人臉、指紋、虹膜等都是可以標(biāo)定主體唯一性的生物特性，可以用于主體身體的識(shí)別與認(rèn)證，進(jìn)而允許主體的合法操作，如領(lǐng)件、登錄、支付等。

隨著互聯(lián)網(wǎng)經(jīng)濟(jì)的發(fā)展，電子商務(wù)、物流運(yùn)輸、支付等行業(yè)都越來(lái)越依賴于網(wǎng)絡(luò)。身份認(rèn)證技術(shù)是保障物流系統(tǒng)安全性的重要手段。網(wǎng)絡(luò)安全和信息系統(tǒng)安全的第一道屏障就是身份認(rèn)證技術(shù)，身份認(rèn)證技術(shù)在物流這種極不安全、陌生關(guān)系的環(huán)境中，是關(guān)鍵問(wèn)題之一，具有不少典型的應(yīng)用場(chǎng)景。貨物的領(lǐng)用、操作設(shè)備、駕駛安全等研究熱點(diǎn)問(wèn)題，都是以身份認(rèn)證技術(shù)為中心。例如，取快件為防止冒領(lǐng)，需要確定取件者和用戶是否統(tǒng)一，避免快件遺失的情況發(fā)生。

人臉識(shí)別技術(shù)是對(duì)人臉圖像進(jìn)行特征提取和分析，將提取的有效面部進(jìn)行建模并對(duì)后續(xù)傳入的面部特征進(jìn)行分類和預(yù)測(cè)的方法。人臉識(shí)別方法與傳統(tǒng)的身份鑒定手段相比具有友好性，無(wú)多余操作、非接觸性、實(shí)時(shí)性、隱蔽性的特點(diǎn)。
 

二、人臉識(shí)別在物流中的典型場(chǎng)景

主要應(yīng)用場(chǎng)景有以下幾種。

（1）快遞簽收

電商的發(fā)展，使得快遞行業(yè)呈現(xiàn)出井噴式發(fā)展。實(shí)際中，快遞員需要在較短的時(shí)間完全貨物的交付、派件，造成了物流簽收環(huán)節(jié)存在很多的問(wèn)題。在簽收過(guò)程中經(jīng)常出現(xiàn)冒領(lǐng)，誤領(lǐng)，簽收慢等問(wèn)題。其中造成誤領(lǐng)、冒領(lǐng)的主要原因是傳統(tǒng)的物流簽收認(rèn)證存在容易偽造的缺陷，簽收過(guò)程耗時(shí)的主原是在簽收過(guò)程中需要對(duì)收貨人進(jìn)行復(fù)雜的身份驗(yàn)證，浪費(fèi)快遞員寶貴的時(shí)間。所以，需要一種安全、快捷、便利的身份認(rèn)證方式。

（2）刷臉支付

與“刷臉登陸”相比，“刷臉支付”難度更大。涉及資金的安全，支付在安全性方面的要求比登陸更高。同時(shí)，刷臉支付多在線下公共設(shè)備和公開(kāi)環(huán)境中進(jìn)行，場(chǎng)景復(fù)雜多變，晝夜間的光線變化極大，背景及環(huán)境噪音大，人的面相隨自然環(huán)境的變化而可能顯現(xiàn)較大的區(qū)別，例如面對(duì)攝像頭的角度與姿勢(shì)差異、光線的變化，都會(huì)使識(shí)別難度提高和安全風(fēng)險(xiǎn)上升。

以支付寶為例，目前人臉識(shí)別準(zhǔn)確率已遠(yuǎn)超肉眼，而且有活體檢測(cè)算法來(lái)判斷采集到的人臉信息是否為照片、視頻等。這一技術(shù)將越來(lái)越接近大規(guī)模應(yīng)用。

（3）防疲勞駕駛

駕駛員長(zhǎng)時(shí)的疲勞駕駛，是物流貨運(yùn)重大事故的主因。在途行駛過(guò)程中，疲勞駕駛、違規(guī)操作的駕駛員，其面部會(huì)出現(xiàn)典型的風(fēng)險(xiǎn)特征，閉眼、打呵欠、分神、頻繁低頭、玩手機(jī)等，通過(guò)攝像頭的高速圖像傳感器等設(shè)備，實(shí)時(shí)采集駕駛員面部信息，通過(guò)智能識(shí)別和機(jī)器學(xué)習(xí)，可以判定和抓取駕駛員不良駕駛行為及狀態(tài)。通過(guò)AI框架展開(kāi)云端檢測(cè)和實(shí)時(shí)識(shí)別判斷，及時(shí)輸出該運(yùn)行車輛的運(yùn)行風(fēng)險(xiǎn)狀態(tài)，并進(jìn)行干預(yù)。

在分析出運(yùn)行車輛的風(fēng)險(xiǎn)等級(jí)之后，根據(jù)風(fēng)險(xiǎn)等級(jí)，即時(shí)觸發(fā)相應(yīng)的風(fēng)險(xiǎn)預(yù)警和報(bào)警，提示駕駛員及后臺(tái)管理人員，平臺(tái)安全管理人員便可即時(shí)下發(fā)語(yǔ)音警告或電話通知駕駛員，多重干預(yù)，保障安全。

