The Role of Artificial Intelligence in Retail
 |
| Nx 雲端影像平台解決方案 |
這篇文章從人臉辨識在零售場景的應用，談到了網路攝影機的裝置位置、裝置環境的要求、頻寬處理、各種零售場景的應用、市內定位技術的搭配；還有與 RFID的整合搭配……，這整體來看，已經牽涉了設備的選用、場景的佈署、系統的整合、零售管理功能的要求……；好奇的是—— 這樣的應用案例技術文章，為什麼不是出自一直高喊 IP 才是王道，一群台灣死忠擁護者的口中？
來源：公众号/石基商业评论 作者：罗杰
一、人臉辨識的商用現狀
1.人臉辨識會員系統
任何一種實體經濟，都離不開會員系統。
人臉作為最能代表人身份資訊的媒介，為無人經濟創造了資料入口。
目前，不少高階店面，已把人臉辨識整合在店鋪CRM系統，成功打通會員資訊。過去，顧客只有在支付時拿出會員卡，營業員才能得知身份。
這時候，不少零售店有一新需求：能否在顧客入店時，透過AI系統自動辨識其身份，隨後透過終端裝置提醒服務員：已有VIP會員進入店鋪，並以視覺化的形式，提供對方的核心資訊與使用者畫像，以便讓服務員提前為特需顧客，提供優質的服務。
隨著人臉辨識在遠場場景中的成熟，這一構想正在走進現實。
當下，優秀AI公司的靜態人臉辨識準確率，已經高達99%以上，遠超人眼。但這只是各種環境友好的前提下：如近距、光照良好、攝影機清晰等等。
而在零售店面屬於動態場景，因此要想用好人臉辨識，對攝影機有一定要求，不過目前市面上很多廠商，都能提供滿足要求的高清網路攝影機。
以百度人臉辨識應用線上下藥店為例，人臉會員辨識系統關鍵，在於一塊執行Android作業系統的主機板，主機板會在本地，對視訊和影像進行去重等預處理，然後再上傳到百度的雲端伺服器進行人臉辨識。
之所以在前端先對人臉進行預處理，主要是為了確保人臉資訊採集的效率和效果。
在店鋪場景，絕大部分商家的網路，是普通的家庭ADS寬頻網路，頻寬非常有限，不可能把所有視訊，都上傳到雲端，也不可能安裝一兩萬元的昂貴裝置。將大量智慧演算法，放在前端硬體上實現，可大幅降低雲端伺服器壓力。
顧客從入店到離店，期間會產生大量視訊和影像。但系統並不會把每一幀影像都上傳，而是進行去重處理，可理解為選取一幀優質的、便於辨識的人像圖片上傳到雲端。
而將「辨識」放到後端，則是因為會員人臉庫較為龐大，大規模的人臉檢索能力，在雲端更快地完成萬級別，乃至百萬級別的人臉檢索，並在極短時間內，即時反饋辨識結果，避免會員人臉資訊的增加，對辨識速度產生影響。
這種前、後端的組合應用方式，既確保了辨識效果，又儘可能保障了辨識效率。
雖然市面上不少攝影機廠商的產品，可以滿足人臉辨識要求的高清度，但會員系統的面臨的挑戰在於，實際應用場景存在各種各樣的複雜環境限制，如現場光照、店內遮擋物、網路條件、攝影機角度等，這些都會影響到辨識的準確率。
人臉辨識的有效範圍，則主要取決於可以捕獲到的最小人臉，要兼顧清晰度、姿態、光照等條件限制。考慮到實際的應用場景，這主要取決於攝影機本身的能力，不同的場景對攝影機的要求也不盡相同。
因此，最終的辨識效果，不僅關乎辨識技術，還依賴於產品策略。比如，對於強光和夜晚弱光等情況，可以透過調整攝影機位置，確保不逆光、室內燈光正常來滿足辨識條件。
以普通藥店為例，系統一般需要配置3-4個攝影機，安裝在店鋪入口處，室外1-2個，室內2個。系統辨識速度非常快，即使有三五個人同時進店，也只要1-2秒就能全部辨識。
此外，市場上這類方案同時，具備大規模人臉庫搜尋能力，可支援龐大的會員人臉庫查詢；具備元件化SDK、介面和配置後台；同時還支援多攝影機裝置ID配置管理、端人臉影像輸出推送地址配置、人臉過濾與分析策略配置，方便低成本高效整合。
