曾經火爆朋友圈的年齡識別已經讓大家興奮不已，馬云在德國漢諾威博覽會上展示的人臉支付更是驚艷了世人。人臉識別的背后，到底有哪些數據分析和技術支持呢？近期，由Comet Labs、聯想之星主辦，聯想控股微空間、星云加速器協辦的線上分享會中，來自聯想控股旗下聯想之星的被投企業Face++（曠視科技）的商務總監宋晨，為大家揭開了人臉識別的面紗，并分析了其在線下零售店中的應用。今天，小編與大家一起打開“人臉識別”這扇新世界的大門。

人臉識別也屬于人工智能

人工智能包括很多領域，比如機器學習、機器視覺、語音語義、手勢控制等，歸結到一點就是跟數據相關。其實，谷歌或百度也可以被稱為人工智能公司，因為他們一直在用數據和技術研發產品，再用產品搜集數據，最后形成數據的回流和閉環。

凡是有了數據，就能做各種人工智能相關的東西。人臉識別也是人工智能中的一個領域，其魅力在于：相較于指紋、聲紋、靜脈識別，具有一定的便捷性，且識別質量非常高，所以人臉識別更能贏得用戶的喜好。

人臉識別有三個非常重要的階段

第一個階段：人臉檢測。對機器來說，人的臉部只是照片或視頻流的一個畫面，所以機器首先需要通過視覺學習，將人臉標注出來。

第二環節：質量判斷。只是因為在人群中多看了你一眼，機器便產生了25幀或30幀的畫面，其中包括正臉、側臉、仰角、俯角等各種角度的照片。“質量判斷”就是根據預定的算法，挑出質量最高的照片，這張照片有幸入選最終人臉識別的環節。

第三環節：人臉識別。人臉識別會分為1比1比對及1比N比對兩個部分。

金融與安防：人臉識別的行業應用

1比1比對就是證明自己是自己。例如金融、社保領域，比如支付環節、身份證與真人對比。

金融業對人臉識別的使用，更多的是沒有柜面的領域。比如傳統的券商開戶，是通過券商與用戶當面視頻驗證是否為自愿開戶。但有了1比1的識別之后，可以大量減少坐席的人工，通過比對，由機器自動辨認是不是自愿或本人開戶。目前來講，馬云在漢諾威展示的smile to pay（人臉支付），更多的是向世人宣傳，這項技術已經逐步進入到了商業化的領域。

1比N比對則是廣義的1比1，實際上做了N組的1比1比對。應用場景更多是安防、智慧城市以及商業領域。

商業領域講究“精準識別”，而安防領域的概念是“疑似識別”，比如同時彈出5個疑似的人選，下一步則需要人工干預。這就使得對N的底層數據庫要求很高。就曠視的經驗來說，能夠做到5千人以下的精準識別已經在全球達到了領先水平，而對于安防領域，N的底層數據庫則可以做到千萬級甚至億級。

當人臉識別出現在零售門店

近年來，實體店遭受的沖擊非常大，很多的商家、中小門店，甚至品牌連鎖、大型商超都存在痛點問題。

比如受到電商的沖擊（因為用戶行為在線上，電商可以掌握后臺數據），線下又面臨客流量少、數據量不夠、監控和收銀數據無法打通、只能無差別對待客戶等問題。Face++也曾跟紅星美凱龍、萬達、蘇寧、麥當勞等商場超市做過深入的交流，商家最想知道的事情，都圍繞著三個方面：人群統計、人群屬性、人群行為。

人群統計：多點布控攝像頭

上圖是Face++給一家品牌連鎖的大客戶做的一個整體的分析平臺，背景是不同品牌的展臺位置平面圖，圖中的A、B、C、D、E則代表了5個攝像頭的位置。

A、B點通過吸頂的方式，布設在店面門口，主要用于人流統計，包括進出店面的精準客流統計數據。

D點通過吸頂的方式，布設在店面的品牌展示專區，主要用于：區域人數、客戶停留時長統計、區域熱力圖分析。

E點通過俯視的方式，布設高清的人臉識別攝像頭，主要用于在用戶非配合的情況下進行抓拍并進行年齡、性別分析。

人群屬性：分析多項后臺數據

這張圖代表AB點的客流統計。藍色、綠色分別代表了進店、出店的人數，根據這張圖商家可以判斷不同時間段進出店的整體的客流情況。

這張圖包含了三部分的信息。條狀圖是區域中停留的人數變化。餅圖是區域中的人員停留時間，商家可以根據這些數據判斷銷售導購人員的轉化行為是否有效。熱力圖表示不同區域的人員聚集，由此分析出哪款產品周圍的人多，不同區域內應該擺放多少產品。

上圖主要是用來分析男女比例、年齡比例。雖然目前還沒有辦法將這項數據直接應用到商業領域。但是對于未來的精準營銷，鎖定客戶群體具有非常大的作用。

人群行為：智能識別消費者動作

用戶到店時，首先可以通過人臉識別判斷客戶身份，其次后臺會顯示出該客戶是否為會員，過往購買數據、喜好，客戶的身高、衣著尺碼等數據。而后通過店員或經理手中的手持智能設備的后臺APP，實現會員到店提醒解決方案。

通過到店人員的年齡、性別甚至是人員屬性分析，可以為區域產品推廣計劃、店面促銷效能、VIP客戶關懷等更多的營銷行為提供有力支撐。基于這樣的識別，實體店可以在用戶進店后，用數據量化客戶的每一個動作和購物環節，這會對商家有非常大的幫助。