人臉、指紋、虹膜等都是可以標定主體唯一性的生物特性，可以用于主體身體的識別與認證，進而允許主體的合法操作，如領件、登錄、支付等。

隨著互聯網經濟的發展，電子商務、物流運輸、支付等行業都越來越依賴于網絡。身份認證技術是保障物流系統安全性的重要手段。網絡安全和信息系統安全的第一道屏障就是身份認證技術，身份認證技術在物流這種極不安全、陌生關系的環境中，是關鍵問題之一，具有不少典型的應用場景。貨物的領用、操作設備、駕駛安全等研究熱點問題，都是以身份認證技術為中心。例如，取快件為防止冒領，需要確定取件者和用戶是否統一，避免快件遺失的情況發生。

人臉識別技術是對人臉圖像進行特征提取和分析，將提取的有效面部進行建模并對后續傳入的面部特征進行分類和預測的方法。人臉識別方法與傳統的身份鑒定手段相比具有友好性，無多余操作、非接觸性、實時性、隱蔽性的特點。
 

二、人臉識別在物流中的典型場景

主要應用場景有以下幾種。

（1）快遞簽收

電商的發展，使得快遞行業呈現出井噴式發展。實際中，快遞員需要在較短的時間完全貨物的交付、派件，造成了物流簽收環節存在很多的問題。在簽收過程中經常出現冒領，誤領，簽收慢等問題。其中造成誤領、冒領的主要原因是傳統的物流簽收認證存在容易偽造的缺陷，簽收過程耗時的主原是在簽收過程中需要對收貨人進行復雜的身份驗證，浪費快遞員寶貴的時間。所以，需要一種安全、快捷、便利的身份認證方式。

（2）刷臉支付

與“刷臉登陸”相比，“刷臉支付”難度更大。涉及資金的安全，支付在安全性方面的要求比登陸更高。同時，刷臉支付多在線下公共設備和公開環境中進行，場景復雜多變，晝夜間的光線變化極大，背景及環境噪音大，人的面相隨自然環境的變化而可能顯現較大的區別，例如面對攝像頭的角度與姿勢差異、光線的變化，都會使識別難度提高和安全風險上升。

以支付寶為例，目前人臉識別準確率已遠超肉眼，而且有活體檢測算法來判斷采集到的人臉信息是否為照片、視頻等。這一技術將越來越接近大規模應用。

（3）防疲勞駕駛

駕駛員長時的疲勞駕駛，是物流貨運重大事故的主因。在途行駛過程中，疲勞駕駛、違規操作的駕駛員，其面部會出現典型的風險特征，閉眼、打呵欠、分神、頻繁低頭、玩手機等，通過攝像頭的高速圖像傳感器等設備，實時采集駕駛員面部信息，通過智能識別和機器學習，可以判定和抓取駕駛員不良駕駛行為及狀態。通過AI框架展開云端檢測和實時識別判斷，及時輸出該運行車輛的運行風險狀態，并進行干預。

在分析出運行車輛的風險等級之后，根據風險等級，即時觸發相應的風險預警和報警，提示駕駛員及后臺管理人員，平臺安全管理人員便可即時下發語音警告或電話通知駕駛員，多重干預，保障安全。

（4）授權操作

例如，保稅倉、重要設備及其他特定區域，需要確認身份后、獲得授權才可作下一步操作。以監控系統采集端從人臉圖像中提取人臉特征，并與監視名單數據庫中的目標人人臉特征進行比對，生成閡值。相據預設的閥值，系統會返回報警結果給監控計算機，并自動給出聲光信號報警，提示安保人員及時進行處理；同時系統能實時記錄標有目標人人臉位置的現場圖像，及時給出關聯信息、閾值和告警時間。例如，倉庫的管理人員、出庫操作等，需要相應的身份確認后可以操作，采用“刷卡+人臉識別”的雙重認證模式后，是更為安全的授權方式。

結合AI與人臉識別、大數據技術的智能安全應用，具有以下優點：系統通過數據采集，對人員、人群、及其他證件信息，進行行為實時分析，對非法闖入、人群異常行為可及時預警；同時可進行多種方式報警，改變了傳統的人工辨認的做法，降低了安保人員監視值守的工作強度，也防止了安保人員的內部腐敗、勾結，提高了工作效率。

三、人臉識別的深度學習技術

人臉識別早在上世紀60、70年代就被提出了，涌現了很多識別算法和技術，人臉識別技術一般包括了三個子模塊，分別是人臉檢測、特征提取和對特征進行分類。人臉識別研究的重點集中在人臉特征提取和特征分類的算法中。算法不斷改進，使得特征的提取越來越準確、明確，分類器設計的越來越合理，識別精度在不斷的提高。