（4）授權(quán)操作

例如，保稅倉(cāng)、重要設(shè)備及其他特定區(qū)域，需要確認(rèn)身份后、獲得授權(quán)才可作下一步操作。以監(jiān)控系統(tǒng)采集端從人臉圖像中提取人臉特征，并與監(jiān)視名單數(shù)據(jù)庫(kù)中的目標(biāo)人人臉特征進(jìn)行比對(duì)，生成閡值。相據(jù)預(yù)設(shè)的閥值，系統(tǒng)會(huì)返回報(bào)警結(jié)果給監(jiān)控計(jì)算機(jī)，并自動(dòng)給出聲光信號(hào)報(bào)警，提示安保人員及時(shí)進(jìn)行處理；同時(shí)系統(tǒng)能實(shí)時(shí)記錄標(biāo)有目標(biāo)人人臉位置的現(xiàn)場(chǎng)圖像，及時(shí)給出關(guān)聯(lián)信息、閾值和告警時(shí)間。例如，倉(cāng)庫(kù)的管理人員、出庫(kù)操作等，需要相應(yīng)的身份確認(rèn)后可以操作，采用“刷卡+人臉識(shí)別”的雙重認(rèn)證模式后，是更為安全的授權(quán)方式。

結(jié)合AI與人臉識(shí)別、大數(shù)據(jù)技術(shù)的智能安全應(yīng)用，具有以下優(yōu)點(diǎn)：系統(tǒng)通過(guò)數(shù)據(jù)采集，對(duì)人員、人群、及其他證件信息，進(jìn)行行為實(shí)時(shí)分析，對(duì)非法闖入、人群異常行為可及時(shí)預(yù)警；同時(shí)可進(jìn)行多種方式報(bào)警，改變了傳統(tǒng)的人工辨認(rèn)的做法，降低了安保人員監(jiān)視值守的工作強(qiáng)度，也防止了安保人員的內(nèi)部腐敗、勾結(jié)，提高了工作效率。

三、人臉識(shí)別的深度學(xué)習(xí)技術(shù)

人臉識(shí)別早在上世紀(jì)60、70年代就被提出了，涌現(xiàn)了很多識(shí)別算法和技術(shù)，人臉識(shí)別技術(shù)一般包括了三個(gè)子模塊，分別是人臉檢測(cè)、特征提取和對(duì)特征進(jìn)行分類。人臉識(shí)別研究的重點(diǎn)集中在人臉特征提取和特征分類的算法中。算法不斷改進(jìn)，使得特征的提取越來(lái)越準(zhǔn)確、明確，分類器設(shè)計(jì)的越來(lái)越合理，識(shí)別精度在不斷的提高。

人臉識(shí)別的技術(shù)流程中，分為多個(gè)步驟：人臉檢測(cè)，截取圖像預(yù)處理，人臉特征提取，將提取的特征進(jìn)行“降維”和處理最后輸入到分類器進(jìn)行分類。人臉檢測(cè)是人臉識(shí)別的第一步，其中包括標(biāo)識(shí)出圖片中的一張或多張人臉。然后根據(jù)對(duì)檢測(cè)的人臉圖片進(jìn)行直方均值等處理，將處理好的圖片放入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取和結(jié)果預(yù)測(cè)。

隨著對(duì)人臉識(shí)別研究的深入，研究出了不同的人臉識(shí)別方法，分為以下幾類：

（1）基于自然特征的提取

（2）使用模板對(duì)人臉進(jìn)行匹配的方法

（3）基于神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法

（4）基于深度學(xué)習(xí)的人臉識(shí)別方法，目前研究熱度最高、使用最廣泛的基于卷積網(wǎng)絡(luò)的人臉識(shí)別技術(shù)。

深度學(xué)習(xí)在 2012 年取得了巨大了突破，Hinton 等人設(shè)計(jì)并訓(xùn)練了一個(gè)具有 6 千萬(wàn)個(gè)參數(shù)和 65 萬(wàn)個(gè)神經(jīng)元的深度卷積神經(jīng)網(wǎng)絡(luò)，此神經(jīng)網(wǎng)絡(luò)在當(dāng)年的 Image Net 競(jìng)賽中對(duì) 1000 個(gè)不同種類的圖片進(jìn)行分類，得到了很好的識(shí)別精度并獲得了當(dāng)年的圖像識(shí)別競(jìng)賽的冠軍，因此引發(fā)了大家對(duì)深度學(xué)習(xí)研究的熱潮。

人臉識(shí)別技術(shù)的基礎(chǔ)技術(shù)包括關(guān)鍵幀篩選和人臉識(shí)別技術(shù)。深度學(xué)習(xí)在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)架構(gòu)上增加了池化層和卷積層，其中池化和卷積是對(duì)輸入的數(shù)據(jù)集作非線性的特征提取操作。

