當你老了，人工智慧還能認出你嗎？

知識 09-20

人工智慧技術「御眼重明2.0」

撰文 | 陳燕惠

責編 | 程莉

知識分子為更好的智趣生活ID：The-Intellectual

在影視劇中，我們常常看到這樣的橋段——祖孫或者母女用同一個演員飾演來暗示他們之間的血緣關係，但事實上，從遺傳學的角度看，人的相貌基因在遺傳時總是遵循「相乘後再平均」法則的。因此直系親屬之間，所隔代數越多，長相的相似度是呈指數級遞減的。

研究表明隔代直系親屬之間面部越來越中和，難以尋找祖輩之間明顯的基因特徵。此外，現在很多少數民族的特有面貌，也因為人類發展、血統發展而逐步消失，比方說彝族，一般認為都是瘦小精幹，大眼睛，現在也出現了三角眼、高大粗壯體型。

在這樣一個前提下，如何根據家庭成員的容貌在茫茫人海中鎖定失蹤多年的孩子呢？以便進一步DNA鑒定確認。

見微知著的跨代人臉識別技術

9月15日晚8點，在《機智過人》第二季第五期的節目中，雲從科技聯合創始人姚志強帶來的人臉識別技術「御眼重明2.0」將採取結構光的技術挑戰跨代的辨識能力，即通過祖輩尋找孫輩。而與之分庭對抗的則是來自山東青島市刑警支隊，擁有15年模擬畫像經驗的崔娟警官。

崔娟警官展示模擬畫像

據崔警官介紹，模擬畫像不僅僅是畫像，還包含顱骨復原、人臉識別兩個重要技能。優秀的模擬畫像靠的是七分交流以及三分刻畫，即通過和描述人聊天，並從其隻言片語中挖掘關鍵信息，以達到尋找失蹤人口和找到刑事犯罪的嫌疑人等目的。此外，崔警官也表示爺孫之間模擬畫像相似度最高為70%左右。如果跨的代數更多，年齡跨度太大，相似度可能會銳減到20%左右。

與模擬畫像相比，人工智慧技術「御眼重明2.0」在隔代直系親屬的識別中，父母與孩子之間的識別率大約是74%~80%，而祖孫跨代，識別率最高為78.16%，最低是19.14%。

節目現場，來自國家廣電總局老年合唱團的多名檢驗助理協助雙方展開挑戰。「御眼重明」和崔娟警官需要通過給定的4個孩子模糊的面部拓本，和整個合唱團成員的面部進行分析比對，並找出4位孩子的祖輩。從上述數據對比結果來看，兩種不同方法的人臉識別率（跨越3代直系親屬）不相上下，因此究竟是機智過人還是技不如人在挑戰開始前也充滿了不確定性。

挑戰雙方最終都完成了任務，但「御眼重明2.0」技術通過大樣本的數據學習和優化的演算法匹配跨越3代的祖孫倆，以更快的識別速度獲得了最後的勝利。

人工智慧如何識別人臉？

人臉識別技術主要通過對輸入的人臉圖像或者視頻流，以及每個人的主要面部器官位置信息進行保存和分析，進而提取其中所蘊涵的身份特徵，並將其與已知的人臉進行對比，從而達到識別身份的目的。

20世紀60年代，德州大學奧斯汀分校的Woody Bledsoe開發了一種系統，通過一種電子平板手動對人臉照片進行分類。該系統可用於手動記錄各種面部特徵的坐標位置，包括眼睛、鼻子、髮際線和嘴巴，將這些度量標準插入資料庫中，然後再將新照片和資料庫中存儲的圖像進行比對。由於時代的限制，手工標記的方法存在費時費力和精確度低等諸多缺點，未能向智能化時代邁進。

1988年，來自布朗大學的Sirovich和Kirby開始將線性代數應用於面部識別問題，並提出通過特徵臉（Eigenface）進行人臉識別的概念。隨後，MIT的研究者Matthew Turk和AlexPentland經過多次嘗試終於實現了自動化面部識別。目前，隨著計算機技術和光學成像技術的發展得到不斷提高，來自Facebook，Google以及我國創業團隊Face++的研究者相繼取得了突破性的進展，實現97%以上的準確率，接近了人類的測試水平。

一些特徵臉

和以往相比，現代人工智慧取得了巨大的進步，主要體現在以下幾個方面。

1）光學成像技術和計算機的發展提高了採集圖像的質量。

2）在人臉圖像預處理的過程中採用多種方法，包括光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

3）人臉檢測過程中提取豐富的人臉表徵並強調不同面部特徵對識別結果的貢獻度不同，例如人臉的上半區域對識別的重要性明顯高於下半區域。

4）在人臉圖像匹配過程中集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術。

目前，Facebook的DeepFace系統將深度學習方法引入人臉識別系統，而2015年Google的FaceNet則首次將「三元組」距離度量引入人臉識別，引領了一系列後續研究。這一系列研究的特點均是採用深度學習方法構建系統，運用百萬以上的人臉數據進行訓練，歷史上首次將人臉識別系統發展到可以大規模商業運用的成熟度。

人臉識別技術的局限性

儘管人臉識別技術充斥在人們日常生活的方方面面中,但該技術仍有許多局限性，例如光照的變化會大大影響人臉的外觀，從而影響識別的性能。此外，系統採集到的圖像和視頻流中可能會出現面部遮擋，形變（大笑）、側臉等現象。因此，在諸多條件的限制下，神經網路很難提取出與「標準臉」相似的特徵，導致識別和驗證失敗。

從另一個角度而言，隨著年齡的增長，人的臉部會發生變形並伴隨皮膚和軟組織的改變，例如抬頭紋、眼角下垂、口角脂肪松垂、魚尾紋、色素堆積和毛孔變大。耶魯大學的DerekM.Steinbacher 教授認為「皮膚磨損」和環境暴露是導致面部衰老的主要原因之一。

首先，面部衰老是一個正常的生理過程，性別、生活地域、疾病和保養造成的衰老存在著差異，但都有一些共同特徵。年輕人群有清晰明確的間隔和完整附屬組織使皮膚和面部結構位於適當位置，因此皮膚緊緻、面部輪廓清晰並且骨相明顯，而老年人的面部卻略帶「苦相」，猶如蠟燭融化一般出現明顯的下垂和鬆弛現象，頰骨輪廓模糊。

其次，隨著時間的推移，皮膚會遭到損傷，這將導致皮膚出現皺紋、暗斑，甚至腫瘤。長期的陽光照射會損傷彈性纖維，導致它們出現不規則積聚，膠原纖維數量減少，其餘纖維組織紊亂。此外，吸煙等其他不健康的生活方式也會加速面部老化的進程。

「御眼重明2.0」技術如何跨代識別？

儘管年齡是影響人臉識別成功率的關鍵因素，但是有一些幾何特徵並不會隨著年齡變化而改變。

「御眼重明2.0」技術正是通過海量樣本的聚類分類訓練以及結構光的技術，提取人臉的深度特徵點、構造比例和長度特徵，構建貝葉斯網路，迅速鎖定對象。正是由於獲取了面部的立體信息，才實現了跨越年齡的臉部識別。

人臉圖像特徵提取

在未來生活中，人臉識別這項集成了人工智慧、機器學習、理論構建和圖片處理等等多種專業技術的系統，將在需要識別身份的場景中得到廣泛的運用，例如物聯網、移動互聯網、銀行、安防、刑偵和交通等，並且真正實現人身和信息的安全。