引入系統後，店家可在會員註冊環節，採集會員的人臉資訊，形成會員人臉庫。店員徵求顧客的同意後，將透過CRM系統的手機客戶端，拍攝顧客的人臉照片儲存到後台。
當顧客再次進店消費時，系統便會即時自動捕獲消費者人臉，呼叫雲端人臉辨識介面，與會員人臉庫進行比對，準確辨識出會員身份資訊，並即時反饋給商家的業務管理系統，實現業務聯動。
透過營業助手APP對會員的到訪次數、購買記錄、消費頻率等會員資訊快速瞭解後，在顧客選擇商品時，營業員可以提供更科學更安全的服務。
至於常訪顧客，則由業務方根據業務需要，自行設計業務邏輯和產品方案，決定是否儲存人臉影像等資訊。
2.非會員回頭客辨識系統
上述內容談到的是對會員辨識，當然，除了辨識已註冊會員的顧客外，市場上還有部分供應商，會根據過往的未註冊會員的到訪，與在某些櫃檯停留時長的歷史，為其建立回頭客人臉庫和使用者畫像。當非會員第N次進入該店鋪時，人臉辨識系統可從顧客進店，就能辨識他的過去留下的「歷史」與「個人屬性」。
相比而言，會員辨識相對簡單，因為有會員庫，正常拍攝比對即可；但回頭客必須與歷史庫中的海量人臉，進行秒級比對，對辨識速度和辨識準確率均是極其苛嚴的要求。
重點服務常訪客，對於線下實體店鋪，從提升銷售額的角度來看，有一關鍵維度：提升客戶轉化率。
3.實體店刷臉支付系統
人臉辨識除了可應用在會員辨識，與回頭客辨識系統中外，支付也是極佳的落地場景。
兩年前，馬雲第一次在漢諾威電子展的大螢幕上，向全世界演示「刷臉支付」技術，引得滿堂喝彩。當時很多實體商家期待馬上就能使用之際，「刷臉支付」卻遲遲未能走向商用。
兩年間，新技術和新概念層出不窮，但「刷臉支付」的最新進展，仍然時刻牽動著人們的神經。去年9月1日，支付寶在肯德基的KPRO餐廳上線刷臉支付，正式將「刷臉支付」推向了商用。
刷臉支付的具體步驟如下：
在自助點餐機上選好餐，進入支付頁面；選擇「支付寶刷臉付」，然後進行人臉辨識，大約需要1-2秒；再輸入與賬號繫結的手機號，確認後即可支付。支付過程不到10秒。
已經進行支付寶實名認證的使用者，首次使用「刷臉支付」時，可以直接在支付寶APP上，開通該項功能；未進行實名認證的使用者，則還需要進行人臉驗證，建立人臉庫資訊。
目前，支付寶的「刷臉支付」功能已經能夠應對「多人+濃妝+換髮型」的複雜場景。
首先，人臉辨識從線上遷移到線下，要突破幾大難點。與「刷臉登入」相比，「刷臉支付」難度更大。一是支付對安全性要求更高，其次，刷臉支付是線上下公共裝置，和開放環境下進行，真實場景複雜多變：白天和晚上的光線不同、不同人群面對攝影機的角度和姿勢各異，辨識難度更高。
因此此前行業裡，多是在特定場景下內測，未能商用。刷臉支付對安全性和便捷性有著極高的要求，如何同時滿足這兩個要求，需要解決一系列技術和產品難題。
這時候必須透過軟硬體的結合，用智慧演算法與風控體系，綜合保證金融級準確性和安全性。
活體檢測的作用
在今年的央視315晚會中，主持人使用專業視訊處理軟體展示合成後的人臉，並透過外部輸入控制，合成人臉的抬頭、低頭等動作，成功地對人臉辨識進行了破解。
因此，確認攝影機前的人臉是「真人」，顯得尤為重要。以肯德基KPro刷臉取款為例，肯德基在點餐機上，配備了3D紅外線深度攝影機，在進行人臉辨識前，會透過軟硬體結合的方法，進行活體檢測，來判斷採集到的人臉是否是照片、視訊或者軟體模擬生成的，能有效避免各種人臉偽造，帶來的身份冒用情況。
除此之外，市場上也有專用的紅外線雙目攝影機產品，透過同時採集紅外光和可見光作為輸入資料，透過紅外線成像、立體成像檢測、紅外線與可見光成像匹配辨識，分析人臉面板的紋理，及微小動作帶來的規律變化，實現人臉辨識和活體檢測。
