?AI面部識別領域又開辟新業(yè)務了？

這次，是鑒別二戰(zhàn)時期老照片里的人臉圖像。

近日，來自谷歌的一名軟件工程師Daniel Patt 研發(fā)了一項名為N2N（Numbers to Names）的 AI人臉識別技術，它可識別二戰(zhàn)前歐洲和大屠殺時期的照片，并將他們與現(xiàn)代的人們聯(lián)系起來。

用AI尋找失散多年的親人

2016年，帕特在參觀華沙波蘭裔猶太人紀念館時，萌生了一個想法。

這一張張陌生的臉龐，會不會與自己存在血緣的聯(lián)系?

他的祖父母/外祖父母中有三位是來自波蘭的大屠殺幸存者，他想幫助祖母找到被納粹殺害的家人的照片。

二戰(zhàn)時期，由于波蘭裔猶太人眾多，且被關押在不同集中營，許多都下落不明。

僅僅通過一張發(fā)黃的照片，很難辨別其中的人臉是誰，更別提找到自己失落的親人。

于是，他回到家中，立馬把這個想法轉化為現(xiàn)實。

該軟件最初的設想是通過數(shù)據(jù)庫收集人臉的圖像信息，并利用人工智能算法幫助匹配相似度最高的前十個選項。

其中大部分的圖像數(shù)據(jù)來自美國大屠殺紀念館(The US Holocaust Memorial Museum)，此外還有超過一百萬張圖像來自全國各地的數(shù)據(jù)庫。

用戶只需選擇電腦文件中的圖像，點擊上傳，系統(tǒng)便會自動篩選出匹配圖最高的前十個選項。

另外，用戶還可以點擊源地址查看該圖片的年份、地點、藏館等信息。

有個槽點是，如果輸入現(xiàn)代的人物圖像，檢索結果也可能會很離譜。

結果就是這？（黑人問號）

總之就是系統(tǒng)功能還需要完善。

此外，Patt還與谷歌的其他軟件工程師和數(shù)據(jù)科學家團隊合作，旨在提高搜索的范圍與準確度。

由于臉部識別系統(tǒng)存在隱私泄露的風險，Patt表示，「我們不對身份作出任何評價， 我們只負責用相似度分數(shù)呈現(xiàn)結果，并讓用戶自己去判斷」。

AI面部識別技術的發(fā)展

那么這項技術是如何對人臉進行識別的呢？

最初，人臉識別技術還得從「如何判斷檢測的圖像是一張臉」開始。

2001年，計算機視覺研究人員 Paul Viola 和 Michael Jones 提出了一個框架，以高精度實時檢測人臉。

這個框架可基于訓練模型來理解「什么是人臉，什么不是人臉」。

訓練完成后，模型會提取特定特征，然后將這些特征存儲在文件中，以便可以將新圖像中的特征與之前存儲的特征在各個階段進行比較。

為了幫助確保準確性，算法需要在包含「數(shù)十萬正負圖像的大型數(shù)據(jù)集」上進行訓練，從而提高算法確定圖像中是否有人臉及其位置的能力。

如果所研究的圖像通過了特征比較的每個階段，則已檢測到人臉并且可以繼續(xù)操作。

盡管 Viola-Jones 框架在實時應用程序中用于識別人臉精確度很高，但它存在一定的局限性。

例如，如果人臉戴上口罩，或者如果一張臉沒有正確定向，則該框架可能無法工作。

為幫助消除 Viola-Jones 框架的缺點并改進人臉檢測，他們又開發(fā)了其他算法。

如基于區(qū)域的卷積神經(jīng)網(wǎng)絡 (R-CNN) 和單鏡頭檢測器 (SSD)來幫助改進流程。

卷積神經(jīng)網(wǎng)絡 (CNN) 是一種用于圖像識別和處理的人工神經(jīng)網(wǎng)絡，專門用于處理像素數(shù)據(jù)。

R-CNN 在 CNN 框架上生成區(qū)域提議，以對圖像中的對象進行定位和分類。

雖然基于區(qū)域提議網(wǎng)絡的方法（如 R-CNN）需要兩個鏡頭——一個用于生成區(qū)域提議，另一個用于檢測每個提議的對象——但 SSD 只需要一個鏡頭來檢測圖像中的多個對象。因此，SSD 明顯快于 R-CNN。

近年來，深度學習模型驅動的人臉識別技術，其優(yōu)勢顯著優(yōu)于傳統(tǒng)的計算機視覺方法。

早期的人臉識別多采用傳統(tǒng)機器學習算法，研究關注的焦點更多集中在如何提取更有鑒別力的特征上，以及如何更有效的對齊人臉。

隨著研究的深入，傳統(tǒng)機器學習算法人臉識別在二維圖像上的性能提升逐漸到達瓶頸。

人們開始轉而研究視頻中的人臉識別問題，或者結合三維模型的方法去進一步提升人臉識別的性能，而少數(shù)學者開始研究三維人臉的識別問題。

在最出名的 LFW 公開庫上，深度學習算法一舉突破了傳統(tǒng)機器學習算法在二維圖像上人臉識別性能的瓶頸，首次將識別率提升到了 97% 以上。

即利用「CNN 網(wǎng)絡建立的高維模型」 ，直接從輸入的人臉圖像上提取有效的鑒別特征，直接計算余弦距離來進行人臉識別。

人臉檢測已經(jīng)從基本的計算機視覺技術發(fā)展到機器學習 (ML) 的進步，再到日益復雜的人工神經(jīng)網(wǎng)絡 (ANN) 和相關技術，結果是持續(xù)的性能改進。

現(xiàn)在，它作為許多關鍵應用程序的第一步發(fā)揮著重要作用——包括面部跟蹤、面部分析和面部識別。

二戰(zhàn)期間，中國也遭受了戰(zhàn)爭的創(chuàng)傷，許多當時照片中的人物早已無法辨別。

爺爺奶奶一輩的曾遭受戰(zhàn)爭創(chuàng)傷的人們，有許多親人朋友都下落不明。

這項技術的研發(fā)或許將幫助人們揭開塵封的歲月，為過去的人們尋找一些慰藉。

參考資料：https://www.timesofisrael.com/google-engineer-identifies-anonymous-faces-in-wwii-photos-with-ai-facial-recognition/?