Faces & the Local Binary Pattern - Computerphile
 |
來源：人脸识别技术专家
1、人臉辨識(FR技術)產品的優勢
1)非接觸:
人臉圖像的採集不同於指紋、掌紋，需要接觸指掌紋專用採集設備，指掌紋的採集除了對設備有一定的磨損外，也不衛生，容易引起被採集者的反感，而人臉圖像採集的設備是攝影機，無須接觸。
2)非侵擾:
人臉照片的採集可使用攝影機自動拍照，無須工作人員干預，也無須被採集者配合，只需以正常狀態經過攝影機前即可。
3)友好:
人臉是一個人出生之後，暴露在外的生物特徵，因此它的隱私性並不像指掌紋、虹膜那樣強，因此人臉的採集，並不像指掌紋採集那樣難以讓人接受。
4)直觀:
我們判斷一個人是誰，通過看這個人的臉就是最直觀的方式，不像指掌紋、虹膜等需要相關領域專家才可以判別。
5)快速:
從攝像頭監控區域進行人臉的採集是非常快速的，因為它的非干預性和非接觸性，讓人臉採集的時間大大縮短。
6)簡便:
人臉採集前端設備——攝影機隨處可見，它不是專用設備，因此簡單易操作。
7)可擴展性好:
它的採集端完全可以採用，現有影像監控系統的攝影設備，後端應用的擴展性，決定了人臉辨識可以應用在出入控制、黑名單監控、人臉照片搜索等多領域。
2、Facial Recognition三大辨識場景
1)人臉確認(1:1)：
(1)簡介：
將某人臉像與指定人員臉像，進行一對一的比對，根據其相似程度來判斷二者是否是同一人，相似 程度一般以能否超過某一量化閥值為依據。簡單的說就是A/B兩張照片比對，產生的計算數值是否達到要求。
(2)產品應用：
快速的人臉辨識比對，行動支付認證、安全性身份核對、作為身份確認的一種新方式，比如考生身份確認、公司考勤確認、各種證件照和本人確認。
(3)實際問題：
產品在系統設計的邏輯上，需要先考慮調取已儲存對象資訊的先驗條件。透過介面/語音的提示，使得待認證者預先知道，自己正處於被核對的過程中，且已預先瞭解擬核對對象的身份。
(4)比對來源的三種主要方式：
1. 用戶自傳照片，比如支付寶的人臉比對，用戶自傳的照片最大的問題，是照片品質的合格率太低，拍照的光線、角度等因素會導致採集源的品質下降，不利於後期的大批量人臉特徵碼管理。
2. 使用身份證讀卡器，讀取身份證上的照片，遺憾的是這張照片2K的大小，不過也是目前用最多的源照片提取方式，比較適合簽到場合。
3. 使用公安部旗下NCIIC的人臉比對接口(注意，不是網紋照片接口，這個接口已經不對外)，使用的是直接的人臉比對接口。
2)人臉辨認(1:N)：
(1)簡介：
將某人面像與數據庫中的多人的人臉進行比對，並根據比對結果來鑒定此人身份，或找到其中最相似的人臉，並按相似程度的大小輸出檢索結果。
(2)產品應用：
人臉開門、人臉檢索，排查犯罪嫌疑人、失蹤人口的全庫搜尋、一人多證的重復排查等。
(3)實際問題：
1、走失兒童的項目中去： 這一類系統的部署需要兩個條件：A. BCD基本庫(比如1000萬人) B. 強大的算法硬件
2、零售店中的刷臉支付長江，需要用戶預先輸入全手機號，確定用戶身份再進行人臉辨識，將原本為1:N的問題轉化為了1:1的問題。
(4)產品難點：
1、1:N中的N能夠支持多大
① 場景多樣化
從一個班級百號人刷臉簽到，到一個公司千號人的刷臉打卡，再到一個學校的幾萬人，一個四線城市幾十 萬人，一個一線城市的幾千萬人，難度是呈指數上升的。
② 公司實際情況
目前各家公司的成熟人臉識別應用能夠支持幾萬到幾百萬人不等的應用場景，而且還有一個錯誤率的概念。比如，公司宣稱千萬分之一的錯誤率的情況下(1/10000000)，人臉通過率其實只有93%，這是因為很難做到一定不發生錯誤，而且每個人都能辨識通過。(假如一家公司說自己能做到億分之一的錯誤率，通過率能做到98%以上，多半是虛假宣傳，在實際使用中是很難達到的)
2、非配合場景
在配合場景下：比如ATM機刷臉取款，用戶會自主配合，將人臉以一個理想的角度通過辨識。
而在非配合應用場景下，比如監控影像下的人臉辨識，追蹤違法犯罪分子的身份資訊，情況就要困難得多。這種情況下，用戶臉部會發生角度偏大，遮擋，光線不可控等問題。
