編輯導語：人臉驗證產品我們應該都很熟悉了，不少人都在用人臉進行解鎖或者支付。然而，我們對人臉驗證的瞭解僅限於在使用層面上，但是對於其開發卻少有人瞭解。今天，在本篇文章中，作者透過自己親身接觸的人臉驗證產品的開發流程，為我們關於人臉驗證產品怎麼做進行了總結。
在業務中，有幸深度接觸了人臉驗證這款產品，為及時沉澱總結，所以有了這篇文章。需先說明，本文人臉驗證指的是驗證當前操作者是不是使用者本人。
一、梳理端和場景1. 開始前，產品首先需要先梳理好端和場景舉例：
為什麼要先梳理端和業務場景呢？
2. 業務場景不同，業務策略不同舉例：金融場景，安全係數要求更高，在保證一定使用者體驗的時候，寧可誤殺，不可錯放。
登入場景，則相對要求低一些；另外，不同場景，輔以不同錯誤次數限制、彌補措施等，業務流程邏輯不同。
3. 硬體配置不同，採集到的資料不同軟體產品，關注手機攝像頭配置。
比如說安卓千元機，一般都是普通RGB攝像頭，只能獲取到使用者臉部的2D資訊，比如色彩梯度等，而蘋果手機X及以上配置了3D深度攝像頭。
所以蘋果的面容ID是基於3D結構光的人臉識別方案，透過紅外光將大約3萬個點陣投射到物體上，用數量龐大的點陣得到物體的深度資訊，精度高，可以較好地防範各類攻擊（目前同樣採取3D結構光的安卓手機，點陣數量遠小於蘋果，相對而言，獲取的資料也就更少）。
另外，蘋果的成像是利用紅外不可見光，所以可以不受環境光的影響，支援使用者在黑暗環境下正常使用。因此如果識別到使用者手機型號為蘋果X及以上，App可考慮申請呼叫系統自帶的面容ID。
iPhone11起，還為FaceID增加一個多角度感測器，可以捕捉更寬的視野，讓使用者可以不用臉部太靠近攝像頭就可以完成解鎖（https://support.apple.com/zh-hk/HT208108 Face ID官方介紹，感興趣的可以看一下）。
硬體產品，則要考慮攝像頭選型，一般都是選深度相機。
主流的深度相機方案是3D 結構光（3D Structure Light）和時間飛行法(TOF, Time of Flight)。怎麼選？要結合實際採集資料的場景來定。
其中，3D結構光就像上述所說，精度高，但有效距離有限。距離越遠，物體上投射到的光點越大，精度也就越差；所以3D結構光更適合應用在近距離的人臉識別，手勢識別。像支付寶的線下刷臉支付終端就用的是3D結構光攝像頭。
而遠距離的時候，就適合TOF，比如AR.VR場景更適合用TOF。TOF,ime of Flight，簡單來說就是透過光的飛行時間來計算距離。透過紅外發射器發射調製過的光脈衝，遇到物體反射後，用接收器接收反射回來的光脈衝，並根據光脈衝的往返時間計算與物體之間的距離。
二、人臉核身操作流程一般來說分為三步：
1. 採集資料這一步的目的是為模型採集到質量合格的人臉圖片/影片流，並按照採集要求傳輸給後端。
1）明確要求
首先需要明確要求，包括人臉影象要求和前端採集要求。
人臉影象要求：影象要求，需要產品綜合業務需求和模型技術需求，進行確認，人臉比對要求一般包括以下：
- 有大小合適的整個人臉
- 光線充足，不反光
- 人臉無遮擋
- 人臉角度正
- 人臉不模糊
活體檢測要求：要根據業務上希望達到的效果和技術採用的方案綜合確認。技術原理不同意，則差異很大。
