這一次，并不是AI主動選擇的舞臺，而是時代的舞臺選擇了AI。

突然爆發(fā)并迅速蔓延的新冠疫情下，AI充分展現(xiàn)出了它在人類經歷重大疾病災害時，協(xié)助人類應對突發(fā)事件的重要價值。AI在公共視野的案例，也成為我國AI應用“多點開花”的一個縮影。如果說這場疫情是對各行各業(yè)的大考，AI這位“考生”，臨場發(fā)揮可圈可點。在這場戰(zhàn)疫終于看到曙光的時候，不妨來盤點一下，AI是如何被選中，其價值又是如何與剛需結合并走向普及化。

3月19日，電子發(fā)燒友的線上直播以“口罩人臉識別、智能測溫，AI助力抗疫裝備升級”為主題，邀請了百度AI技術生態(tài)部高級產品經理吳延宇、OPEN AI LAB（開放智能）產品總經理孫健峰、智慧眼公共安全技術部經理/公共安全產品總監(jiān)王飛，由電子發(fā)燒友分析師張慧娟主持，就疫情下AI的挑戰(zhàn)、典型應用場景、價值、以及未來的方向等話題進行了深入探討，三位嘉賓分享了各自的思考和精彩觀點。本次活動參會人數(shù)達到9418人。

如何同時解決體溫精準檢測和戴口罩識別兩大關鍵難題？

百度AI技術生態(tài)部高級產品經理吳延宇認為，難度首先在于戴口罩會導致面部信息丟失嚴重，會對常規(guī)的人臉識別精度造成很大影響。另外由于口罩的種類、顏色、造型有很多，甚至大家佩戴的習慣和方式也不一樣，再加上護目鏡等等，都給戴口罩人臉識別增加了難度。百度通過算法擬合等手段，在未佩戴口罩的圖片上繪制口罩增加訓練數(shù)據(jù)，即讓算法見到更多的戴口罩數(shù)據(jù)；另一方面，讓算法從關注臉部的全部區(qū)域特征，改成重點關注眼部這些未遮擋區(qū)域，從而減少佩戴口罩的影響。

高精度的體溫檢測主要解決了三個問題：第一是測溫傳感器的零漂基準，模塊的測溫效果一致性問題；第二是測溫模組在不同溫度環(huán)境下的溫漂問題，以及設備內部溫度上升的溫度補償；第三是在測溫范圍內進行二次曲線擬合提升測溫的精度，并且長時間使用后的二次曲線系數(shù)變化時的問題，這點通常需要黑體配合校準，或是在設備內部做恒定的溫度源校準。

OPEN AI LAB（開放智能）產品總經理孫健峰認為，要同時實現(xiàn)戴口罩識別和高精度測溫需要克服三大挑戰(zhàn)：首先在業(yè)務邏輯上要對齊紅外攝像機和RGB可見光攝像機兩個邏輯，特別是在人員數(shù)量比較多的時候，如何能夠測到真正需要被測的位置。比如額頭這個指定區(qū)域，通過算法進行加權測出相對穩(wěn)定的溫度。第二是算法邏輯方面，如何在沒有足夠多數(shù)據(jù)的情況下進行小樣本訓練，是業(yè)內比較大的一個挑戰(zhàn)。通過增廣數(shù)據(jù)，特別是基于Loss函數(shù)，通過小數(shù)據(jù)獲取可以支持機器學習的大樣本數(shù)據(jù)量來獲取自我迭代。第三在于產業(yè)化落地，他認為瓶頸并非來源于技術本身，而是在于技術真正產業(yè)化落地時，需要實現(xiàn)的高性價比和產業(yè)鏈的分工協(xié)同。這需要算法高效地運行在各種硬件平臺上，和足夠長的產業(yè)鏈條形成深度合作，這是整個產業(yè)鏈需要解決的問題。

智慧眼公共安全技術部經理/公共安全產品總監(jiān)王飛談到，對戴口罩的人臉識別可拆解為兩步，首先判斷有沒有戴口罩，如果沒有就進行模擬戴口罩的提??；如果有則再進行精確化，對這個人的關鍵點進行定位、分割以及識別。在這兩個情況下做對應的閾值調整，可在戴口罩露出鼻尖的情況下達到99%的識別率。

實現(xiàn)測溫的精準度方面，首先測溫的部位是額頭，因此進行人臉識別時先對額頭進行定位，再傳達給感知設備，做到了在鏡頭內人臉跟隨多次測溫，降低了測溫精度的偏差。其次，為了達到大范圍應用，包括高密集的應用，目前主要受距離的影響較大，感溫距離在超出2.5米左右會有較大的溫差。下一步，在改進算法的同時，一些作為硬件設備基礎的感知設備升級，以及無接觸距離的提高，都將對生產的應用價值有很大提升。