對岸中國360人工智慧研究院院長顏水成博士曾談到，相關技術廠商不僅要關注人臉比對的準確率，在涉及隱私、支付等場景使用時，應當將人臉與聲紋、指紋、虹膜，及其他生物認證訊號相融合，多個方面同時發力，從而提高安全門檻，保障使用者安全。
目前比較先進的紅外線雙目專用攝影機解決方案，運用紅外線雙目攝影機，透過同時採集紅外光和可見光作為輸入資料，結合硬體專用的應用驅動功能，透過紅外線成像、立體成像檢測、紅外與可見光成像匹配辨識，以及其他保密的技術，實現快速活體檢測、人臉辨識。
綜合近紅外和可見光照進行活體檢測，可以分別進行：紅外照與可見光照比較，立體成像檢測等，活體檢測準確率更高，有效從紅外光，立體成像等多種角度進行活體檢測，並且人臉辨識準確率更高，全面解決了視訊、照片、面具等各類攻擊，遠超單可見光、單紅外光的防攻擊技術，總體安全性極高。
手機號校驗的技術出發點
很多人不理解，為什麼肯德基刷臉支付，在進行人臉辨識後，還需要輸入與賬號，聯結的手機號進行校驗?僅僅是為了提高了安全性嗎?不止是。
與支付寶相同的是，京東之家的「刷臉支付」，也需要輸入手機進行輔助認證，但後者只需要輸入手機號的後四位。
從技術角度講，輸入電話號碼，不僅可增加安全性，同時也增加了準確性。
「刷臉支付」實際上是透過電話號碼，將1：N的人臉辨識問題，轉換成了1:1的人臉辨識問題。在1：N的人臉辨識場景中，當人臉庫規模達到3000人以上時，對人臉辨識演算法的辨識精度，將是一個很大的考驗，而且人臉庫規模越大，難度越大。
輸入全部手機號+人臉辨識和刷臉登陸時，可看作是1:1辨識，不過是先做1：N(辨識)再做1:1(辨識)。僅輸入手機號後四位，雖然本質也是1：N，但透過手機號後四位，將N的範圍縮小。假設有1億使用者，透過手機號後四位，可能把N減小到1萬，再透過地域權重，基本可以得到一個比較好的結果。
不少人臉辨識廠商稱，自己的人臉辨識庫容能做到上百萬，實際針對的是1:1人臉辨識，即可以做到從百萬人臉庫資料中，先透過身份證、社保卡或者特定賬號，從伺服器後台提取指定的人臉資訊，將此人臉資訊與當前人臉資訊比對，判讀「他」是否與該身份證、社保卡或者特定賬號的人臉資訊匹配，而不是從百萬人的資料庫裡，純刷臉辨識出「他」是誰。
1：N人臉辨識的準確率，還要加上先決條件——Top N。因為人臉辨識的輸出結果是「相似度」，也就是辨識的是一張人臉和另一張人臉的相似程度，而不是「絕對值」。
在公安的被動查詢場景中，只要TOP20、TOP50中有一個比較好的準確率，就已經表現不錯，實現起來相對容易。而在支付場景中，要即時分析這個人，到底是不是賬戶的主人，就要求TOP1有很高的準確率。
提高辨識準確率主要有兩種途徑，一是從理論的角度，不斷提升演算法；二是從產品和工程的角度，儘量在不打擾使用者的情況下縮小N值。由於「刷臉支付」的誤差率，要控制在十萬分之一，甚至百萬分之一以下，才有商用價值，前者的可行性較低。支付寶和京東採取的都是後一種做法，更多是屬於產品策略上的創新。
二、商品檢測與辨識
零售的本質是構建人與貨物的關係，人臉作為人獨一無二的身份資訊，在很多環節能為零售起到銷售支援。而商品作為與人在零售場景中產生關係的物體，同樣是智慧無人技術需要攻克的地方。
1.基於AI的商品檢測與辨識
Amazon Go最大的亮點是顧客拿走，或者放回物品的同時，使用者手機裡的系統(該系統與Amazon Go商店的資訊中樞無延遲地同步進行更新)會自動更新清單，然後使用者直接離開商店即可。
此前亞馬遜提交的兩份核心專利：「偵測物體互動和移動」和「物品從置物裝置上的轉移」，就是利用軟硬體，圍繞商品的檢測和辨識展開。
一般而言，如果從顧客的角度，來判斷購買行為，顯然會非常複雜，但從貨架的角度來看就要簡單得多，此時的核心動作只有兩種，即拿走或放回，Amazon Go是如何做到的呢?