3、跨人種，跨年齡辨識問題
研究發現，在一個數據集上訓練好的模型，想到遷移到另外一個人種上，效果會出現較大程度的下降。另 外，人臉隨著年齡的變化帶來的改變也給人臉辨識帶來不小的挑戰。
要改善這樣的問題，一個必要條件，是需要建立一個足夠完備的跨人種，跨年齡的人臉數據庫；在對岸中國的話，是 以漢族人為主，同時跨年齡的人臉數據庫也比較難收集，需要不短的時間跨度。
4、產品體驗
① 近來備受關注的刷臉支付，很多時候都會要求用戶輸入全手機號，或手機號後四位，以縮小用戶搜索庫大 小，實際上這是比較影響體驗的。
② 西安一高校晨讀刷臉簽到，由於系統實際響應匹配時間過長，導致學生排百米長隊。
3)多人臉檢索(N:N)：
(1)簡介：
1：N同時作業就是N:N了，同時相應多張照片檢索需求。
(2)實際產品問題中：
1、在影像級N:N的校驗中，如果要提高通過率，很多時候是採取降低準確率的方式，降低算法隊列數量；同樣在一些比賽中為了降低誤識率，大大提高了準確率，所以算法在校驗的過程中必須遵循至少一個固定標準，追求的是速度效率，還是最高準確率。
2、視訊流的幀處理所用，對伺服器的計算環境要求嚴苛，目前的算法系統所支撐的輸出率非常有限。
主要的限制如下：
海量的人臉照片分析，需要大量運算(目前很少看到在採集端直接解析的，都是照片剪裁) ，海量的人臉照片傳輸需要大量的頻寬(常見的720監控攝影機抓取最小的人臉照片為20K) 海量的人臉照片在後台檢索，需要耗費大量的運算(主流主機為例，最多到24路攝影機）
3、產品實戰中的物理問題：
1)光照問題
(1)簡介：
光照問題是機器視覺重的老問題，在人臉辨識中的表現尤為明顯。由於人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特徵。
(2)解決思路：
A、對其進行包括光照強度和方向、人臉反射屬性的量化，臉部陰影和照度分析等，嘗試建立數學模型，以利用這些光照模型，在人臉圖像預處理，或者歸一化階段盡可能的補償，乃至消除其對辨識性能的影響，將固有的人臉屬性(反射率屬性、3D表面形狀屬性)和光源、遮擋及高光等非人臉固有屬性分離開來。
B、基於光照子空間模型的任意光照圖像生成算法，用於生成多個不同光照條件的訓練樣本，然後利用具有良好的學習能力的人臉辨識算法，如子空間法，SVM等方法進行辨識。
2)人臉姿態問題
(1)簡介：
與光照問題類似，姿態問題也是目前人臉辨識研究中，需要解決的一個技術難點。姿態問題涉及頭部在三維垂直坐標系中，繞三個軸的旋轉造成的臉部變化，其中垂直於圖像平面的，兩個方向的深度旋轉，會造成臉部資訊的部分缺失。
針對姿態的研究相對比較的少，目前多數的人臉辨識算法主要針列正面、準正而人臉圖像，當發生俯仰或者左右側，而比較厲害的情況下，人臉辨識算法的辨識率也將會急劇下降。
臉部幅度較大的哭、笑、憤怒等表情變化，同樣影像著臉部辨識的準確率。
(2)解決思路：
1、第一種思路：
是學習並記憶多種姿態特徵，這對於多姿態人臉數據，可以容易獲取的情況比較實用，其優點是算法與正面人臉辨識統一，不需要額外的技術支持，其缺點是儲存需求大，姿態泛化能力不能確定，不能用於基於單張照片的人臉辨識算法中等。
2、第二種思路：
是基於單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下，合成該用戶的多個學習樣本，可以解決訓練樣本較少的情況下的多姿態人臉辨識問題，從而改善辨識性能。
3、第三種思路：
是基於姿態不變特徵的方法，即尋求那些不隨姿態的變化而變化的特徵。中科院計算所的思路，是採用基於統計的視覺模型，將輸入姿態圖像校正為正面圖像，從而可以在統一的姿態空間內作特徵的提取和匹配。
3)遮擋問題
對於非配合情況下的人臉圖像採集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往彼監控對象，都會帶著眼鏡，帽子等飾物，使得被採集出來的人臉圖像，有可能不完整，從而影響了後面的特徵提取與辨識，甚至會導致人臉檢測算法的失效。