前端採集要求：同樣，需要整合活體檢測和人臉比對的前端採集要求，形成一套完整的前端採集方案。
舉例：
2）人臉檢測
“人臉檢測是指對於任意一幅給定的影象，採用一定的策略對其進行搜尋以確定其中是否含有人臉，如果是則返回臉的位置、大小和姿態。”人臉識別第一步，是檢測到影象中人臉的存在。
就像人的認知一樣，先認識到有人的存在，在判斷這個人是誰。
注意點：
- 如果採用的技術方案是分類，可同時找出影象中的所有人臉，策略上要確認檢測到多張人臉時，以哪張人臉為準，如以最大人臉為目標人臉。
- 如果用的是遍歷，技術上簡單來說指的是在影象中遍歷人臉，若將影象全部遍歷完，耗時較長，可定策略找到一張符合大小的人臉就結束，如果檢測的人臉小於要求，則繼續遍歷。
3）IQA(影象質量評價)
在影象識別中，所採集到的影象質量直接影響識別結果的準確性和可靠性。好比我遠遠看到有個人和我打招呼，但是隔得太遠，我看不清具體的五官，所以無法判斷他是誰。
因此，人臉識別，需要過濾掉不符合人臉識別質量要求的人臉影象，所以需要在採集時做IQA。
在採集時，實時校驗人臉的光照條件，姿態角度、遮擋、清晰度，符合質量條件的才會透過進入下一步。採集過程中，影象不符合要求時，根據檢測結果提示使用者正確的操作。
2.欺詐人臉檢測欺詐人臉檢測，指的檢測影象是否是欺詐人臉，紙張列印人臉圖，人臉照片，電子裝置螢幕中的人臉數字影象或者是人臉面具等。
這裡說一點，業務側一般用活體檢測這個詞，但學術其實說的是Face spoof detection欺詐人臉檢測。字面上理解活體檢測，指的是檢測這個人是不是活體。
比如說帶著面具的人，模型應該是判斷成活體還是非活體，對於這個問題，用活體或者非活體來定義是有些模糊，用欺詐人臉和非欺詐人臉會更準確。
簡單介紹幾種常見方法：
- 基於圖片紋理差異：無需使用者進行繁瑣的臉部動作，只要求使用者實時拍攝，傳入模型一張照片即可，是基於影象紋理差異（摩爾紋、成像畸形等）來做判斷，可有效防止螢幕二次翻拍等作弊攻擊；
- 基於運動資訊：需要使用者隨機進行眨眼，搖頭，抬頭等動作。基於使用者運動資訊，可有效防止紙張，照片等作弊攻擊。 因為動作策略是隨機的，需要欺詐人臉在極短時間內進行正確的反應，所以對3D建模類攻擊也有一定的防範作用。除了眨眼，搖頭類，也有讀數字的，透過聲紋+唇語的方式來判斷。缺點是檢測耗時長，對使用者不夠友好；
- 基於面部閃爍 ：由於真實人臉與欺騙人臉的材質不同，導致了成像系統反射率有差異。透過螢幕來發射不同顏色和強度的光線，一般是紅藍綠，可有效防止紙張，照片，螢幕等作弊攻擊；
- 基於紅外：也是因為材質不同，成像系統反射率有差異，但可見光下，區別不是很顯著，而紅外波段會明顯不同。紅外活體檢測就利用了這一點，可有效防止紙張，照片，螢幕等作弊攻擊。 但依賴特殊硬體來發射近紅外光。需要特殊硬體；
- 基於3D結構光：前面提過，不贅述。需要特殊硬體；
- 基於TOF:前面提過，不贅述。需要特殊硬體。
比對的時候，同時會對影象做一些預處理。（需要對影象二次加工的產品，則一般有單獨的預處理模型。具體，也視公司資源而言…）
使用者在拍攝時，難免會受到外在因素的干擾，比如光線、表情、陰影遮擋等，導致影象質量不夠好。雖然在採集的時候，我們已經過濾了部分低質量的影象，但為了使用者體驗，不可能用很嚴苛的標準。
