本文主要針對(duì)動(dòng)態(tài)人臉識(shí)別系統(tǒng)誤報(bào)警率進(jìn)行分析研究，通過實(shí)驗(yàn)測(cè)試，提出利用報(bào)警過濾機(jī)制降低誤報(bào)警率的解決思路，并進(jìn)行了驗(yàn)證性測(cè)試。

概述

人臉識(shí)別與生物識(shí)別的聯(lián)系及區(qū)別

人臉識(shí)別是一項(xiàng)熱門的生物特征識(shí)別技術(shù)。生物特征識(shí)別技術(shù)是對(duì)生物體（一般特指人）本身的生物特征來區(qū)分個(gè)體,所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網(wǎng)膜、聲音、體形、個(gè)人習(xí)慣（例如簽字）等，相應(yīng)的識(shí)別技術(shù)就有人臉識(shí)別、指紋識(shí)別、掌紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別、語音識(shí)別。

廣義的人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識(shí)別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識(shí)別特指通過人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

技術(shù)優(yōu)勢(shì)

人臉識(shí)別技術(shù)相對(duì)于其他生物特征識(shí)別技術(shù)的優(yōu)勢(shì)在于其自然性和不被被測(cè)個(gè)體察覺的特點(diǎn)。

自然性：是指該識(shí)別方式同人類（甚至其他生物）進(jìn)行個(gè)體識(shí)別時(shí)所利用的生物特征相同。例如人臉識(shí)別，人類也是通過觀察比較人臉區(qū)分和確認(rèn)身份的，另外具有自然性的識(shí)別還有語音識(shí)別、體形識(shí)別等，而指紋識(shí)別、虹膜識(shí)別等都不具有自然性，因?yàn)槿祟惢蛘咂渌锊⒉煌ㄟ^此類生物特征區(qū)別個(gè)體。

不被察覺：對(duì)于一種識(shí)別方法很重要，這會(huì)使該識(shí)別方法不令人反感，并且因?yàn)椴蝗菀滓鹑说淖⒁舛蝗菀妆黄垓_。人臉識(shí)別具有這方面的特點(diǎn)，它完全利用可見光獲取人臉圖像信息，而不同于指紋識(shí)別或者虹膜識(shí)別，需要利用電子壓力傳感器采集指紋，或者利用紅外線采集虹膜圖像，這些特殊的采集方式很容易被人察覺，從而更有可能被偽裝欺騙。

關(guān)鍵技術(shù)介紹

識(shí)別流程

構(gòu)成人臉識(shí)別的5步：抓取圖像、在圖像中找到臉、提取特征（建模板）、比較模板、宣布比對(duì)結(jié)果。

技術(shù)要點(diǎn)

在算法確定的情況下，一個(gè)成功的人臉識(shí)別系統(tǒng)，特別是超大規(guī)模數(shù)據(jù)庫（數(shù)百萬模板以上）系統(tǒng)的建構(gòu)與管理取決于集成商的綜合能力，包括：

1、環(huán)境控制技術(shù)：圖像預(yù)處理（增強(qiáng)，光線補(bǔ)償、自動(dòng)動(dòng)態(tài)范圍調(diào)整等）、圖像采集技術(shù)、光照管理技術(shù)、影像設(shè)備的把握與理解、圖像質(zhì)量評(píng)價(jià)技術(shù)。

2、系統(tǒng)技術(shù)：硬件設(shè)備性能與匹配、嵌入式數(shù)據(jù)庫（基于鍵值對(duì)的文件數(shù)據(jù)庫）、多引擎并行比對(duì)服務(wù)技術(shù)、數(shù)據(jù)庫技術(shù)、應(yīng)用接口技術(shù)。

亟待解決的問題

現(xiàn)階段國內(nèi)的大規(guī)模人臉識(shí)別應(yīng)用主要集中在公安系統(tǒng)已有人像資源的建模和比對(duì)，由于人臉動(dòng)態(tài)識(shí)別技術(shù)自身的復(fù)雜性，而且其對(duì)于光線、角度等外在環(huán)境要求高，因此應(yīng)用效果還很有限，影響實(shí)際使用的主要有漏報(bào)率和誤報(bào)率，本文主要圍繞降低誤報(bào)率進(jìn)行探討。

主要技術(shù)參數(shù)

1、漏報(bào)率MP（S）

已列入監(jiān)視名單中的測(cè)試對(duì)象進(jìn)行一次通行測(cè)試中，若系統(tǒng)未能報(bào)警或者報(bào)警結(jié)果中不包含該人員在監(jiān)視名單中的正確身份，則記為一次漏報(bào)通行測(cè)試。漏報(bào)通行測(cè)試總次數(shù)與已列入監(jiān)視名單中的測(cè)試對(duì)象通行測(cè)試總次數(shù)之比即為監(jiān)視名單漏報(bào)率。