4)年齡變化
隨著年齡的變化，臉部外觀也在變化，特別是對於青少年，這種變化更加的明顯。對於不同的年齡段，人臉辨識算法的辨識率也不同。
一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致辨識率的下降。對於不同的年齡段，人臉辨識算法的辨識率也不同。
一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致辨識率的下降。對於不同的年齡段，人臉辨識算法的辨識率也不同。
5)人臉相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉，進行定位是有利的，但是對於利用人臉，區分人類個體是不利的
6)圖像品質
人臉圖像的來源可能多種多樣，由於採集設備的不同，得到的人臉圖像品質也不一樣，特別是對於那些低解析度、噪聲大、品質差的人臉圖像(如手機攝影機拍攝的人臉圖片、遠端監控拍攝的圖片等)，如何進行有效地人臉辨識，是個需要關注的問題。同樣的，對於高解析度圖像，對人臉辨識算法的影響，也需要進一步的研究。
7)樣本缺乏
基於統計學習的人臉辨識算法，是目前人臉辨識領域中的主流算法，但是統計學習方法需要大量的訓練。由於人臉圖像在高維空間中的分布，是一個不規則的流形分布，能得到的樣本，只是對人臉圖像空間中的一個極小部分的採樣，如何解決小樣本下的統計學習問題，有待進一步的研究。
8)海量數據
傳統人臉辨識方法如PCA、LDA等在小規模數據中，可以很容易進行訓練學習。但是對於海量數據，這些方法其訓練過程，難以進行，甚至有可能崩潰。
9)大規模人臉辨識
隨著人臉數據庫規模的成長，人臉算法的性能，將呈現下降
10)動態辨識
非配合性人臉辨識的情況下，運動導致臉部圖像模糊，或攝影機對焦不正確，都會嚴重影響臉部辨識的成功率。在地鐵、高速公路、車站、超市反偷竊、邊檢等，保全和監控辨識的使用中，這種困難明顯突出；
11)人臉防偽
偽造人臉圖像，進行辨識的主流欺騙手段，是建立一個三維模型，或者是一些表情的嫁接。隨著人臉防偽技術的完善、3D臉部辨識技術、攝影機等，智慧計算視覺技術的引入，偽造臉部圖像進行辨識的成功率會大大降低。
12)丟幀和丟臉問題
需要的網路辨識和系統的電腦辨識，可能會造成視訊的丟幀和丟臉現象，特別是監控人流量大的區域，由於網路傳輸的頻寬問題和計算能力問題，常常引起丟幀和丟臉問題。
13)攝影機的頭像問題
攝影機很多技術參數，影響視訊圖像的品質，這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內置圖像處理晶片和鏡頭等，同時攝影機內置的一些設置參數，也將影響品質，如曝光時間、光圈、動態白平衡等參數。
4、實戰中的數據標注
1)數據標注
(1)一般來說，數據標注部分可以有三個角色
1. 標注員：標注員負責標記數據。
2. 審核員：審核員負責審核被標記數據的質量。
3. 管理員：管理人員、發放任務、統計工資。
只有在數據被審核員審核通過後，這批數據才能夠被算法同事利用。
(2)數據標記流程
1. 任務分配：假設標注員每次標記的數據，為一次任務，則每次任務可由管理員分批發放記錄，也可將整個流程做成「搶單式」的，由後台直接分發。
2. 標記程序設計：需要考慮到如何提升效率，比如快捷鍵的設置、邊標記及邊存等等功能，都有利於提高標記效率。
3. 進度跟蹤：程序對標注員、審核員的工作分別進行跟蹤，可利用「規定截止日期」的方式淘汰怠惰的人。
4. 品質跟蹤：透過計算標注人員的標注正確率，和被審核通過率，對人員標注品質進行跟蹤，可利用「末位淘汰」制提高標注人員質量。
2)模型訓練
數據標記完成後，交由算法同學進行模型的訓練，期間發現的問題可與產品一起商討。訓練過程中，最好能可視化一些中間結果。一來可以檢測代碼實現是否有Bug，二來也可以透過這些中間結果，來幫助自己更好的理解這個算法的過程。
3)模型測試
測試同事(一般來說算法同事，也會直接負責模型測試)將未被訓練過的數據，在新的模型下做測試。
