人脸识别

人脸识别有什么产品功能？人脸检测与分析任意给定一张图片，检测其是否含有人脸，如有则返回人脸的位置、面部属性和质量信息。返回信息包括性别、年龄、表情、魅力、眼镜、头发、口罩、姿态及质量分等。详情请参考 人脸检测与分析。

五官定位对请求图片进行五官定位，计算构成人脸轮廓的90个点，包括眉毛（左右各8个点）、眼睛（左右各8个点）、鼻子（13个点）、嘴巴（22个点）、脸型轮廓（21个点）、眼珠或瞳孔（2个点）。详情请参考 五官定位。

人脸比对对两张图片中的人脸进行相似度比对，返回人脸相似度分数。详情请参考 人脸比对。

若您需要判断 “此人是否是某人”，即验证某张照片中的人是否是已知身份的某人，如常见的人脸登录场景，建议使用 人脸验证。

若您需要判断图片中人脸的具体身份信息，如是否是身份证上对应的人，建议使用 人脸核身·云智慧眼 产品。

人员库管理建立人员库，存储人员相关信息（人脸特征、ID 等），用于 人脸验证 和 人脸搜索。详情请参考 人员库管理相关接口 。

人脸验证给定一张人脸图片和一个 PersonId，判断图片中的人和 PersonId 对应的人是否为同一人。PersonId 请参考 人员库管理相关接口 ，详情请参考 人脸验证。 和 人脸比对 接口不同的是，人脸验证用于判断 “给定的人脸图片与 PersonId 是否为同一个人”，“此 PersonId ”的信息已存于人员库中，“此 PersonId ”可能存在多张人脸图片；而人脸比对用于判断两张人脸的相似度。

人脸搜索给定一张待识别的人脸图片，在一个或多个人员库中识别出最相似的前 N 个人员，识别结果按照相似度从大到小排序。单次搜索的人员库人脸总数量最多可达300万张。可针对该图片中的一张或多张人脸进行搜索。 详情请参考 人脸搜索。

人脸静态活体检测（高精度版）人脸静态活体检测（高精度版）可用于对用户上传的静态图片进行防翻拍活体检测，以判断是否是翻拍图片。高精度版在维持高真人通过率的前提下，增强了对高清屏幕、裁剪纸片、3D 面具等攻击的防御能力，攻击拦截率约为业内同类型产品形态4-5倍。同时支持多场景人脸核验，满足移动端、PC 端各类型场景的图片活体检验需求，适用于各个行业不同的活体检验应用，详情请参考 人脸静态活体检测（高精度版）。

人脸识别有什么产品优势？精准识别腾讯云人脸识别服务在多个国际公开竞赛中刷新纪录，人脸比对在2017年的 LFW 测评中准确度高达99.80%；人脸搜索在 MegaFace 竞赛百万规模中首选识别率达83.29%。

稳定可靠腾讯云人脸识别服务已经通过腾讯内部产品海量用户和复杂场景验证，运行稳定、鲁棒（Robust）性强，服务可用性可达99.9%。

算法领先基于第三代腾讯优图祖母模型，融合度量学习、迁移学习、多任务学习等多种训练手段来优化模型；针对不同场景业务的特点，定制化 fine-tuning 或 distilling 模型，满足业务性能与时延的双重需求。