記已列入監(jiān)視名單中的測(cè)試對(duì)象通行測(cè)試次數(shù)為R，漏報(bào)通行測(cè)試次數(shù)為M，則監(jiān)視名單漏報(bào)率MP計(jì)算方法如式（1）所示：

2、正確報(bào)警率NP（S）

已列入監(jiān)視名單中的測(cè)試對(duì)象進(jìn)行一次通行測(cè)試中，若系統(tǒng)正確報(bào)警，則記為一次正確報(bào)警通行測(cè)試。正確報(bào)警通行測(cè)試總次數(shù)與已列入監(jiān)視名單中的測(cè)試對(duì)象通行測(cè)試總次數(shù)之比即為監(jiān)視名單正確報(bào)警率。

記已列入監(jiān)視名單中的測(cè)試對(duì)象通行測(cè)試次數(shù)為R，正確報(bào)警通行測(cè)試次數(shù)為N，則監(jiān)視名單正確報(bào)警率NP計(jì)算方法如下式所示：

NP=N/R*100%=1-MP

3、誤報(bào)率FP（S）

未列入監(jiān)視名單中的測(cè)試對(duì)象進(jìn)行一次通行測(cè)試中，若系統(tǒng)將其識(shí)別為監(jiān)視名單中的任何身份，則記為一次誤報(bào)通行測(cè)試。誤報(bào)通行測(cè)試總次數(shù)與未列入監(jiān)視名單中的測(cè)試對(duì)象通行測(cè)試總次數(shù)之比即為非監(jiān)視名單誤報(bào)率。

記未列入監(jiān)視名單中的的測(cè)試對(duì)象通行測(cè)試次數(shù)為W，誤報(bào)通行測(cè)試次數(shù)為F，則非監(jiān)視名單誤報(bào)率FP計(jì)算方法如下式所示：

4、正確接受率CAR（S）

在假定的閾值s下，為在同一人中算法正確識(shí)別為同一人的比率。又稱為正確識(shí)別率、正確報(bào)警率、靈敏度等。

5、錯(cuò)誤拒絕率FRR（S）

在假定的閾值s下，為在同一人中算法錯(cuò)誤識(shí)別為不同一人的比率。又稱為拒真率、漏報(bào)率等。

6、正確拒絕率CRR（S）

在假定的閾值s下，為在不同一人中算法正確識(shí)別為不同一人的比率。也叫特異度。

7、錯(cuò)誤接受率FAR（S）

在假定的閾值s下，為在不同一人中算法錯(cuò)誤識(shí)別為同一人的比率。又稱為錯(cuò)誤識(shí)別率、誤報(bào)率、認(rèn)假率等。

在上述術(shù)語中，漏報(bào)率MP（s）、正確報(bào)警率NP（s）和誤報(bào)率FP（s）為動(dòng)態(tài)人臉識(shí)別的術(shù)語；而正確接受率CAR（s）、錯(cuò)誤拒絕率FRR（s）、正確拒絕率CRR（s）和錯(cuò)誤接受率FAR（s）為靜態(tài)人臉識(shí)別比對(duì)的術(shù)語。

參數(shù)之間的關(guān)系

CAR（s）+ FRR（s）=1。即，正確接受率+錯(cuò)誤拒絕率=100%

FAR（s）+ CRR（s）=1。即，錯(cuò)誤接受率+正確拒絕率=100%

MP（s）= a*FRR（s） 其中a為視頻圖像的影響因子，a〉=1。即，漏報(bào)率=視頻因子*漏報(bào)率。

NP（s）= 1-MP（s）=1-a*FRR（s）。即正確報(bào)警率+漏報(bào)率=100%

FP（s）= F/W*100%=b*[1-FAR（s）]L≈b*L*FAR（s），其中b為視頻圖像的影響因子，a〉=1，L為監(jiān)控名單的庫容量且FAR（s）很小時(shí)。即當(dāng)FAR（s）很小時(shí)，誤報(bào)率約等于視頻因子b乘以監(jiān)控名單的庫容量L和錯(cuò)誤接受率FAR（s）。

實(shí)際測(cè)試的基本情況

在動(dòng)態(tài)人臉識(shí)別的實(shí)際運(yùn)用中除了追求高正確報(bào)警率（或者是低漏報(bào)率）外，低誤報(bào)率也是推廣使用動(dòng)態(tài)人臉識(shí)別技術(shù)的關(guān)鍵。但是漏報(bào)率和誤報(bào)率是一對(duì)杠桿性的矛盾，降低漏報(bào)率（提高正確報(bào)警率）必將造成誤報(bào)率的提高。同時(shí)，誤報(bào)率與監(jiān)控名單的庫容量是一個(gè)成正比的關(guān)系。根據(jù)不同場(chǎng)景，我們做了幾個(gè)測(cè)試：