如果沒有後台設計，測試結果只能由人工抽樣計算，抽樣計算繁瑣且效率較低。模型的效果，需要在精確率(辨識為正確的樣本數/辨識出來的樣本數)和召回率(辨識為正確的樣本數/所有樣本中正確的數)中達到某一個平衡。
測試同事需要關注特定領域內，每個類別的指標，比如針對辨識人臉的表情，裡面有喜怒哀樂等分類，每一個分類對應的指標都是不一樣的。
測試同事需要將測試的結果，完善地反饋給算法同事，算法同事才能找準模型效果欠缺的原因。同時，測試同事將本次模型的指標，結果反饋給產品，由產品評估是否滿足上線需求。
測試同事需要將測試的結果，完善地反饋給算法同事，算法同事才能找準模型效果欠缺的原因。同時，測試同事將本次模型的指標，結果反饋給產品，由產品評估是否滿足上線需求。
(1)測試環境說明
例如：
CPU：Intel(R) Core(TM) i7-4790 CPU @ 3.60 GHz
內建記憶體：8GB
系統：Ubuntu 14.04 x86_64/Windows 7 SP1 64bit
GCC版本：4.8.2
(2)測試集和測試需求說明(比如「圖片包含人臉大小應超過96*96像素，測試結果達到XX程度滿足需求)
1. 經典人臉身份辨識測試集LFW，共包含13233 張圖片 5749 種不同身份；世界記錄99.7%。
2. CK+ (一個人臉表情數據集)，包含固定表情和自發表情，包含123個人的593個表情序列。每個序列的目標表情被FACS編碼，同時添加了已驗證的情感標籤(生氣、厭惡、害怕、快樂、悲傷、驚訝)。
(3)需要說明「有效距離，左右角度，上下角度，速度」等參數值(範圍)
注：這和「部署的靈活性」相關——由於不同客戶不同場景的需求不同，所以技術方的人臉檢測模組，一般可以透過調整參數，得到N種亞型，以適應不同應用場景(光照、角度、有效距離、速度) 下對運算量和有效檢測距離的需求。
(4)測試結果——欠擬合
1、定義：模型沒有很好地捕捉到數據特徵，不能夠很好地擬合數據
欠擬合
左圖表示size與prize關係的數據，中間的圖就是出現欠擬合的模型，不能夠很好地擬合數據，如果在中間的圖的模型後面，再加一個二次項，就可以很好地擬合圖中的數據了，如右面的圖所示。
2、解決方法：
1)添加其他特徵項，有時候我們模型出現欠擬合的時候，是因為特徵項不夠導致的，可以添加其他特徵項，來很好地解決。例如，「組合」、「泛化」、「相關性」三類特徵是特徵添加的重要手段，無論在什麼場景，都可以照葫蘆畫瓢，總會得到意想不到的效果。
2)添加多項式特徵，這個在機器學習算法裡面用的很普遍，例如將線性模型透過添加二次項或者三次項，使模型泛化能力更強。例如上面的圖片的例子。
3)減少正則化參數，正則化的目的是用來防止過擬合的，但是現在模型出現了欠擬合，則需要減少正則化參數。
4)嘗試非線性模型，比如核SVM 、決策樹、DNN等模型。
(5)測試結果——過擬合
1、定義：模型把數據學習的太徹底，以至於把噪聲數據的特徵也學習到了，這樣就會導致在後期測試的時候，不能夠很好地辨識數據，即不能正確的分類，模型泛化能力太差。例如下面的例子。
過擬合
上面左圖表示size和prize的關係，我們學習到的模型曲線如右圖所示，雖然在訓練的時候模型，可以很好地匹配數據，但是很顯然過度扭曲了曲線，不是真實的size與prize曲線。
二、解決方法：
從產品角度
1)重新清洗數據，導致過擬合的一個原因，也有可能是數據不純導致的，噪音太多影響到模型效果，如果出現了過擬合，就需要我們重新清洗數據。
2)增大數據的訓練量，還有一個原因就是我們用於訓練的數據量太小導致的，訓練數據佔總數據的比例過小。
1)交叉檢驗，透過交叉檢驗得到較優的模型參數；
2)特徵選擇，減少特徵數或使用較少的特徵組合，對於按區間離散化的特徵，增大劃分的區間；
3)正則化，常用的有 L1、L2 正則。而且 L1正則，還可以自動進行特徵選擇；
4)如果有正則項則，可以考慮增大正則項參數 lambda；
5)增加訓練數據，可以有限的避免過擬合；
6)Bagging ，將多個弱學習器Bagging 一下，效果會好很多，比如隨機森林等.
