有關(guān)人臉識(shí)別的項(xiàng)目我們已經(jīng)介紹了很多了，那么哪種人臉識(shí)別的API最好？本文將對(duì)比四種API，分別是亞馬遜Rekognition、谷歌Cloud Vision API、IBM Watson Visual Recognition以及微軟的Face API，從成功率、價(jià)格和速度三方面分析上述四種軟件服務(wù)商的產(chǎn)品。

人臉識(shí)別究竟如何工作？

深入分析之前，首先讓我們探究一下人臉識(shí)別的工作原理。

Viola-Jones的人臉識(shí)別

2001年，Paul Viola和Michael Jone開始了計(jì)算機(jī)視覺(jué)的革命，當(dāng)時(shí)的人臉識(shí)別技術(shù)并不成熟，識(shí)別準(zhǔn)確度較低，速度也很慢。直到提出了Viola-Jones人臉識(shí)別框架后，不僅成功率大大提高，而且還能實(shí)施進(jìn)行人臉識(shí)別。

自從上世紀(jì)90年代開展了各項(xiàng)人臉識(shí)別、目標(biāo)識(shí)別挑戰(zhàn)賽，這類技術(shù)得到了迅猛發(fā)展。

深度卷積神經(jīng)網(wǎng)絡(luò)

2010年，ImageNet視覺(jué)識(shí)別挑戰(zhàn)賽開始舉辦，前兩年，大部分參賽隊(duì)伍都用Fisher Vectors和支持向量機(jī)的結(jié)合。但2012年，一切都變了。

多倫多大學(xué)的團(tuán)隊(duì)（Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton）第一次在目標(biāo)物體識(shí)別任務(wù)上使用了深度卷積神經(jīng)網(wǎng)絡(luò)，并拿到冠軍。他們使用的方法錯(cuò)誤率為15.4%，而第二名的錯(cuò)誤率為26.2%。到了2013年，前5名的隊(duì)伍全部都開始用深度卷積神經(jīng)網(wǎng)絡(luò)。

所以，神經(jīng)網(wǎng)絡(luò)到底怎么工作的呢？

亞馬遜、谷歌、IBM、微軟現(xiàn)在在用什么？

目前為止，各大公司仍然使用深度卷積神經(jīng)網(wǎng)絡(luò)或者結(jié)合其他深度學(xué)習(xí)技術(shù)進(jìn)行人臉識(shí)別。

亞馬遜：aws.amazon.com/cn/rekognition/faqs/

谷歌：www.youtube.com/watch?v=OcycT1Jwsns&feature=youtu.be&t=2m41s

IBM：www.ibm.com/cloud/watson-visual-recognition

微軟：docs.microsoft.com/en-us/azure/cognitive-services/face/overview

這四種工具看起來(lái)都差不多，但是結(jié)果還有些許不同。首先我們從價(jià)格看起。

價(jià)格

亞馬遜、谷歌和微軟三家的價(jià)格模式類似，都是用量越多收費(fèi)越少。但是IBM不同，當(dāng)你的免費(fèi)額度用完后，每個(gè)API接口的價(jià)錢都是一樣的。四種工具中，微軟的免費(fèi)額度是最高的，每月可處理30000張圖片。

價(jià)格對(duì)比

現(xiàn)有以下三種情況：

A：小型創(chuàng)業(yè)公司每月處理1000張圖片

B：數(shù)字生產(chǎn)商每月處理10萬(wàn)張圖片

C：數(shù)據(jù)中心每月處理1000萬(wàn)張圖片

動(dòng)手試試

本文所用代碼可在我的GitHub中找到：github.com/dpacassi/face-detection

建立圖像數(shù)據(jù)集

要做人臉識(shí)別，首先就要建立數(shù)據(jù)集。本文所用到的圖像是從pexels網(wǎng)站上下載的，你可以直接到我的GitHub中下載。

編寫基礎(chǔ)測(cè)試框架

說(shuō)是“框架”，實(shí)際上我的自定義代碼只有兩種類別。然而，這兩種類別很容易地就幫我分析了原始圖像數(shù)據(jù)，在不同的任務(wù)上也只需要少量代碼。

FaceDetectionClient中記錄了圖片存儲(chǔ)的信息、四種工具的細(xì)節(jié)以及所有處理過(guò)的圖像。

比較四種SDK

以下是四種工具支持的語(yǔ)言：

inter-rater 可信度

在讓計(jì)算機(jī)進(jìn)行人臉識(shí)別之前，我先記錄下了自己所觀察到的圖片中人臉數(shù)量。同時(shí)，我還找了三位同時(shí)對(duì)圖片進(jìn)行識(shí)別。

什么是人臉？

我在進(jìn)行手動(dòng)標(biāo)記時(shí)，只要露出四分之一臉就算一個(gè)人臉，而我的同事們有的會(huì)把不明顯的也算作人臉，或者看到眼睛、鼻子就算一張臉。所以每個(gè)人的判斷標(biāo)準(zhǔn)不同。

對(duì)這張圖，我們四人有不同的結(jié)論，分別是10張、13張、16張和16張人臉。所以我打算取平均值，14。

比較結(jié)果

圖中可以看出，微軟智能達(dá)到17.55%的人臉檢測(cè)率，為什么成功率如此低？首先，圖片數(shù)據(jù)集中的確有一些故意刁難識(shí)別器的圖像，另外要知道，機(jī)器的能力比人類還差得遠(yuǎn)，想提高人臉識(shí)別的效率，還有很大的進(jìn)步空間。

雖然亞馬遜的工具能檢測(cè)出最多的人臉，但是谷歌和微軟的處理時(shí)間明顯更快。

另外，在人臉相對(duì)較小的圖片中，同樣還是亞馬遜表現(xiàn)得更好：

在這張圖片中，亞馬遜檢測(cè)出了10個(gè)人臉，而谷歌為4，IBM和微軟都是0。

不同角度和不完整人臉

看了上面的例子，可能會(huì)覺(jué)得IBM不中用。IBM的作用在普通圖片上一般般，但是在難度更大的圖片上，IBM的能力就很大了。尤其是在不常見的角度進(jìn)行人臉識(shí)別或者殘缺人臉識(shí)別。例如下面三張圖片的人臉只有IBM識(shí)別了出來(lái)：

邊界框

沒(méi)錯(cuò)，各家的邊界框也有差別。亞馬遜、IBM和微軟都會(huì)返回只含有人臉的邊界框。而谷歌不光會(huì)圈起來(lái)人臉，會(huì)連帶整個(gè)頭部一起選中。

谷歌

微軟

看出差別了嗎？

誤報(bào)率

雖然我的數(shù)據(jù)集很?。ㄖ挥?3張照片），但是有兩張圖沒(méi)有模型識(shí)別出人臉。

亞馬遜和谷歌都只識(shí)別出了上圖中紋身中的頭像，而微軟識(shí)別失敗。只有IBM正確識(shí)別到了前面吉他手的人臉。恭喜IBM！

這張照片，谷歌在同一區(qū)域檢測(cè)出了兩張人臉。莫非看到了人眼看不到的東西？（細(xì)思極恐）

結(jié)語(yǔ)

雖然每種工具都有自己的有缺點(diǎn)，但總的來(lái)說(shuō)，亞馬遜、谷歌和IBM還不錯(cuò)，微軟就很一般了，它的分?jǐn)?shù)最低。

微軟竟然沒(méi)檢測(cè)出其中的人臉

在本系列的下一篇文章中，我們會(huì)對(duì)比OpenCV以及其他開源工具，請(qǐng)繼續(xù)關(guān)注！