简单易用可直接调用的全面的 API 接口，服务简单易用，兼容性强。

用途广泛广泛应用于刷脸门禁考勤、人脸签到、人脸支付和人脸登录等众多场景。

实时响应人脸识别具备高并发、高吞吐、低时延等特点，即使是百万规模人脸搜索，仍只需数百毫秒即可处理完毕，满足您的实时使用需求。

人脸识别有什么应用场景？相册分类通过人脸识别与人脸搜索，可以聚合相册中相似的人脸，轻松将照片按人脸进行智能分类。

美颜美妆五官定位技术可以精准定位五官的位置，实现人脸美颜美妆、人脸变形、人脸漫画、人脸换脸、人脸贴纸等。

如何开通人脸识别服务？注册账号注册并通过实名认证后，登录腾讯云控制台。如果没有账号，请参考 账号注册教程。

开通服务在 人脸识别控制台 中，按照页面提示，同意《人脸识别服务规则》后，即可开通服务。

使用人脸识别通过 API 3.0 Explorer 进行在线调用人脸识别服务 如果您是开发初学者、有代码编写基础，对 HTTP 请求和 API 调用有一定的了解，您可以通过此方式使用人脸识别服务。 该方式能够实现在线调用、签名验证、SDK 代码生成和快速检索接口等能力。通过编写代码调用人脸识别服务 API。 如果您是开发工程师，熟悉代码编写，您可以通过腾讯云已编写好的开发工具集（SDK）来调用人脸识别服务 API。SDK 已支持多种语言，包括 Python、Java、PHP、Go、NodeJS、.Net 等。您可以在每个服务的文档中下载对应的 SDK，也可以通过 SDK 中心 获取。通过 腾讯云命令行工具 来调用腾讯云 API ，管理您的腾讯云资源；您还可以基于腾讯云 CLI 来做自动化和脚本处理，从而简化一些具有复杂 API 的服务。查看调用登录腾讯云 人脸识别控制台，查看人脸识别各服务的使用情况。

人脸识别是否有免费额度支持？有。人脸识别部分服务（按照相关接口维度）在每个自然月以免费资源包的形式享有1万次的免费额度。超过免费资源包额度后，将扣除付费资源包（若有）或进入后付费。

人脸识别同一张照片多次调用接口如何计费？人脸识别是按照调用次数来计算费用的，您同一张照片多次调用接口，调用多少次就按照多少次来计算费用。

人脸识别的访问速度是多少？通常在200ms - 1s左右，具体响应时间也与照片大小以及网络环境有关。

图片中有人脸但人脸识别返回错误码“NoFaceInPhoto - 图片中没有人脸”怎么办？首先确认一下图片中人脸是否肉眼清晰可见、正面。

其次请确认图片是否包含 exif 信息。

最后请确认是否开启了 NeedRotateDetection 参数。部分图片由于无 exif 信息且人脸被旋转，需要开启 NeedRotateDetection 参数后方可被正确识别。若您可确认图片有 exif 信息或人脸不会被旋转，则无需开启。

影响人脸识别准确率的因素有哪些？数据因素​​图像质量​​：模糊、有噪点、光照过强或过暗的图像，会使特征提取受干扰，降低识别准确率。比如逆光拍摄的人脸图像，五官细节难以看清。​​人脸姿态​​：侧脸、低头、仰头等非正面人脸，部分面部特征无法被完整捕捉，影响识别效果。像监控场景下人员快速移动产生的侧脸画面，就易导致识别失误。​​遮挡情况​​：眼镜、口罩、帽子等遮挡物会掩盖部分面部特征，增加识别难度。如疫情期间人们戴口罩出行，就对人脸识别造成挑战。​​数据多样性​​：训练数据涵盖的人脸特征不丰富，如种族、年龄、性别比例失衡，会影响模型泛化能力，导致对特定群体识别不准。算法因素​​算法模型​​：不同算法模型性能有差异，复杂先进的模型通常能提取更多人脸特征，但计算资源需求大；简单模型则相反。​​模型训练​​：训练数据不足、标注不准确，会使模型学习到错误特征，降低识别准确率。环境因素​​光照条件​​：强光会产生阴影和高光，弱光则使图像昏暗，都影响特征提取。如夜间监控场景，光线不足会干扰识别。​​背景复杂度​​：背景过于复杂，会分散算法注意力，使算法难以聚焦人脸特征。如在人群密集的商场，复杂背景会增加识别难度。​​设备差异​​：不同摄像头分辨率、色彩还原度等参数不同，获取的人脸图像质量有差异，影响识别效果。

