StartDT AI Lab | 視覺智能引擎——從Face ID說起，淺析顧客數字化

“顧客就是上帝”，這句西諺揭示了顧客占據著商業活動中心地位這一客觀規律。為了能更好地服務顧客，優化商家自身的服務與產品，對顧客的分析與需求調研一直是商業經營分析中的重中之重。

在商業互聯網化、社會數字化的今天，這一規律越發明顯。從Web1.0時×××始，Cookie就被發明出來，用以對“顧客”進行數字化描述和建檔并歸一化其互聯網下的數字行為。

其后的Web2.0時代，隨著移動互聯網的發展，個人生活中的屏—人機交互端口變多了，原先用Cookie對 “顧客” 進行數字化的方式已無法完成對個人全渠道全平臺跨屏的行為歸一化，為了解決這一問題，設備ID、SuperID應運而生。

當前， Web3.0正如火如荼地發展中，渠道、平臺、終端、屏幕隨著IOT的發展，通過云端賦能，下沉霧化， 對“顧客”進行數字化描述的方式又迎來了更復雜更嚴峻的挑戰。有鑒于此，奇點云與眾多有志于此的友商，在多年前就開始了對于新形態“顧客ID”的預研。目前基本達成的共識有兩點:

IOT時代來臨，原來的線下物理社會逐步數字化上線，對于這一開放的數字化環境，已經難以通過唯一有限的媒介數字設備對顧客及行為數字化。這就需要從自然人身上直接數字化并抽取。
這一新形態數字ID需要能夠較為高效和準確地拉通原先Web1.0和Web2.0時代的既有數字化信息。
在經歷了一段時間摸索后，以人臉生物特征為基礎的Face ID方案逐漸顯露出優勢，而 Face ID也成為了當前奇點云商業智能化方案中對于顧客數字化描述的主要技術方案。基于此，StartDT AI Lab在人臉數字化方向上做了充分且深入的技術沉淀。下面就為大家展示幾點:

人臉數字化的核心自然是人臉識別，其包含了人臉生物特征的數字化和準確比對。作為視覺智能引擎中不可或缺的一部分，StartDT AI Lab的人臉識別技術可以解決復雜場景下的人臉識別問題。

比如動態視頻監控場景下的人臉識別，相較于約束場景下的人臉驗證所需的人臉識別技術，其一大挑戰是對無約束人臉的識別，難度在于進行人臉識別的人臉圖一般會存在模糊、遮擋、低分辨率、面部光照及表情變化巨大等，這些因素都會在一定程度上對人臉識別造成影響，甚至大幅降低人臉識別的準確率。而StartDT AI Lab對這種場景下的人臉識別準確率進行專項課題攻堅，主要研發采用了下面一些技術手段:

01數據增強

當訓練數據面臨樣本量過少、質量分布不均衡或者訓練集與實際場景分布差異較大時，模型的泛化能力會嚴重下降，此時數據增強就很有意義；StartDT AI Lab通過GAN網絡同時結合傳統圖像處理技術，進行樣本合成增強。

02圖像處理

在無約束場景下，一般獲取的圖像質量較差，例如對人臉而言，一般分辨率較差、 模糊、遮擋、低光等，StartDT AI Lab通過結合傳統方法和深度學習方法，對人臉圖像進行去噪、去模糊、超分辨等處理，從而獲得更高質量的人臉圖片，提升實際場景模型準確性。

03大規模分布式并行訓練

采用多機多卡的訓練方式，StartDT AI Lab目前支持上百萬個ID，上億張照片規模的訓練數據集。

正所謂有矛就有盾，有攻就有防。自從有了數字ID，就有了對應的***技術來破解盜用數字ID，這一問題到了Face ID時代依然存在，并且因為Face ID所在的是開放性數字場景，***手段更是豐富簡便了起來。

比如僅僅使用一個手機上的照片或者使用換臉APP就盜用了別人的人臉從而被認證，這樣就非常容易被犯罪分子利用，人臉識別的應用范圍就大打折扣了。因此，我們需要在人臉識別進行前增加活體檢測加以應對。目前，人臉識別的主要***方法包括照片與視頻回放***以及立體面具***。

我們在產品中針對不同的應用場景開發了多種活體檢測方法，針對無人零售場景，需要配合交互驗證的方式對用戶不友好，同時需要控制成本，因此我們開發了基于單目RGB的靜默活體檢測方法。主要通過深度學習方式提取特征以及基于多特征融合的方法達到了目前場景下99.98%拒絕率，99.8%的通過率。目前算法已用在我們的多種場景下，時刻為我們的人臉識別系統保駕護航。

（已集成在產品上的活體檢測演示）

在完成Face ID的提取之后，作為數字化需求的自然延展，視頻智能引擎對人臉的相關信息也同步進行了數字化，例如年齡性別表情等。

目前，人臉年齡預測方面主要的難點在于如何協調年齡的連續性、年齡間的次序性、年齡分段的模糊性等，還有來自于實際場景中妝容、光照、角度等等的影響。

在人臉性別預測方面，主要問題在于intra-class variability，所以加大光照，角度等intra-class方面的增強數據有助于提升模型性能。

在人臉表情識別方面，碰到的難點主要有3方面:

各模式(光照，姿態等)下表情數據集不足；
由于年齡、性別、種族、表情強度等因素不同造成high inter-subject variations；
由于光照、姿態、遮擋等因素造成的large intra-class variability。
目前StartDT AI Lab選擇的年齡性別表情預測與識別算法在以上問題的解決方面有了很大的突破，再通過大數據樣本的訓練，取得了相較于目前市面上主流人臉年齡性別表情API更高的性能指標。

通過以上的技術展示，相信讀者對奇點云視覺智能引擎中的人臉相關技術能力有了一定了解，也對Face ID為主的Web3.0時代的“顧客”數字化描述這一主要方式有了一定認識。從目前奇點云在Web3.0的實踐來看，Face ID在頭部20%高凈值VIP客戶的服務中能有充分的數字化保障，這也直接提高商家在商業模式中80%預期收益的落袋能力。然而對于剩下20%的預期收益，由于其分散在80%長尾客群的稀疏商業行為中，如何以低成本的方式提高這部分預期收益的落袋向來是商業場景中的難點。有鑒于此，奇點云從技術的角度解構了這部分商業場景，并通過技術的一次次突破，不斷地提升著預期收益的上限。而這背后的技術細節和故事正是本欄目下一期分享的主題，敬請期待！