

      来自上海 回复