所以比對的時候，會對採集到的人臉影象做一些處理，比如說摳出影象裡的人臉，避免圖片裡非人像的部分造成影響，調整光線、旋轉、降噪尺寸歸一化，然後提取出人臉特徵，找出關鍵點，將輸入人臉和樣本人臉對齊，最後計算出相似度。
4. 業務策略前面所述大部分都是技術上的流程，這裡總結一下，業務上產品能做些什麼呢？
注意：以下非必要，需要產品結合業務需求和技術能力權衡確定。
1）限流策略
操作頻繁限制。
2）採集超時策略
在xx時間內若採集不到符合要求的影象，則結束採集。
3）使用者操作指引
開始採集前，按照人臉影象要求，給使用者一定的互動提示，可對後面的影象採集質量有一定正向作用。
如請勿遮擋面部，請保持正視螢幕，保持不動，請保持光線充足。疫情期間，視模型要求和業務要求，可增加“請摘下口罩”指引。
4）螢幕亮度調節
進入採集流程，透過調節螢幕亮度，白底UI等，降低光線對圖片成像的影響。注意，這裡僅針對RGB成像方案，使用非RGB攝像頭就不需要考慮環境光的影響。
5）確認影象採集標準
前文已說，不贅述。
6）檢測到多個人臉
人臉比對時，檢測到多個人臉，一般以最大人臉為目標人臉；活體檢測時，則根據場景考慮是否，有任一非活體人臉則判斷不透過。
7）閾值策略
不同場景，閾值標準不一樣。
上圖是騰訊人臉比對API介面的返回引數之一，借這個介紹一下。
這裡返回值裡面提供了千分之一、萬分之一、十萬分之一不同的誤識率，不同的誤識率下對應不同的閾值。
如果業務上能接受千分之一的誤識率下，那麼分數大於 40 分，就可以認為是同一個人；但十萬分之一誤識率要求下，90分以下的就認為他們可能不是同一個人。所以產品要根據業務屬性決定以哪個閾值為合格標準。
8）驗證失敗，彌補策略
演算法是概覽，也會出錯。為了良好的使用者體驗，可以在人臉驗證失敗，給使用者提供其他驗證方式。
9）建立使用者個人人臉庫，增加比對樣本
當人臉識別失敗，使用者轉而用其他方式進行驗證，驗證通過後，我們可以記錄下之前的人臉資料，豐富這位使用者的個人人臉庫。因為使用者的面部是會發生變化，如果一直用一張樣本照片，隨著時間推移，差異會越來越大，識別會越來不準。
10）注視感知
蘋果FaceID的注視感知功能。它能識別使用者的眼睛有沒有睜開，是否看向手機。只有使用者眼睛睜開，且看向攝像頭時，才能解鎖裝置。
這樣，其他人就難以在使用者不知情的情況下（如在睡著時）解鎖裝置。這裡其實考慮的是生物特徵的開放性。相比傳統密碼，生物特徵每天都暴露在公眾場合，而且一旦被竊取，就是終生被竊取，不像傳統密碼一樣。
三星部分機型，雖然沒有精細到注視感知，不過支援有無睜眼的判斷。但注視感知功能，會對部分眼睛有疾病的使用者造成困擾，如斜視的使用者，所以蘋果也提供了關閉這個功能的選項。
簡單延伸一下生物特徵安全性的問題，怎麼樣才能防範竊取？
- 首先：要減少不必要的生物特徵採集，儲存。政府層面應當規範生物特徵的採集、儲存、傳輸。
- 其次：要讓欺詐無利可圖。不斷髮展相關技術，讓欺詐成本遠高於收益，比如活體檢測，可以檢測出紙張，照片，影片等欺詐攻擊。而3D面具成本高，且不具備批次複製性質，材質和人臉的區別也可被檢測出來。
感謝閱讀，持續學習中，如有錯誤的地方，請不吝賜教。
作者：石青；微信公眾號：shiqingzixishi
本文由 @石青 原創釋出於人人都是產品經理。未經許可，禁止轉載
題圖來自 Pexels，基於 CC0 協議