首先貨架前的攝影機，會採集使用者的手，在進入貨架平面前的影像，當使用者手在貨架上拿上商品離開時，此時的影像亦會被採集，然後將兩次採集的影像進行對比，判斷出使用者是拿出貨物，還是放入貨物。
確認了物品的拿出與放回，這可看作商品檢測環節，其次就是辨識：知道哪些商品被拿出或者放回。
對被拿走的商品，可分兩種情況，即物品處於原本所在的位置上，此時商品直接被標識於系統中，只需利用感測器，即可感知到該物品被拿走；當商品與原本位置不一致時(透過影像辨識該位置，與現有商品不一致時)，儘管Amazon Go系統會對錯放商品，進行圖片對比檢索(與資料庫內的圖片進行比較)辨識，但Amazon Go此時，往往無法很好地對商品進行辨識，這是AmazonGo的一個BUG，當然出現這種情況時，Amazon Go會提醒工作人員，將商品放回正確的位置了。
最後，Amazon Go內的商品，是如何實現與人關聯的?這就需要依靠室內定位技術。
Amazon Go定位依靠的是影像分析，以及音訊來實現，首先透過店內的攝影機，檢測使用者及其方位，同時商店貨架或者天花板內的多個音訊，根據各聲音時差，分析出使用者的位置，此外，使用者手機的GPS以及WiFi訊號，亦能協助定位的實現。
Amazon Go目前定位上存在一些技術問題，比如較多顧客擁擠在一個區域時，此時的影像分析會對系統GPU形成高負荷，而其他定位技術，亦會因精度問題導致誤差，此時定位的可靠性會大打折扣，這也是後續Amazon需要持續解決的問題。
Amazon Go採用的機器視覺辨識、深度學習演算法和感測器融合等技術，都是目前最先進的新興應用技術，Amazon在無人商店領域的技術累積可謂全球領先，但正是這些領先技術的加持，使得Amazon Go造價不菲。據悉，一個Amazon Go可能需要千萬美元級別的投入。
2.基於RFID的商品檢測與辨識
目前市場上，鮮有能做到像Amazon Go這樣，「即拿即走」的購物模式，但這種體驗背後的代價，就是超高成本、複雜、容易出錯等問題。相比而言，基於RFID技術的方案，相對簡單也更可靠。（3S Market:作者這句話是有盲點的，每一個方案都是有機會成本的）
市面上不少無人便利店內商品，包裝上皆貼有RFID標籤，避免了像Amazon Go那樣，需要進行複雜的影像辨識過程，但也可以起到節省人力的作用，不失為向第一類「無人零售店」過渡的一種辦法。
RFID工作原理，主要是透過射頻訊號，自動對目標物件進行自動辨識，並獲取相應的資料，工作運轉過程全程自動化，無需人工干預，是一種非接觸式的自動辨識技術。
從概念上講，RFID類似於條碼技術。條碼技術是將條碼資訊依附在物品上，透過掃描槍對物品上的條碼進行掃描，從而獲得物品的資訊。
而RFID技術將RFID標籤依附在物品上，透過射頻訊號將標籤中的資訊，讀取到RFID讀取器中，從而獲得物品的特有資訊。相較於傳統的條碼，RFID技術優點如下：
快速掃描：RFID辨識器可同時辨識讀取多個RFID標籤，相比之下，條碼每一次只能有一個條碼受到掃描。
穿透性和無屏障閱讀：在被覆蓋的情況下，RFID能夠穿透紙張、木材和塑料等非金屬或非透明的材質，並能夠進行穿透性通訊。而條碼掃描機必須在近距離，而且沒有物體阻擋的情況下，才可以辨讀條碼。而「無人零售店」之所以能做到無人收銀，也主要是利用了RFID技術的這一特點。
資料的記憶容量大：一維條碼的容量是30個字元左右，二維條碼最大的容量可儲存2至3000字元，RFID最大的容量則有數兆字元，隨著記憶載體的發展，資料容量也有不斷擴大的趨勢。
體積小型化、形狀多樣化：RFID在讀取上並不受尺寸大小與形狀限制，不需為了讀取精確度，而配合紙張的固定尺寸和印刷品質，不像條碼容易產生形變和破損等問題，而導致無法辨識。此外，RFID標籤更可往小型化與多樣形態發展，以應用於不同產品。
RFID技術相對已經較為成熟，但是RFID訊號遇到液體、金屬易衰減遮蔽，黏貼麻煩易被撕毀，尺寸和感應距離難協調，成本也不低。
RFID的四大技術硬傷