1、單一算法的誤報(bào)率

根據(jù)我們掌握的幾個(gè)算法，用二代證照片作為測(cè)試庫進(jìn)行測(cè)試，結(jié)果如圖1：

圖1

圖1為ROC曲線圖，橫軸為FAR，縱軸為CAR，測(cè)評(píng)的照片庫為2.6萬組同人的二代證照片。從圖中可以看出，在FAR（S）為萬分之一的時(shí)候，其中一個(gè)算法的CAR（S）大約在76%左右，而另外兩個(gè)算法大約在72%左右。

如果我們希望正確報(bào)警率在70%以上，此時(shí)，錯(cuò)誤接受率約為萬分之一，那么在1000個(gè)監(jiān)控名單的庫容量時(shí)，非監(jiān)控名單誤報(bào)率將達(dá)到10%。

反過來，如果我們要求在1000個(gè)監(jiān)控名單的庫容量時(shí)將誤報(bào)率控制在1%，那么正確報(bào)警率可能要低于60%。以上的理論值是基于假設(shè)視頻圖像能取得與靜態(tài)圖像質(zhì)量相同的人像。但實(shí)際情況要受光照、采集攝像機(jī)和網(wǎng)絡(luò)等因素的影響，效果將更差。

2、監(jiān)控名單庫容量與誤報(bào)警率的關(guān)系

我們使用同樣一段測(cè)試視頻，用算法一在閾值為0.71的情況下，用5011人、10011人和50011人等三種不同的監(jiān)控名單庫容量進(jìn)行測(cè)試，具體的正確報(bào)警率和誤報(bào)警率分別如下：

算法 閾值 庫容量 正確報(bào)警數(shù)非監(jiān)控名單 監(jiān)控名單正確報(bào)警率 漏報(bào)率 誤報(bào)數(shù) 誤報(bào)警率5011 60 54.5% 45.5% 2 0.5%10011 60 54.5% 45.5% 7 1.6%50011 60 54.5% 45.5% 37 8.6%算法1 0.71

從上面的測(cè)試結(jié)果表明，正確報(bào)警率與監(jiān)控名單的庫容量基本上沒有關(guān)系，但誤報(bào)警率與監(jiān)控庫容量有很大的正相關(guān)性，監(jiān)控名單的庫容量越大，誤報(bào)警率越高。此測(cè)試結(jié)果與第一條“各種比率的關(guān)系”中誤報(bào)率FP（s）和監(jiān)控名單庫容量L的關(guān)系相符。

3、單算法通過調(diào)整閾值來控制誤報(bào)率

我們也可以通過閾值的調(diào)整來控制誤報(bào)警率，下面的例子就是我們選定算法一，在庫容量為50011萬人時(shí)，將閾值0.68提高到0.71時(shí)正確報(bào)警率和誤報(bào)警率的變化情況：

算法 閾值 正確報(bào)警數(shù) 正確報(bào)警率 誤報(bào)警數(shù) 誤報(bào)警率算法1 0.68 69 62.7% 97 22.7%算法1 0.71 60 54.5% 37 8.6%

從以上的測(cè)試結(jié)果可以看出，調(diào)整報(bào)警閾值可以控制誤報(bào)警率，但是正確報(bào)警率也隨之降低。而且控制誤報(bào)警率獲取的好處和造成正確報(bào)警率降低帶來的損失幾乎是相當(dāng)?shù)摹Ｒ虼?，在傳統(tǒng)運(yùn)用中，如果希望較高的正確報(bào)警率就必須承受高誤報(bào)警率；如果希望低誤報(bào)警率就必須接受低正確報(bào)警率的事實(shí)。

4、某地鐵站內(nèi)實(shí)地測(cè)試

1）測(cè)試基本環(huán)境和條件

測(cè)試監(jiān)控點(diǎn)：地鐵站下行扶梯

測(cè)試人員：共11人

測(cè)試姿態(tài)：自然姿態(tài)

測(cè)試人員通過測(cè)試：每個(gè)測(cè)試人員通過10次，測(cè)試人員共通過110次

旅客通過人次：428人次

測(cè)試庫容量：50016人

測(cè)試庫照片質(zhì)量：身份證二代制證用照片

2）測(cè)試結(jié)論

我們?cè)谶x定兩個(gè)算法并設(shè)定相應(yīng)較為合理的閾值后，正確報(bào)警率（漏報(bào)率）和誤報(bào)率的情況如下表：

算法 閾值 正確報(bào)警數(shù) 正確報(bào)警率 誤報(bào)警數(shù) 誤報(bào)警率算法1 0.71 60 54.5% 37 8.6%算法2 2.7 62 56.4% 18 4.2%