4)標注流程中遇到的問題
(1)項目過程中的不確定性：
1、出現原因：
一般情況下，只要數據標注的規範清晰，對規則的界定從一而終，標注工作的流程還是比較簡單的。
數據標注規範可能會在測試後，根據結果情況進行調整，那麼，規則修改前後「數據標注的一致性」就出現了問題，會導致多次返工，在時間和人工成本上頗有影響。
2、解決方法：
1)如是分類性質的解析工作，建議標注規則先從非常肯定的非黑即白開始；規則設定由簡到繁，帶有疑慮數據，再另外作記號。隨著規則一步步深入，可能會出現交叉影響，此時就需要放棄一些低頻問題的規則，余下的未標注的數據，就根據新的規則標注。
2)如是多類規則同時進行的標注工作，需要把每類規則定得足夠細緻。
3)實例：
1、如詢問機器人會幹什麼的語料中出現，「你說你會幹什麼?」可以理解為詢問，也可能是嫌棄，這兩類應對的策略不同，有歧義，所以不能把它歸納如詢問類，需要把它從訓練集里剔除。
2、如人臉情緒辨識中，一個人在流眼淚，有時可以理解為傷心落淚，有時可以理解為喜極而泣，還有時可以理解為激動落淚，甚至是感動落淚等，所以在看到此類照片時，不能簡單的憑借慣性化思維，將其歸納到悲傷一類中，當人眼都很難判別清楚時，需要把它從訓練集裡剔除。
5、實際案例分析
1)某領域的人臉辨識監測與身份確認
(1)案例問題：
光照影響：過暗或過亮等非正常光照環境，會對模型的效果產生很大干擾。在解決光照影響這個問題上，可以透過兩種方式：
(2)解決方案：
1、從產品角度控制
A. 在用戶可以更換環境的前提下(比如銀行刷臉取錢等)，可語音/介面提示用戶，目前環境不理想(頭歪、頭髮、眼鏡等)，建議進行正確的正臉取照。
B. 在用戶不能控制更換環境的情況下(比如人臉辨識、車輛辨識等攝影機固定的場景)，只能透過調試硬體設施，彌補這個問題。
C. 晚上：由於攝影機在晚上，會自動切換到黑夜場景(從圖片上看就是從彩色切換為黑白)，因此在晚上強光下(例如路燈照射)人臉就會過曝，這時，我們可以透過強制設置攝影機，環境為白天(圖像為彩色)來避免。
而過暗的情況，從節省成本角度看，可以在攝影機旁邊，增加一個光線發散、功率不高的燈來彌補。當然這兩個問題，也可以透過購買高畫質的攝影機解決，但這樣做也意味著更高的成本。
D. 白天：白天也會出現光線過亮的情況，這種情況可以考慮用濾光片等等。
2、從算法角度控制
用算法將圖片進行處理，可以將圖片恢復得讓人眼看清的程度。
2)某款人臉年齡辨識產品
(1)案例問題：
一款識別人臉年齡的產品，對女性某個年齡階段(25—35)的判斷，誤差較大，經過發現，是因為該年齡階段有以下特點：
A. 女性在這個年齡階段，面貌變化不是很大，有時人眼給出的判斷誤差都很離譜。
B. 在這個年齡層次的女性注重打扮，化妝品很大程度上，掩蓋了其真實年齡，有時30多的跟20歲沒多大差別；
C. 精裝打扮的和素顏的差別有時變化不大、有時變化很大。
(2)解決方案：
1. 補充數據：針對該年齡層次的人臉圖片數據做補充。不僅補充正例(「XXX」應為多少歲)，還應補充負例(「XXX」不應為多少歲)。
2. 優化數據：修改大批以往的錯誤標注。
3. 數據總結：對化妝和不化妝的人臉圖片進行分析，以便調整算法參數。
(3)需求研究：
1. 自拍：如女性群體一般都希望自拍時，年齡的判別在心裡預期中能越小越好，當在和一群人自拍中，可以適當的將主人公的年齡判別結果，調低至達到用戶心理滿足感。此時可適當降低算法的參照度。