人臉識別的技術流程中，分為多個步驟：人臉檢測，截取圖像預處理，人臉特征提取，將提取的特征進行“降維”和處理最后輸入到分類器進行分類。人臉檢測是人臉識別的第一步，其中包括標識出圖片中的一張或多張人臉。然后根據對檢測的人臉圖片進行直方均值等處理，將處理好的圖片放入卷積神經網絡中進行特征提取和結果預測。

隨著對人臉識別研究的深入，研究出了不同的人臉識別方法，分為以下幾類：

（1）基于自然特征的提取

（2）使用模板對人臉進行匹配的方法

（3）基于神經網絡人臉識別方法

（4）基于深度學習的人臉識別方法，目前研究熱度最高、使用最廣泛的基于卷積網絡的人臉識別技術。

深度學習在 2012 年取得了巨大了突破，Hinton 等人設計并訓練了一個具有 6 千萬個參數和 65 萬個神經元的深度卷積神經網絡，此神經網絡在當年的 Image Net 競賽中對 1000 個不同種類的圖片進行分類，得到了很好的識別精度并獲得了當年的圖像識別競賽的冠軍，因此引發了大家對深度學習研究的熱潮。

人臉識別技術的基礎技術包括關鍵幀篩選和人臉識別技術。深度學習在傳統神經網絡架構上增加了池化層和卷積層，其中池化和卷積是對輸入的數據集作非線性的特征提取操作。

深度學習是對輸入的數據集做特征抽象化的處理，將特征抽象成矩陣的表現形式。深度學習特征提取方法和傳統的手工提取特征的方法有所不同，手工提取特征是根據操作者的主觀認知進行提取，不能現出數據集的整體分布式特征，并且手工提取所提取的特征數量較少，準確度較差，嚴重影響識別的精度。深度學習主要對數據集進行無監督的特征提取并構建一個或多個具有一定的深度的神經網絡。

構建的深度學習網絡對數據集進行多次訓練得出一個準確的訓練參數。深度學習能更加精確的提取圖片的特征提高了特征提取的精度。池化層是將提取出的特征進行降維，減少進入全連接層和 SoftMax 特征向量的維度，提高卷積神經網絡的實時性。

典型的深度學習可以分成三類：

（1）深度信念網絡（deep beliefnetworks，DBN），應用廣泛，靈活性強，容易擴展。但圖像是一維特征，缺少空間特征。

（2）卷積神經網絡（convolutional neural networks，CNN）是一種訓練多層網絡結構的深度學習算法，二維圖像在卷積神經網絡是最適合進行人臉識別的算法。

（3）第三類是混合型結構，混合型算法分為生成性部分和區分性部分，這兩部分別使用最優化方法和區分性網絡模型。

目前，卷積神經網絡（CNN）具有訓練所需參數少、便于操作的優點，近年來圖像識別效果最好的神經網絡。卷積神經網絡一般四種結構，卷積層，池化層，全連接層和 SoftMax 層。

（1）卷積層：在傳統的神經網絡中基礎上增加卷積的操作，對圖像的卷積可以理解為一個濾波的過程。卷積神經網絡對輸入的圖像或者二維的數據進行逐層的處理，有效提取輸入圖片或者數據的特征。

（2）池化層：是把卷積層卷積的圖像不同位置的特征進行聚合，因為圖像的像素點周圍的其他像素點和該點有很高的相似度。經過池化層處理后，一個區域的像素點具備一種局部性的特征，達到降低圖像特征維度，同時也使圖像特征不容易擬合。

（3）全連接層和SoftMax 層：對傳統的全連接處理后的數據做分類，可以對特征進行多分類操作。

技術發展趨勢是深度學習技術，可作為人臉識別的主流研究方向，解決方案將是新技術與深度學習技術相結合。目前，仍然存在一些問題，如訓練需要的時間較長，計算復雜度高，識別效率較低，需要 GPU 等設備的支持，遮擋問題如何解決等。

如何克服這些影響因素稱為了目前研究的熱點。克服這些影響因素的方法可以分為：基于特征的人臉檢測方法，基于表象的人臉檢測方法。基于特征的檢測方法可以分為基于灰度特征和膚色特征的兩種檢測方法。基于特征的人臉檢測應用較廣，單一背景識別精度高，實時性高。但種識別方法要求色度較高，不能有遮擋物、背景要求單一化，否則識別效果大幅下降。

基于表象的人臉檢測方法，常根據先驗規則，特征提取前對人臉特征有一定的理解，并根據經驗值進行提取。例如，五官的位置比例就具有對稱性，且為中線對齊性質，根據這些規則來確定人臉特征的提取方法。

四、小結

對于主體的行為識為來解決安全等諸多問題，將是人臉識別從身份認證向人工智能方向發展的大趨勢。

參考文獻：

基于深度學習的人臉識別研究及其在物流中的應用，施旭濤，2018

“刷臉”就能取快遞，螞蟻要開人臉識別技術，環球網，2017

智能物流:自動人臉識別“包裹找人”，廣州新聞頻道，2019