01 什么是人脸识别？（What is face recognition?）

01 什么是人脸识别？（What is face recognition?）

一、课程背景与目标

• 本节是卷积神经网络（CNN）课程的最后一周的开篇。

• 目标：介绍 CNN 的两个重要应用：

  1. 人脸识别（Face Recognition）
  2. 神经风格迁移（Neural Style Transfer）
• 本节聚焦于人脸识别系统的基本概念、应用场景及技术挑战。

---

二、人脸识别的实际演示

• 案例：百度AI团队开发的人脸识别门禁系统。

  • 用户无需工卡，仅凭人脸即可通过门禁。

  • 系统具备活体检测（Liveness Detection） 能力：

    • 能区分真实人脸 vs 照片/视频等伪造输入。

    • 活体检测可视为一个二分类监督学习问题：

      \[\text{输入图像} \xrightarrow{\text{模型}} \begin{cases} 1 & \text{真人} \\ 0 & \text{非真人（如照片）} \end{cases}\]

✅ 关键点：活体检测是保障人脸识别系统安全性的关键技术，防止“照片攻击”。

---

三、核心概念区分：人脸验证 vs 人脸识别

1. 人脸验证（Face Verification）

• 定义：给定一张输入图像和一个身份（ID/姓名），判断该图像是否属于该身份。
• 任务类型：1对1匹配（One-to-One）

• 数学形式：

  \[\text{给定 } (x, \text{ID}),\quad \text{输出 } f(x, \text{ID}) = \begin{cases} \text{True} & \text{若 } x \text{ 属于 ID} \\ \text{False} & \text{否则} \end{cases}\]
• 应用场景：手机解锁、银行身份核验。

2. 人脸识别（Face Recognition）

• 定义：给定一张输入图像，在数据库中所有已知身份中找出匹配的身份（或判断是否为未知人）。
• 任务类型：1对多匹配（One-to-Many）

• 数学形式：

  \[\text{给定 } x,\quad \text{在数据库 } \{ \text{ID}_1, \text{ID}_2, \dots, \text{ID}_N \} \text{ 中找到 } \text{ID}_i \text{ 使得 } x \in \text{ID}_i\]
• 应用场景：公司门禁、安防监控、社交平台自动标记。

---

四、为什么人脸识别比人脸验证更难？

• 误差累积效应：

  • 假设人脸验证系统的错误率为 1%（即准确率 99%）。

  • 在包含 $N = 100$ 人的数据库中进行人脸识别时，至少出错一次的概率为：

    \[P_{\text{error}} = 1 - (0.99)^{100} \approx 1 - 0.366 = 0.634 \quad (\text{即 } 63.4\%)\]
  • 这意味着即使验证系统很准，直接用于识别也会导致高错误率。

• 结论：

  • 要构建可靠的人脸识别系统，其底层的人脸验证模块必须具有极高的准确率（如 99.9% 甚至更高）。
  • 因此，课程将先聚焦于如何构建高精度的人脸验证系统，再扩展到识别任务。

---

五、技术挑战：一次性学习（One-Shot Learning）

• 问题背景：

  • 在实际应用中，系统可能只见过某个人的一张照片（例如注册时上传的证件照）。
  • 但之后需要识别该人在不同光照、角度、表情下的新图像。

• 传统深度学习的局限：

  • 标准 CNN 需要大量样本才能学习一个类别。
  • 但人脸识别常面临每个类只有一个训练样本的情况。

• 解决方案方向（将在后续视频讲解）：

  • 使用相似度学习（Similarity Learning） 或 孪生网络（Siamese Networks）

  • 学习一个嵌入函数（Embedding Function） $f(x) \in \mathbb{R}^d$，将人脸映射到低维空间，使得：

    \[\| f(x^{(1)}) - f(x^{(2)}) \|_2 \text{ 小} \iff x^{(1)} \text{ 和 } x^{(2)} \text{ 是同一人}\]

---

六、小结（Key Takeaways）

概念	描述	难度	应用
人脸验证	1对1：验证“你是你吗？”	较低	手机解锁、支付验证
人脸识别	1对多：识别“你是谁？”	较高（需极高验证精度）	门禁、安防、社交
活体检测	判断输入是否为真实活人	中等	防止照片/视频欺骗
一次性学习	仅用一张图学会识别人脸	核心挑战	实际系统必备能力

---

七、后续预告

• 下一节将深入讲解 “一次性学习问题”（One-Shot Learning） 及其解决方案（如 Siamese 网络、triplet loss 等）。
• 最终目标：构建一个可用于大规模人脸识别系统的高鲁棒性验证模块。