曾经火爆朋友圈的年龄识别已经让大家兴奋不已，马云在德国汉诺威博览会上展示的人脸支付更是惊艳了世人。人脸识别的背后，到底有哪些数据分析和技术支持呢？近期，由Comet Labs、联想之星主办，联想控股微空间、星云加速器协办的线上分享会中，来自联想控股旗下联想之星的被投企业Face++（旷视科技）的商」务总监宋晨，为大家揭开了人脸识别的面纱，并分析了其在线下零售店中的应用。今天，小编与大家一起打开“人脸识别”这扇新世界的大门。

人脸识别也属于人工智能

人工智能包括很多领域，比如机器学习、机器视觉、语音语义、手势控制等，归结到一点就是跟数据相关。其实，谷歌或百度也可以被称为人工智能公司，因为他们一直在用数据和技术研发产品，再用产品搜集数据，最后形成数据的回流和闭环。

凡是有∏了数据，就能做各种人工智能相关的东西。人脸识别也是人工智能中的一个领域，其魅力在于：相较于指纹、声纹、静脉识别，具有一定的便捷性，且识别质量非常高，所以人脸识别更能赢得用户的喜好。

人脸识别有三个非常重要的阶段

第一个阶段：人脸检测。对机器来说，人的脸部只是照片或视频流的一个画面，所以机器首先需要通过视觉学习，将人脸标注出来。

第二环节：质量判断。只是因为在人群中多看了你一眼，机器便产生了25帧或30帧的画面，其中包括正脸、侧脸、仰角、俯角等各种角度的照片。“质量判断”就是根据预定的↓算法，挑出质量最高的照片，这张照片有幸入选最终人脸识别的环节。

第三环节：人脸识别。人脸识别会分为1比1比对及1比N比对两个部分。

金融与安防：人脸识别的行业应用

1比1比对就是证明自々己是自己。例如金融、社保领域，比如支付环节、身份证与真人对比。

金融业对人脸识别∞的使用，更多的是没有柜面的领域。比如传统的券商开户，是通过券商与用户当面视频验证是否为自愿开户。但有了1比1的识别之后，可以大量减少坐席的人工，通过比对，由机器自动辨认是不是自愿或本人开户。目前来讲，马云在汉☉诺威展示的smile to pay（人脸支付），更多的是向世人宣传，这项技术已经逐步进入到了商业化的领域。

1比N比对则是广义的1比1，实际上做了N组的1比1比对。应用场景更多是安防、智慧城市以及商业领域。

商业领域讲究“精准识别”，而安防领域的概念是“疑似识别”，比如同时弹出5个疑似的人选，下一步则需要⌒　人工干预。这就使得对N的底层数据库要求很高。就旷视的经验来说，能够做到5千人以下的精准识别已经在全球达到了领先水平，而对于安防领域，黑帽seo培训，N的底层数据库则可以做到千万级甚至亿级。

当人脸识别出现在零售门店

近年来，实体店遭受的冲击非常大，很多的商家、中小门店，甚至▼品牌连锁、大型商超都存在痛点问题。

比如受到电商的冲击（因为用户行为∩在线上，电商可以掌握后台数据），线下又面临客流量少、数据量不够、监控和收银数据无法打通、只能无差别对待客户等问题。Face++也曾跟红星美凯龙、万达、苏宁、麦当劳等商场超市做过深入的交流，商家最想知道的事情，都围绕着三个方面：人群统计、人群属性、人群行为。

人群统计：多点布控摄像头

上图是Face++给一家品牌连锁的大客户做的一个整体的分析平台，背景是不同品牌的展台位置平面图，图中的A、B、C、D、E则代表了5个摄像头的位置。

A、B点通过吸顶的方△式，布设在店面门口，主要用于人流统计，包括进出∞店面的精准客流统计数据。

D点通过吸顶的方式，布设在店面的品牌展示专区，主要用于：区域人数、客户停留时长统计、区域热力图分析。

E点通过俯视的方式，布设高清的人脸识别摄像头，主要用于在用户非配合的情况下进行抓拍并进行年龄、性别分析。

人群属性：分析多项后台数据

这张图代表AB点的客流统计。蓝色、绿色分别代表了进店、出店的人数，根据这张图商家可以判断不同时间段进出店的整体∩的客流情况。

这张图包含了三部分的信息。条状图是区域中停留的人数变化。饼图是区域中的人员停留时间，商家可以根据这些数据判断销售导购人员的转化行为是否有效。热力图表示不同区域的人员聚集，由此分◥析出哪款产品周围的人多，不同区域内应该摆放多少产品。

上图主要是用来分析男女比例、年龄比例。虽然目前还没有办法将这项数据直接应用到商业领域。但是对于未来的精准营销，锁定客户群体具有非常大的作用。

人群行为：智能识别消费者█动作