2. 婚戀交友：在婚戀網站交友過程中，雙方都希望知道彼此的真實年齡訊息，此時運用人臉年齡辨識，可以分析雙方的年齡、皮膚等物理資訊，為彼此提供參考。此時的訊息就不能以達到心理滿足感為主了，應當追求準確度。
3)某款AR美顏相機
(1)無法定位出人臉：
在背景出現多人或寵物時，相機有時並未能精確定位出目標用戶，而定位到背景圖片中的人、寵物、身旁的其他人；有時螢幕一片漆黑；有時顯示未檢測出人臉。
1、從產品角度：
介面提醒用戶遠離複雜背景，或美顏時最好螢幕中，只出現一人，或給出方框圖，讓用戶自己手動選擇，主要定位區域，進行AR美顏辨識，螢幕一片漆黑時，可提醒用戶是否是光線太暗，或是攝影機被障礙物遮擋等;
2、從算法角度：
可對人臉關鍵點進行定位，計算目標用戶與攝影機的距離或計算人臉在頻幕的區域佔比來確定目標用戶(一般幾何距離近的、頻幕區域佔比較大的為美顏目標)，結合活體檢測來排除背景圖片人物的干擾等。
(2)圖像模糊昏暗：
光線太暗、運動、對焦等造成模糊(攝影機距離因素，造成圖像低頻存在，高頻流失等)
1、從產品角度：
可提醒用戶在光線較溫和的區域，進行美顏操作；或是擦除前置攝影機的障礙物；或文字提示動作太快；或是更換高清前置攝影機；或提示對焦失敗，給與對焦框圖讓用戶手動對焦等。
2、從算法角度：
在美顏前可在後台中，調取手機亮度調節功能，用算法調節光線的亮暗程度，以適應美顏所需的物理條件；用算法設法補齊高頻部分，從而減少對照片的干擾。
(3)人臉關鍵動作抓捕太慢：
在進行AR美顏搞怪時(如張嘴動作，螢幕出現音符、唾沫星子等)對動作抓捕太慢(半天才抓捕到張嘴動作)。
1、從產品角度：
文字提示不支持快速移動或提示緩慢移動(如，親！您的動作太快了，奴家還未反應過來等)
2、從算法角度：
人臉姿態估計、關鍵點定位來捕捉人臉動作。
(4)關鍵位置添加虛擬物品失敗(如在嘴上叼煙、耳朵吊耳環、眼鏡戴墨鏡、臉顯紅暈)
1、從產品角度：
文字/圖片提醒用戶擺正人臉位置。
2、從算法角度：
可利用算法對人臉關鍵區域，進行分割並定位，來達到人臉精準定位添加虛擬物品
4)人臉開門和人臉檢索
(1)人臉開門等跨網方案需要關注的因素
1、遠端算法更新：
遠端算法更新，必然會造成本地局域網功能，暫時性無法使用。因此遠端算法更新的頻率、時間、更新效果，都需要產品在更新前精確評估。
2、增刪改人臉數據與本地數據的同步：
本地局域網和互聯網，是無法直接交互的，因此用戶在互聯網一旦對人臉數據庫進行增刪改的操作，下發程序的穩定性和及時性都需要重點關注。
3、硬體環境：
本地儲存空間的大小，和GPU直接影響到本地辨識的速度。伺服器的穩定性，影響到功能地正常使用。
4、守護程式：
斷電等外置情況意外情況發生，又被處理完善後，程式能自動恢復正常。
(2)人臉檢索等某一局域網方案，需要關注的因素
1、速度：
除了算法辨識需要消耗一定時間外，該局域網下的網速，會影響到辨識結果輸出的速度。
2、數據庫架構：
通過檢索結果關聯結構化數據。
3、臨界值（閾值）的可配置性：
在介面設置臨界值功能，從產品層面輸入閾值後，改變相對應的結果輸出。
4、輸出結果排序：
根據相似度排序或結構化數據排序內容地抉擇
5、雲服務的穩定性。
0 comments:
張貼留言