經過特征提取,人臉圖像信息轉換成了高維特征向量,例如 4096 維浮點的深度學習特征向量。后續的應用,就可以根據實際場景進行不同的領域探索了,例如人臉身份識別、人臉圖像搜索、人臉支付等。
除了應用在金融社保、教育安防行業等比較利益攸關的場合外,人臉識別技術也可以應用在其他輕松娛樂的行業,比如:直播美顏,視頻特效等領域。
直播美顏:現在的直播平臺都會提供人臉美顏的功能,讓主播的形象更加光彩照人。
視頻特效:通過手機拍攝,在朋友圈中分享一些豐富多彩的特效視頻,是一件很 cool 的事情。
這類應用中所涉及的底層技術(人臉檢測、關鍵點跟蹤)大部分都需要在手機上實時運行,帶來的技術挑戰是:如何在保證準確率的同時具有非常高的運行速度,以便達到手機上實時處理的效果。
目前所采用的解決方案大部分是通過算法優化和模型優化的工程手段,將算法移植到手機端,例如:將基于 Adaboost 的人臉檢測算法,和基于 ERT 的關鍵點檢測算法相結合,分別通過樣本訓練得到較小規模的模型,從而適合于在手機端運行。
通過這些不同的應用方式,人臉識別技術不但為人們的生活帶來了便利,也增添了生活的樂趣。互聯網時代,人臉識別技術應用到很多場合,如何保證數據安全以及技術的合理使用,是不容忽視的課題。只有安全合理的使用,我們才能發揮好人臉識別技術的作用,為人們生活帶來福利。