隨著人臉識別終端設備的廣泛應用，很多開發者在實踐中會產生疑惑：為什麼同一款主板，運行性能相仿的算法時，系統資源佔用會相差懸殊？為什麼同樣配備了活體檢測，防攻擊能力卻可以差好幾個級別？
事實上，人臉識別算法在實際部署中存在一些編程開發策略，能對識別效果和識別速度產生顯著影響。虹軟視覺開放平臺推出的「從零學習人臉識別」技術公開課第七期——《人臉識別應用方案（PC和設備端）》對此做了詳細闡述（完整課程可搜索「從零學習人臉識別」），將主要從人臉追蹤、雙目活體對齊、圖像質量檢測和特徵值提取技巧等進行系統性介紹。
一、有效降低系統資源佔用的【人臉追蹤】
人臉追蹤是相當重要的優化策略之一，最大的用處是防止重複識別，降低資源佔用，在需要同時檢測多張人臉等算力消耗較高的場景下，可以顯著提升識別速度。
從技術原理來說，算法在運行過程中，會檢測視頻系列幀前後的人臉移動情況和特徵，從而進行追蹤和檢測。以虹軟視覺開放平臺的ArcFace免費人臉識別算法為例，當人臉入框時，算法會根據檢測結果為該張人臉標記一個FaceID。該人臉從進入畫面到離開畫面的整個過程中，FaceID不變，算法也不會重複提取特徵值，避免重複識別導致資源無效佔用。
二、提升活體檢測精確度的【雙目活體對齊】
作為甄別紙張照片、屏幕成像、人臉面具等偽造人臉攻擊的主要防守手段，活體檢測幾乎是人臉識別不可或缺的剛需功能。目前，虹軟免費人臉識別SDK可以同時支持RGB和IR紅外雙目活體檢測，既能通過分析採集摩爾紋、成像畸形、反射率等人像破綻來識別活體，也能基於紅外圖像天然濾除特定波段光線的特徵，來抵禦基於屏幕成像的假臉攻擊，在成本與性能上達到了較好的平衡。
但是，由於RGB攝像頭和紅外攝像頭是不同的模組，不可避免會在成像參數和組裝精度上有所不同。因此需要進行雙目對齊，以確保兩個鏡頭在活體檢測、人臉比對時，使用的是同一張人臉圖像。
一般來說，我們的策略是將RGB鏡頭所檢測到人臉框坐標，嵌套至紅外鏡頭採集的圖像中。如發現該人臉框與紅外圖像中的對應人臉有所偏移，就需要對該人臉框坐標進行調整。
人臉框嵌套只是最簡單的雙目對齊策略，在安卓系統上開發時，還需要用到鏡像、縮放、旋轉等對齊策略，這些都可以在虹軟視覺開放平臺所提供的官方Demo中得到參考。
三、提升識別效率的【圖像質量檢測算法】
無感通行是人臉識別閘機、門禁等設備非常重要的賣點。要實現這一效果，除了與晶片算力、算法性能有關，也需要用於識別的人臉圖像質量合格。圖像質量檢測能對攝像頭拍攝的人臉圖像進行評估，刨除低質量圖片，只留下質量較好的人臉圖像進行檢測。
在實際使用中，模糊、遮擋、大角度、逆光暗光等複雜環境問題，都會導致攝像頭拍攝的人臉圖像難以識別。未引入圖像質量檢測的情況下，圖片質量再差也會被系統送入人臉識別環節，直到識別失敗後再進行下一次抓拍。人臉圖像檢測提供的篩選機制能避免系統做無用功，從而提升後續流程的效率。對比實驗中，增加圖像質量檢測的人臉識別系統，後續環節耗時平均減少約30%。
除影響識別效率外，圖像質量檢測也能幫助用戶高效完成人臉識別底庫註冊，快速完成人工篩選難以完成的工作量的同時，也讓底庫註冊照的質量更有保障。
四、加速系統運行的【特徵值保存技巧】
在人臉識別算法的運行過程中，特徵值的保存方式也對運行速度有所影響。如果照片底庫只有幾十張或者上百張，可以將特徵值保存在緩存中，每次啟動程序都進行一次完整特徵值提取。但註冊底庫達到數千甚至上萬張人臉照的規模時，提取完整特徵值耗時就會較長，此時如果將特徵值保存在資料庫中再用於人臉比對，對人臉識別速度會有明顯提升。
人臉識別開發是一個複雜工程，除核心算法的研發外，還涉及很多影響性能的技術細節，掌握與否對最終產品影響極大。「從零學習人臉識別」系列課程將持續幫助開發者們查漏補缺，既夯實基礎，也釋疑難題，從而成長技術全面的開發人員。