RFID方案飽受詬病的就是成本較高。不過近年來，隨著技術發展和應用場景增多，RFID標籤的成本已有所下滑，RFID標籤單個成本約在2.5元左右。
其次是漏讀。在實際體驗過程中，當消費者把所有商品放置在感應區時，商品自然堆積在了一起，此時系統只辨識出了四件商品。如果把多件商品均勻攤開，系統這才辨識出所有商品。之所以會出現漏讀現象，是因為晶片和天線之間沒有發生接觸。
解決的途徑主要有三種：一是提高標籤的靈敏度，降低標籤的最小喚醒功率；二是增加讀寫器的訊號強度；三是改善訊號場的設定，透過機電協同，避免死角的出現。
少部分商家採用超高頻方案，而絕大部分公司則採用的是高頻方案。相對於其他頻段的RFID技術，超高頻RFID具有一些顯著的技術優勢：
靈敏度高：靈敏度決定了辨識的商品的距離。
採集資料的速度最快：高頻和低頻RFID採集資料的速度，是以秒為單位計算，而超高頻的辨識速率則是毫秒級的，可以帶來更好的使用者體驗。
多標籤的數量：低頻和高頻RFID同時辨識的標籤數量侷限性較大。
成本低：超高頻RFID標籤的成本，要比低頻和高頻低50%甚至更多。
前者的起步價為幾毛錢，後者的起步價則為幾塊錢。
但目前市場上，擁有成熟超高頻RFID方案的廠商少之又少。
第三是速度。結算完畢後，顧客需要帶著已買單的商品，經過一個感應區，感應區會自動辨識是否有未支付的商品。如果沒有，系統就會提示顧客推門離開，整個過程耗時約5秒。而隨著顧客購買的商品數增加，即使系統能夠準確辨識，耗時也將進一步增加，嚴重影響使用者體驗。
第四是防損。無論對於大型商超，還是小型便利店，防損都是一個亙古不變的難題。防損率的輕微浮動，對於零售行業來說都是致命的，而無人零售面臨的防損問題更是極為嚴峻。
採用RFID方案的無人便利店，面臨的防損挑戰主要來源於兩方面：一是顧客惡意損毀RFID標籤；二是顧客刻意遮蔽標籤的訊號，比如用手或錫箔紙遮擋標籤。
RFID如何更好的發揮作用?
雖然RFID單一技術，並不能解決無人零售場景中的所有問題，但它仍有存在必要，而且擁有許多機器視覺，並不具備的優勢，比如即時監測庫存和商品的熱力分佈。
未來商業的一大趨勢，就是資料的即時化和智慧化。RFID即時、精準獲取海量資料的能力，如果能夠結合高效的資料分析系統，就可以為C、B端的協同和供應鏈，優化提供有力的資料支撐。
影像辨識或者說商品辨識，只是無人零售這個新興行業最前置的環節，不代表整個無人便利店的技術體系。繽果盒子目前正在摸索的，是無人便利店後端的管理模式，即「高效地進行突破，精準定位到個體」。
多技術混合：多技術融合是未來無人零售解決方案的發展趨勢。
國際上有些專案，透過一個具有RFID功能的讀取器，和帶有商品二維碼的安全扣，以及具備自主結賬功能的系統來實現。
首先，顧客把想要買的商品，放到專用的讀取器上，讀取器會辨識這些物品，並將價格和稅款顯示出來；然後，系統會詢問顧客是否想要列印出發票，或者直接email給他；在顧客付款之後，還要把安全扣放入一個小槽裡面來解鎖。如果這是一個已經買過的商品，安全扣則自動被解鎖。
具體場景對應具體方案：即技術的發展，必須牢牢貼合實際應用場景。無人便利店是一種全新的零售業態，此前RFID廠商並未有針對性地為這一場景設計產品。未來累積了一定經驗之後，應用RFID方案的無人便利店，還有望得到進一步優化。
另外，在某些特殊場景中，RFID技術也能揚長避短，充分發揮其價值。比如應用於很多餐廳的RFID自助結算餐檯。
RFID自助結算餐檯配備了多種色彩的餐具，每一種色彩對應一個價格，碗碟內建RFID標籤，供餐檯讀取價格資訊進行結算，一小時可以完成上千人次的自助結算，僅需一名操作員站在裝置後維持結算秩序即可，大大提高了結算效率。
無人零售對整個行業來說，都是一個全新的命題，不管傳統企業，還是新創公司，都還處於探索階段，還在不斷嘗試和驗證各種技術的可行性。小空間的亞馬遜方案可能會再次出來，但是商業化確實很難。RFID方案會被放棄，自助掃碼的方案會存在變種。
 |
0 comments:
張貼留言