應用場景、方案類型、關鍵設備有哪些？

人臉識別+體溫檢測目前主要有哪些方案類型和典型應用場景？從系統(tǒng)構成上來講，需要哪些關鍵設備支撐？

孫健峰解釋，當前的人臉識別+體溫檢測設備大概分兩類：第一類比較簡單，可以理解為平板機的形式，通常是人臉識別門禁，其系統(tǒng)構成包括前端感知+算法+主板+外置等。其中，前端感知層有兩類：一類是紅外測溫，另一類是RGB可見光攝像頭，來獲取人的圖片信息，二者配合進行活體識別和身份驗證。第二類是單體式的嵌入式設備形態(tài)，廣泛存在于人流密集的地方，前端是雙目攝像頭（包括紅外攝像頭和可見光攝像頭），進行快速的人員檢測、抓拍、識別，在邊緣或終端上進行業(yè)務和算法邏輯的實現(xiàn)，并且通過統(tǒng)一的接口傳到后端平臺。這類嵌入式設備的配置方式很靈活，比如用于機器人無人值守、自巡邏甚至無人機。不過應用于無人機時雖然遠距離測溫業(yè)務邏輯和產品形態(tài)上可以實現(xiàn)，但是技術挑戰(zhàn)主要在于人的身份識別和溫度區(qū)間的確認。

王飛認為主要有兩大應用場景：一種是需要快速篩查，像地鐵、商場、園區(qū)等；另一種是一人一證、需要實名認證，如海關、酒店、車站等。智慧眼主要面向需要快速進行高溫篩查、或是快速進行閘機辦理的場景。后者基本采用人證圖片測溫一體機，根據(jù)不同的應用場景進行檢查。關鍵設備包括可見光攝像機、測溫儀，再加上智能識別系統(tǒng)，以及大數(shù)據(jù)關聯(lián)分析等，通過這些關鍵要素完成高溫篩查及追蹤管控。

吳延宇解釋了兩個不同場景下的特點和需求：一類是密集人流下的多人場景，排查效率要求較高，現(xiàn)在的方案采用多人臉抓拍機+終點距離的測溫設備。它的構成主要是俯視角度的網(wǎng)絡攝像頭，由于視角有限，所以測溫距離一般在3米左右效果較好。另外一個典型場景是單人的近距離身份核驗，一般是平視的角度，距離比較近，比如園區(qū)閘機、社區(qū)人臉門禁等，使用人臉識別平板+單人的測溫鏡頭，技術難點在于需要兼顧身份核驗，同時也要完成戴口罩的人臉識別，測溫距離通常為30-80厘米為主。關鍵設備一般是RGB可見光視頻相機或人臉抓拍機，加上遠紅外的熱感應模組，實現(xiàn)多人臉的測溫，人臉識別的抓拍更多是為了溫度的校準。近距離場景通常采用雙目攝像頭加中短距離的測溫方案，主要完成單人測溫和身份核驗，核心是測溫傳感器，一般業(yè)內采用邁來芯、海曼等公司的模組，解決測溫的精度問題，也會利用黑體來實現(xiàn)校準。

他補充，戴口罩人臉識別在單人的近距離身份核驗中是剛性需求，雖然很多社區(qū)已有一些人臉庫，但是在注冊時使用的是不戴口罩的人臉數(shù)據(jù)，因此難點在于如何在不修改原有的人臉數(shù)據(jù)時，保證戴口罩下的識別率。此外，單人臉和多人臉精確的檢測和跟蹤，定位人臉的位置，加上對測溫準確度的輔助，還有無接觸的中遠距離的測溫、近距離的測溫等功能都在實際應用層面得到了實實在在的反饋。

可見光+紅外雙光方案還有哪些提升空間？

目前的人臉識別+測溫方案多數(shù)都是可見光+紅外雙光系統(tǒng)，未來如何提升？確保測溫和定位、測溫數(shù)據(jù)和人臉信息更準確、及時地匹配？

王飛從人臉識別算法云邊端一體化的實現(xiàn)角度談到，需要在端側把算法融入到設備中，讓端側具有大腦的信息，能夠更好地去適配。另外，需要更多更靈敏的感知模塊融入到前端設備中，這樣在前端就可以提升感知能力和識別的精準度。

