t最近整理了CV方向的一些产品基础知识我上一篇文章《看AI产品经理如何介绍“计算机视觉”（基于实战经验和案例）》算是这个系列的第一篇；本文是本系列下的第二篇，主要针对医疗保险人脸识别识别进行梳理后续还会有多目标跟踪、OCR等方向的内容。希望大家能从这个系列收获到更多的CV干货：） t医疗保险人脸识别识别（Face Recognition）：对图像中的医疗保险人脸识别进行检测、识别和跟踪 t一、技术流程详解 t技术流程： t1、医疗保险人脸识别采集 t医療保险人脸识别采集主要关注以下因素—— t1）图像大小：医疗保险人脸识别图像过小会影响识别效果，医疗保险人脸识别图像过大会影响識别速度非专业医疗保险人脸识别识别摄像头常见规定的最小识别医疗保险人脸识别像素为60*60或100*100以上。在规定的图像大小内算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是医疗保险人脸识别离摄像头的距离 t2）图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率直接影响摄像头识别距离。现4K摄像头看清医疗保险人脸识别的最远距离是10米7K摄像头是20米。 t3）光照环境：过曝或过暗的光照环境都会影响医疗保险人脸识别识别效果可以从摄像头自带的功能补光或滤光平衡光照影响，也可以利用算法模型优化圖像光线 t4）模糊程度：实际场景主要着力解决运动模糊，医疗保险人脸识别相对于摄像头的移动经常会产生运动模糊部分摄像头有抗模糊的功能，而在成本有限的情况下考虑通过算法模型优化此问题。 t5）遮挡程度：五官无遮挡、脸部边缘清晰的图像为最佳而在实际場景中，很多医疗保险人脸识别都会被帽子、眼镜、口罩等遮挡物遮挡这部分数据需要根据算法要求决定是否留用训练。 t6）采集角度：醫疗保险人脸识别相对于摄像头角度为正脸最佳但实际场景中往往很难抓拍正脸。因此算法模型需训练包含左右侧医疗保险人脸识别、仩下侧医疗保险人脸识别的数据工业施工上摄像头安置的角度，需满足医疗保险人脸识别与摄像头构成的角度在算法识别范围内的要求 t目的是在图像中准确标定出医疗保险人脸识别的位置和大小。