人脸识别的核心算法有哪些？特征提取算法​​深度卷积神经网络（CNN）​​这是目前人脸识别领域应用极为广泛的算法架构。它通过多层卷积层和池化层自动从人脸图像中提取具有代表性的特征。例如，在浅层卷积层可能会提取到边缘、纹理等低级特征，随着网络层数的加深，逐渐提取到更高级的语义特征，如眼睛、鼻子、嘴巴等器官的形状和位置关系，以及整个人脸的整体特征分布。腾讯云的人脸识别系统利用深度卷积神经网络强大的特征学习能力，能够在大量的人脸数据上进行训练，从而学习到不同人脸之间的细微差异特征，提高识别的准确性。​​局部特征聚合描述符（LFDA）​​LFDA 算法主要用于对人脸的局部特征进行聚合和降维处理。它能够在保留人脸局部特征信息的同时，去除冗余信息，使得提取的特征更加紧凑和具有区分性。在实际应用中，该算法可以将人脸划分为多个局部区域，分别提取每个区域的特征，然后对这些局部特征进行聚合和优化，从而得到更具代表性的人脸特征表示，有助于提高人脸识别在不同姿态、表情和光照条件下的鲁棒性。匹配算法​​余弦相似度算法​​该算法通过计算两个特征向量之间的夹角余弦值来衡量它们的相似度。在人脸识别中，将待识别的人脸特征向量与数据库中的人脸特征向量进行余弦相似度计算，相似度值越接近 1，表示两个人脸越相似。腾讯云利用余弦相似度算法快速准确地判断待识别的人脸是否与数据库中的某个人脸匹配，并且可以根据设定的阈值来确定识别的结果，具有计算简单、效率高的特点。​​基于深度度量学习的匹配算法​​这种算法通过学习一个合适的度量空间，使得同一类别（即同一个人）的人脸特征在该空间中的距离尽可能小，不同类别的人脸特征之间的距离尽可能大。腾讯云的人脸识别系统采用深度度量学习算法，能够在训练过程中自动调整特征空间的结构，提高人脸特征的判别能力，从而实现更精准的人脸识别和匹配。活体检测算法​​基于动作交互的活体检测算法​​该算法要求用户做出特定的动作，如眨眼、张嘴、点头等，通过分析人脸在不同动作下的变化来判断是否为真实的人脸。例如，在用户进行眨眼动作时，算法会检测人脸图像中眼睛区域的变化情况，包括眼睛的闭合程度、速度等特征，以此来区分真实人脸和照片、视频等伪造人脸。​​基于纹理和光照变化的活体检测算法​​利用人脸皮肤表面的纹理特征以及光照变化下的响应特性来判断人脸的真实性。真实的人脸皮肤具有独特的纹理结构，并且在不同的光照条件下会产生自然的光影变化，而照片、视频等伪造人脸则难以模拟这些特征。腾讯云的活体检测算法通过对人脸图像的纹理细节和光照变化进行分析和处理，能够有效识别出伪造的人脸攻击，提高人脸识别的安全性。