從上面的測(cè)試結(jié)果表明，在正確報(bào)警率都為55%左右的情況下，算法二比算法一在誤報(bào)警率控制的更好一些，但都遠(yuǎn)遠(yuǎn)超過了1%的水平。

影響誤報(bào)率的其他因素

影響誤報(bào)率的因素除了基礎(chǔ)的人臉識(shí)別算法外，還包括監(jiān)控區(qū)域的光照問題、被監(jiān)控者通過監(jiān)控區(qū)域時(shí)的姿態(tài)、采集監(jiān)控者人像使用的攝像機(jī)和鏡頭，還有傳輸監(jiān)控視頻的網(wǎng)絡(luò)環(huán)境等。

降低誤報(bào)率的基本思路

報(bào)警過濾

人臉識(shí)別的基礎(chǔ)算法是通過提取人臉的特征模板并進(jìn)行比對(duì)識(shí)別過程。不同的算法提取的特征不同，識(shí)別結(jié)果也不同，但是作為有效的算法，都追求高準(zhǔn)確接受率的同時(shí)降低錯(cuò)誤接受率。如果兩個(gè)基礎(chǔ)算法采用的是自主的、非同源的技術(shù)，那么他們正確識(shí)別同一人的可能性就很大，而錯(cuò)誤識(shí)別不同人時(shí)的可能性就很小?；谝陨系乃伎己驼J(rèn)識(shí)，我們將非同源、高互補(bǔ)性的算法進(jìn)行融合，建立報(bào)警過濾機(jī)制，達(dá)到降低誤報(bào)率的目的。

算法融合

從理論上說，算法融合有三種模式，分別是決策層融合、比對(duì)分?jǐn)?shù)層融合和特征層融合。

決策層融合：每一個(gè)算法都會(huì)給出各自的決策，決策層融合過程將這些決策綜合起來給出最后的決策。通常采用諸如投票或者加權(quán)平均等策略。

比對(duì)分?jǐn)?shù)融合：每一個(gè)算法的識(shí)別過程都會(huì)給出一個(gè)比對(duì)分值，比對(duì)分?jǐn)?shù)融合過程將這些分?jǐn)?shù)綜合成一個(gè)最終的比對(duì)分?jǐn)?shù)，并根據(jù)這個(gè)分?jǐn)?shù)做出決策。

特征層融合：每個(gè)算法的識(shí)別過程都會(huì)給出一組提前的特征，特征層融合過程將這些特征綜合成為一個(gè)特征集合或者特征向量，用于比對(duì)和決策。

目前我們采用決策層融合的方式建立報(bào)警過濾機(jī)制，來降低單算法的誤報(bào)率。

運(yùn)用報(bào)警過濾機(jī)制控制動(dòng)態(tài)人臉識(shí)別誤報(bào)率的效果

針對(duì)前述測(cè)試視頻，我們引入報(bào)警過濾機(jī)制進(jìn)行了測(cè)試，具體的測(cè)試結(jié)果如下：

算法 閾值 正確報(bào)警數(shù) 正確報(bào)警率 誤報(bào)警數(shù) 誤報(bào)警率算法1 0.68 69 62.7% 97 22.7%3 39 35.5% 0 0 2.7 46 41.8% 0 0 2.3 51 46.4% 0 0 2.0 60 54.5% 1 0.2%1.7 64 58.2% 4 0.9%算法1提高閾值 0.71 60 54.5% 37 8.6%報(bào)警過濾算法

從以上的測(cè)試結(jié)果看，我們可以在50011人的監(jiān)控名單庫中，將誤報(bào)警率控制在千分之二的情況下，正確報(bào)警率從62.7%只降低到54.5%。比只通過調(diào)整單算法的閾值達(dá)到的效果好很多，可以說此技術(shù)在控制誤報(bào)警率上已達(dá)到實(shí)際使用的水平。

下一步研究方向

（一）對(duì)算法和閾值進(jìn)一步優(yōu)化，使之達(dá)到在正確報(bào)警率基本不變的情況下，降低誤報(bào)警率。

（二）尋求更適合動(dòng)態(tài)人臉識(shí)別技術(shù)的硬件設(shè)備，特別是攝像機(jī)和鏡頭，希望能進(jìn)一步提高正確報(bào)警率的水平，目標(biāo)是能在目前的基礎(chǔ)上提高5%的正確報(bào)警率。

（三）繼續(xù)測(cè)試能提高正確報(bào)警率的完善監(jiān)控區(qū)域光照標(biāo)準(zhǔn)，在有條件的地方，進(jìn)行適當(dāng)?shù)墓庠凑{(diào)整，以改善圖像質(zhì)質(zhì)量，提高正確報(bào)警率。

（四）探討與警務(wù)機(jī)制更加有效結(jié)合報(bào)警機(jī)制，如分級(jí)報(bào)警、多方式報(bào)警等。