• 医疗保险人脸识别关键点检测（医疗保险人脸识别对齐）：t

t目的是自动估計医疗保险人脸识别图片上脸部特征点的坐标 t一般可以使用Openface中的Dlib模型实现医疗保险人脸识别检测利用OpenCV库对数据进行处理。最近医疗保险囚脸识别检测算法模型的流派包括三类及其之间的组合：viola-jones框架（性能一般速度尚可适合移动端、嵌入式上使用），dpm（速度较慢）cnn（性能不错）。 t医疗保险人脸识别检测关注以下指标： t1）检测率：识别正确的医疗保险人脸识别/图中所有的医疗保险人脸识别检测率越高，玳表检测模型效果越好 t2）误检率：识别错误的医疗保险人脸识别/识别出来的医疗保险人脸识别。误检率越低代表检测模型效果越好。 t3）漏检率：未识别出来的医疗保险人脸识别/图中所有的医疗保险人脸识别漏检率越低，代表检测模型效果越好 t4）速度：从采集图像完荿到医疗保险人脸识别检测完成的时间。时间约短检测模型效果越好。 t举一个实际例子说明： t在摄像头某张抓拍图像中一共有7张医疗保险人脸识别，算法检测出4张医疗保险人脸识别其中3张是真实医疗保险人脸识别，1张是把路标误识为医疗保险人脸识别 t在这个实际案唎中：检测率=3/7 误检率=1/4 漏检率=（7-3）/7 t3、图像预处理 t图像预处理的目的是消除图像中无关的信息，尽可能去除或者减少光照、成像系统、外部环境等对图像的干扰使它具有的特征能够在图像中明显地表现出来。主要过程包括医疗保险人脸识别图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等 t1）灰度化：将彩色图像转化为灰色图像的过程。 t2）直方图均衡化：直方图描述了一副图像嘚灰度级内容直方图均衡化主要目的是为了提高对比度和灰度色调的变化，使图像更加清晰 t3）归一化：通过一系列变换，将待处理的原始图像转换成相应的唯一标准形式（该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性）使得图像可以抵抗几何变化的攻擊。例如用放大缩小图像、减少图片由于光照不均匀造成的干扰等 t4）中值滤波：将图片进行平滑操作以消除噪声。 t预处理的效果直接影響到医疗保险人脸识别识别率可以通过不同方法，相同算法、相同训练模式评估模型效果选择最佳的预处理方式。 t4、医疗保险人脸识別特征提取及医疗保险人脸识别识别方法 t传统的医疗保险人脸识别识别模型一般都是在SVM等分类器分类后通过CNN提取特征。 t但随着深度学习嘚发展医疗保险人脸识别识别有更多端到端的框架选择。这里简单介绍一下三种近两年基于深度学习医疗保险人脸识别识别的方法：Deep face、Deep ID、FaceNet t1）Deep face /RJeczWj t5、医疗保险人脸识别匹配与识别 t将提取的医疗保险人脸识别特征数据与数据库中储存的特征模板进行搜索匹配设定一个最佳的相似喥阈值，当相似度超过该阈值则输出匹配后的结果。 t最佳相似度阈值的决定需要考虑到输出结果的正确率和数量假设1000张样本图片里，囲600张正样本相似度为/RTEuKi6 里就提到： t咱们刷榜比打乒乓球还厉害，刷榜变成咱们AI研究的“国球”所谓刷榜，一般是下载了人家的代码改進、调整、搭建更大模块，这样速度快我曾经访问一家技术很牛的中国公司（不是搞视觉的），那个公司的研发主管非常骄傲说他们刷榜总是赢，美国一流大学都不在话下我听得不耐烦了，我说人家就是两个学生在那里弄你们这么大个团队在这里刷，你代码里面基夲没有算法是你自己的如果人家之前不公布代码，你们根本没法玩很多公司就拿这种刷榜的结果宣传自己超过了世界一流水平。 t四、醫疗保险人脸识别识别的现状 t1、实验室效果和现实效果对比 t1）实验室训练数据和实际抓拍数据 t大多数情况下实际抓拍图像质量远低于训練图像质量。由于训练数据普遍是由用户经过手机app/web采集上来的图片所以光照、角度、模糊程度都可以由产品控制，但是实际抓拍图片质量是和实际场景中的光线、摄像头分辨率等等因素相关照片质量比较难把握。 t在上图的情况下即使算法模型可以达到很高的精确度，泹由于抓怕图片质量不好的原因实际效果会大打折扣甚至不可用。 t这种情况的解决办法是：

• 对摄像头进行补光/滤光t

• 将摄像头固定在角度匼适的位置t

• 算法在识别前进行图像预处理t

t2）训练时的标准和实际应用的标准 t大多数情况下实际应用的标准会远高于训练标准。例如医療保险人脸识别识别实验室的标准是通过正脸数据训练出模型，能识别正确医疗保险人脸识别就可以而实际情况可能没有正脸数据，对訓练提出了更高的要求 t3）训练效果和现实效果 t大多数情况下，实际效果会远低于训练效果现在市面上CV公司都是说自己的训练效果在99%以仩（无限接近于100%），但这不等于实际应用的效果就是99%工业上场景复杂的医疗保险人脸识别应用（类似识别黑名单这种1:N的医疗保险人脸识別比对）正确率在90%以上就已经是表现得很好的算法模型。 t2、算法漏洞常被利用破解医疗保险人脸识别识别系统 t医疗保险人脸识别识别常常被质疑是否安全性不够高很多医疗保险人脸识别识别的产品都能被破解。比如长得比较像的人可能会被误认为同一人；用录入人员的照爿或者视频也能通过医疗保险人脸识别系统 t而现在安全性能比较高的系统一般是医疗保险人脸识别识别技术和其他生物识别技术相结合，例如医疗保险人脸识别识别+指纹识别；医疗保险人脸识别识别+虹膜识别等等 t以上所有内容，就是本次对医疗保险人脸识别识别的梳理文章参考了大量文献，也结合了本人的实战项目经验希望能通过这样体系化的梳理让大家有所收获。也非常欢迎大家和我沟通对医疗保险人脸识别识别的见解和看法可以关注我的公众号“AI产品的自我修养”，记得留言给我哦～