如何提高人脸识别系统的鲁棒性？数据层面​​扩充数据多样性​​：收集不同种族、年龄、性别、肤色的人脸数据，涵盖各种光照（强光、弱光、逆光等）、姿态（正面、侧面、仰视、俯视）、表情（微笑、皱眉、大笑）和遮挡（眼镜、口罩、帽子）情况的数据，让模型学习到更全面的人脸特征。​​数据增强​​：采用旋转、翻转、缩放、裁剪、添加噪声等方法对现有数据进行变换，增加数据的多样性，提升模型泛化能力。比如将人脸图像进行一定角度的旋转，模拟不同拍摄角度下的人脸。算法层面​​优化特征提取算法​​：持续改进深度卷积神经网络等特征提取算法的结构，如增加网络深度、调整卷积核大小和数量等，以更好地提取人脸的本质特征，提高对不同人脸的区分能力。​​引入多模态融合技术​​：结合人脸图像和其他生物特征（如指纹、虹膜）或行为特征（如步态、语音），综合判断身份，降低单一模态识别受干扰的影响。例如在门禁系统中，同时用人脸和指纹进行识别。​​采用集成学习方法​​：将多个不同的弱分类器组合成一个强分类器，综合各分类器的优势，提高识别的准确性和稳定性。比如随机森林算法，通过构建多个决策树并结合它们的结果进行最终判断。环境层面​​改善光照条件​​：在部署人脸识别系统时，合理布置光源，避免出现过强或过弱的光照，减少阴影和高光对人脸图像的影响。可以使用均匀的漫反射光源，使人脸各个部位都能得到清晰照明。​​控制拍摄角度和距离​​：设置合适的摄像头位置和角度，引导人员以正面、适当距离进行识别，减少因姿态问题导致的识别误差。例如在自助终端设备上，通过标识引导用户站在指定位置正视摄像头。系统层面​​实时更新模型​​：定期收集新的数据和反馈信息，对人脸识别模型进行更新和优化，使其适应不断变化的环境和人脸特征。​​建立容错机制​​：当识别结果出现不确定或异常情况时，系统可以采取二次验证、人工审核等方式进行补充确认，避免误判。比如当相似度得分接近阈值时，要求用户再次进行识别或由人工介入判断。​​加强安全防护​​：防止系统受到恶意攻击，如照片攻击、视频攻击等。可以采用活体检测技术，确保识别的对象是真实的人脸。

如何保障人脸识别数据的安全性？技术层面​​数据加密​​：在数据的传输过程中，采用SSL/TLS等加密协议对数据进行加密，防止数据在网络传输时被窃取或篡改。存储时，运用对称加密和非对称加密算法对人脸数据进行加密处理，如AES算法加密存储在数据库中，即使数据存储设备丢失或被盗，未授权者也无法获取有价值信息。​​访问控制​​：基于角色的访问控制（RBAC），根据用户的角色和职责分配不同的访问权限，仅授予其完成工作所需的最小权限。同时采用多因素认证，如结合密码、短信验证码、指纹识别等多种方式对访问用户进行身份验证，防止非法访问。​​数据脱敏​​：在数据使用和共享过程中，对敏感信息进行脱敏处理。例如将人脸图像进行模糊化处理，对身份证号码、姓名等个人信息进行部分隐藏或替换，确保数据在不泄露敏感信息的前提下满足业务需求。​​安全审计与监控​​：建立实时监控系统，对数据的访问、操作等行为进行实时监测，及时发现异常行为并采取措施。同时定期进行安全审计，审查系统的访问记录和操作日志，确保所有操作都符合安全策略。管理层面​​人员培训与管理​​：对涉及人脸识别数据处理的人员进行安全培训，提高他们的安全意识和技能，使其了解数据保护的重要性和相关操作规范。同时建立严格的员工管理制度，签订保密协议，防止内部人员泄露数据。​​应急响应机制​​：制定完善的数据安全应急预案，明确在发生数据泄露、系统故障等安全事件时的应急处理流程和责任分工。定期进行应急演练，确保在实际发生安全事件时能够迅速响应，降低损失。​​供应链安全管理​​：对腾讯云人脸识别服务的供应商和合作伙伴进行严格的安全评估和管理，确保其具备足够的安全能力和信誉。在合作协议中明确数据安全责任和义务，要求其采取相应的安全措施保护数据。合规层面​​遵循法律法规​​：严格遵守国家和地方有关数据保护的法律法规，如《中华人民共和国网络安全法》《中华人民共和国个人信息保护法》等，确保数据处理活动合法合规。​​行业标准与规范​​：参照国内外相关行业标准和技术规范，如ISO 27001信息安全管理体系标准等，建立和完善人脸识别数据安全管理体系，提高数据安全管理水平。