深度學(xué)習(xí)是對(duì)輸入的數(shù)據(jù)集做特征抽象化的處理，將特征抽象成矩陣的表現(xiàn)形式。深度學(xué)習(xí)特征提取方法和傳統(tǒng)的手工提取特征的方法有所不同，手工提取特征是根據(jù)操作者的主觀認(rèn)知進(jìn)行提取，不能現(xiàn)出數(shù)據(jù)集的整體分布式特征，并且手工提取所提取的特征數(shù)量較少，準(zhǔn)確度較差，嚴(yán)重影響識(shí)別的精度。深度學(xué)習(xí)主要對(duì)數(shù)據(jù)集進(jìn)行無(wú)監(jiān)督的特征提取并構(gòu)建一個(gè)或多個(gè)具有一定的深度的神經(jīng)網(wǎng)絡(luò)。

構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行多次訓(xùn)練得出一個(gè)準(zhǔn)確的訓(xùn)練參數(shù)。深度學(xué)習(xí)能更加精確的提取圖片的特征提高了特征提取的精度。池化層是將提取出的特征進(jìn)行降維，減少進(jìn)入全連接層和 SoftMax 特征向量的維度，提高卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)性。

典型的深度學(xué)習(xí)可以分成三類：

（1）深度信念網(wǎng)絡(luò)（deep beliefnetworks，DBN），應(yīng)用廣泛，靈活性強(qiáng)，容易擴(kuò)展。但圖像是一維特征，缺少空間特征。

（2）卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一種訓(xùn)練多層網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)算法，二維圖像在卷積神經(jīng)網(wǎng)絡(luò)是最適合進(jìn)行人臉識(shí)別的算法。

（3）第三類是混合型結(jié)構(gòu)，混合型算法分為生成性部分和區(qū)分性部分，這兩部分別使用最優(yōu)化方法和區(qū)分性網(wǎng)絡(luò)模型。

目前，卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有訓(xùn)練所需參數(shù)少、便于操作的優(yōu)點(diǎn)，近年來(lái)圖像識(shí)別效果最好的神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)一般四種結(jié)構(gòu)，卷積層，池化層，全連接層和 SoftMax 層。

（1）卷積層：在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中基礎(chǔ)上增加卷積的操作，對(duì)圖像的卷積可以理解為一個(gè)濾波的過(guò)程。卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的圖像或者二維的數(shù)據(jù)進(jìn)行逐層的處理，有效提取輸入圖片或者數(shù)據(jù)的特征。

（2）池化層：是把卷積層卷積的圖像不同位置的特征進(jìn)行聚合，因?yàn)閳D像的像素點(diǎn)周圍的其他像素點(diǎn)和該點(diǎn)有很高的相似度。經(jīng)過(guò)池化層處理后，一個(gè)區(qū)域的像素點(diǎn)具備一種局部性的特征，達(dá)到降低圖像特征維度，同時(shí)也使圖像特征不容易擬合。

（3）全連接層和SoftMax 層：對(duì)傳統(tǒng)的全連接處理后的數(shù)據(jù)做分類，可以對(duì)特征進(jìn)行多分類操作。

技術(shù)發(fā)展趨勢(shì)是深度學(xué)習(xí)技術(shù)，可作為人臉識(shí)別的主流研究方向，解決方案將是新技術(shù)與深度學(xué)習(xí)技術(shù)相結(jié)合。目前，仍然存在一些問(wèn)題，如訓(xùn)練需要的時(shí)間較長(zhǎng)，計(jì)算復(fù)雜度高，識(shí)別效率較低，需要 GPU 等設(shè)備的支持，遮擋問(wèn)題如何解決等。

如何克服這些影響因素稱為了目前研究的熱點(diǎn)。克服這些影響因素的方法可以分為：基于特征的人臉檢測(cè)方法，基于表象的人臉檢測(cè)方法。基于特征的檢測(cè)方法可以分為基于灰度特征和膚色特征的兩種檢測(cè)方法。基于特征的人臉檢測(cè)應(yīng)用較廣，單一背景識(shí)別精度高，實(shí)時(shí)性高。但種識(shí)別方法要求色度較高，不能有遮擋物、背景要求單一化，否則識(shí)別效果大幅下降。

基于表象的人臉檢測(cè)方法，常根據(jù)先驗(yàn)規(guī)則，特征提取前對(duì)人臉特征有一定的理解，并根據(jù)經(jīng)驗(yàn)值進(jìn)行提取。例如，五官的位置比例就具有對(duì)稱性，且為中線對(duì)齊性質(zhì)，根據(jù)這些規(guī)則來(lái)確定人臉特征的提取方法。

四、小結(jié)

對(duì)于主體的行為識(shí)為來(lái)解決安全等諸多問(wèn)題，將是人臉識(shí)別從身份認(rèn)證向人工智能方向發(fā)展的大趨勢(shì)。

參考文獻(xiàn)：

基于深度學(xué)習(xí)的人臉識(shí)別研究及其在物流中的應(yīng)用，施旭濤，2018

“刷臉”就能取快遞，螞蟻要開(kāi)人臉識(shí)別技術(shù)，環(huán)球網(wǎng)，2017

智能物流:自動(dòng)人臉識(shí)別“包裹找人”，廣州新聞?lì)l道，2019