Raspberry Pi 3 can read human emotions - TomoNews
來源:安防展览网
曾經火爆朋友圈的年齡辨識,已經讓大家興奮不已,馬雲在德國漢諾威博覽會上展示的人臉支付更是驚艷了世人。
人臉辨識的背後,到底有哪些數據分析和技術支持呢?近期,由Comet Labs、聯想之星主辦,聯想控股微空間、星雲加速器協辦的線上分享會中,來自聯想控股旗下聯想之星的被投企業Face++(曠視科技)的商務總監宋晨,為大家揭開了人臉辨識的面紗,並分析了其在線下零售店中的應用。
今天,小編與大家一起打開「人臉辨識」這扇新世界的大門。
人臉辨識也屬於人工智慧
人工智能包括很多領域,比如機器學習、機器視覺、語音語義、手勢控制等,歸結到一點就是跟數據相關。
其實,谷歌或百度也可以被稱為人工智慧公司,因為他們一直在用數據和技術研發產品,再用產品蒐集數據,最後形成數據的回流和閉環。
凡是有了數據,就能做各種人工智慧相關的東西。人臉辨識也是人工智慧中的一個領域,其魅力在於:相較於指紋、聲紋、靜脈辨識,具有一定的便捷性,且辨識品質非常高,所以人臉辨識更能贏得用戶的喜好。
人臉辨識有三個非常重要的階段
第一個階段:人臉檢測。對機器來說,人的臉部只是照片或影像流的一個畫面,所以機器首先需要透過視覺學習,將人臉標注出來。
第二環節:品質判斷。只是因為在人群中多看了你一眼,機器便產生了25幀或30幀的畫面,其中包括正臉、側臉、仰角、俯角等各種角度的照片。「品質判斷」就是根據預定的算法,挑出質量最高的照片,這張照片有幸入選最終人臉辨識的環節。
第三環節:人臉辨識。人臉辨識會分為1比1比對及1比N比對兩個部分。
金融與安控:人臉辨識的行業應用
1比1比對就是證明自己是自己。例如金融、保險領域,比如支付環節、身份證與真人對比。
金融業對人臉辨識的使用,更多的是沒有櫃面的領域。比如傳統的券商開戶,是透過券商與用戶當面影像驗證,是否為自願開戶。
但有了1比1的辨識之後,可以大量減少坐席的人工,透過比對,由機器自動辨認是不是自願或本人開戶。目前來講,馬雲在漢諾威展示的smile to pay(人臉支付),更多的是向世人宣傳,這項技術已經逐步進入到了商業化的領域。
1比N比對則是廣義的1比1,實際上做了N組的1比1比對。應用場景更多是安控、智慧城市以及商業領域。
商業領域講究「精準辨識」,而安控領域的概念是「疑似辨識」,比如同時彈出5個疑似的人選,下一步則需要人工干預。這就使得對N的底層數據庫要求很高。就曠視的經驗來說,能夠做到5千人以下的精準辨識,已經在全球達到了領先水準,而對於安控領域,N的底層數據庫,則可以做到千萬級甚至億級。
當人臉辨識出現在零售門市店
近年來,實體店遭受的衝擊非常大,很多的商家、中小門市店,甚至品牌連鎖、大型商超都存在痛點問題。
比如受到電商的衝擊(因為用戶行為在線上,電商可以掌握後台數據),線下又面臨客流量少、數據量不夠、監控和收銀數據無法打通、只能無差別對待客戶等問題。
Face++也曾跟红星美凯龙、万达、苏宁、麥當勞等商場超市做過深入的交流,商家最想知道的事情,都圍繞著三個方面:人群統計、人群屬性、人群行為。
人群統計:多點布控攝影機
上圖是Face++給一家品牌連鎖的大客戶,做的一個整體的分析平台,背景是不同品牌的展台位置平面圖,圖中的A、B、C、D、E則代表了5個攝影機的位置。
A、B點透過吸頂的方式,布設在店面門口,主要用於人流統計,包括進出店面的精準客流統計數據。
D點透過吸頂的方式,布設在店面的品牌展示專區,主要用於:區域人數、客戶停留時長統計、區域熱力圖分析。
E點透過俯視的方式,布設高清的人臉辨識攝影機,主要用於在用戶非配合的情況下,進行拍攝並進行年齡、性別分析。
人群屬性:分析多項後台數據
這張圖代表AB點的客流統計。藍色、綠色分別代表了進店、出店的人數,根據這張圖商家可以判斷,不同時間段進出店的整體的客流情況。
這張圖包含了三部分的資訊。條狀圖是區域中停留的人數變化。餅圖是區域中的人員停留時間,商家可以根據這些數據,判斷銷售導購人員的轉化行為是否有效。熱力圖表示不同區域的人員聚集,由此分析出哪款產品周圍的人多,不同區域內應該擺放多少產品。
上圖主要是用來分析男女比例、年齡比例。雖然目前還沒有辦法將這項數據,直接應用到商業領域。但是對於未來的精準行銷,鎖定客戶群體具有非常大的作用。
人群行為:智慧辨識消費者動作
用戶到店時,首先可以透過人臉辨識判斷客戶身份,其次後台會顯示出該客戶是否為會員,過往購買數據、喜好,客戶的身高、衣著尺碼等數據。
而後透過店員或經理手中的手持智慧設備的後台APP,實現會員到店提醒解決方案。
沒有留言:
張貼留言