初學者如何來做人臉識別算法的選型與部
對于初學者來說，進行算法選型時有幾項因素需要重點考慮：精度與效率的平衡;人的面部因化妝、裝飾等變化較大;人臉識別底庫照的篩選與更新;活體檢測對攝像頭選型的需求;設備部署中光線與大小角度的干擾。
另外，如果涉及到支付環節，人臉識別算法既需要較高精度，盡量避免誤識，又要兼顧高峰期的支付效率，盡量避免拒識，所以算法閾值需要在誤識率和拒識率兩方面取得平衡。在此推薦虹軟視覺開放平臺的人臉識別SDK，以免費、離線著稱，尤其是近期發布的ArcFace4.1算法精度大幅提升，進一步降低了誤識率和拒識率，在相關AI應用上匹配度很高，也被業內多家方案商選用。
其次，需要重點關注人們化妝、配飾等引起的面部變化。由于支付場景下人臉識別的設定閾值較高，面部特征變化可能導致支付失敗。面對該情況，用戶可定期通過小程序或者公眾號號更新人臉識別底庫照片，或者將刷臉支付時拍下的照片作為底庫照進行更新。
另外，人臉識別底庫照注冊時需要保證照片質量，可以通過FQ(圖像質量檢測算法)對底庫進行批量篩選，質量不合格的要求學生重新上傳。高質量的人臉識別底庫將大幅提升識別效率與使用體驗，也能避免很多后續問題。市面上具備FQ功能的算法并不多，虹軟開放平臺的ArcFace4.1是一例。
該功能可以將攝像頭拍下的照片進行標準化評估，去除模糊、大角度、逆光、暗光、強光等低質量的人臉圖像，從而大幅提升識別速度，也能幫助優化底庫人臉照，在上萬張照片中快速篩除不合格的注冊照，讓人臉識別從底庫的特征值開始就更加準確。
最后，除了人臉識別以外，活體檢測也是支付場景下不可缺少的部分，通過雙目攝像頭同時進行RGB活體檢測和IR活體檢測，是兼顧效果與性價比的優良選擇。同時，設備部署時需要充分考慮實地場景中外部光線對攝像頭的干擾，安裝高度也需要考慮學生身高差異，避免大小角度對人臉識別造成過度影響。