吳延宇認為，首先是戴口罩的多人臉場景下如何準確地檢測到人臉，需要將測溫區(qū)域和人所在的區(qū)域，做到很好的匹配，這樣整體的識別精度就會好很多。第二是輔助背景分割、人體關鍵點的算法，對這個區(qū)域進一步做預處理。在保證精度的情況下，硬件方面提升紅外測溫的幀率，采用NTP對時或同步出發(fā)的方案，減少測溫目標移動帶來的相位差?？偟膩碚f，AI算法在其中就是鎖定被測目標的具體測溫位置，更好地將紅外設備的溫度區(qū)域和需要測溫的區(qū)域做好匹配。

孫健峰認為紅外攝像頭和RGB攝像頭的校準，特別是自動化校準，不論是技術維度還是工程維度的提升，都會成為獨到的競爭力。實現(xiàn)方案可能會有多種，比如基于人臉框的校準，基于圖像中更多關鍵位置的校準，如何通過視覺的后臺分析，將兩個不同攝像頭的圖片位置進行針對性地校準、對齊，這樣紅外識別的額頭區(qū)域位置，和真實的在RGB人臉抓拍下的位置，就能有針對性地實現(xiàn)對齊。

疫情突發(fā)，如何在短時間迅速推出解決方案？

吳延宇介紹，百度在人臉檢測與抓拍、口罩識別方面，有長期的算法和經驗積累；同時，內部的AI軟硬件團隊，能夠快速地開發(fā)和驗證多種測溫硬件方案，并且結合AI算法，進行場景化的調試和調優(yōu)，從而快速實現(xiàn)基于測溫傳感器的高精度測溫方案。

正是基于算法和軟硬件結合的完整研發(fā)鏈，百度能夠快速提供多人臉/單人臉的測溫方案，以及戴口罩下的人臉識別，綜合的人群跟蹤和身份識別方案，并且在高鐵站、地鐵站、社區(qū)門禁、園區(qū)閘禁方面，快速地實現(xiàn)場景化落地。

孫健峰從定義研發(fā)應用的閉環(huán)流程談起，首先是業(yè)務需求側的驅動下，進行底層硬件的選型，包括底層芯片以及對應的載體平臺；然后通過數(shù)據(jù)的自動化/半自動化標注，實現(xiàn)算法的快速訓練；之后對算法和硬件進行適配部署及調優(yōu)，這一工作和硬件、嵌入式算法、框架高度相關，在這個過程中，能夠大幅提升算法在對應硬件上的運行速度和精準度；再往下就是業(yè)務派發(fā)，實現(xiàn)產業(yè)化落地。OPEN AI LAB實現(xiàn)了平臺化的能力，即從算法的維度，對底層各類硬件平臺做了全系列兼容，從而能夠快速實現(xiàn)一個算法化芯片的快速部署能力。

王飛結合智慧眼的研發(fā)經驗介紹，在疫情前已經在醫(yī)療、交通、海關等場景實現(xiàn)了手持式的人臉識別應用，只不過是在沒有戴口罩的情況下。疫情發(fā)生后，針對了人臉識別做了大量的優(yōu)化，大約用了2周時間，實現(xiàn)了人臉識別的同時能夠測體溫。

人臉識別落地的挑戰(zhàn)？今年看好哪些應用？

王飛結合視覺方面的應用談到了人臉識別存在的挑戰(zhàn)，例如基于視頻分析時容易受到外界因素的干擾，比如光照條件、人的行走姿態(tài)、拍攝角度、以及運動狀態(tài)下的模糊等，這些還需技術上繼續(xù)去攻克難題。

他認為現(xiàn)階段最需要立法的支持，規(guī)范在商業(yè)公司或是非政府行業(yè)的應用，相對高涉密的還需要在安全方面探討技術以外的挑戰(zhàn)。從大的行業(yè)應用并結合智慧眼的領域來看，王飛認為，安防、民生、養(yǎng)老、醫(yī)療保障等領域的應用發(fā)展會更快。

孫健峰認為人臉識別要進一步實現(xiàn)大規(guī)模的產業(yè)化落地，最大的限制是在非常多的差異化場景下的魯棒性，比如如何突破在過度曝光、逆光等非常細分的工程場景下的限制。具體如何去優(yōu)化？正如AI商業(yè)層面以人為核心的“千人千面”，每一個智能化的設備也是差異化的，需要基于一個大模型以及它所處的場景去適配它，提升魯棒性。例如要識別一個處于逆光狀態(tài)下的攝像頭拍攝到的人像，可以通過一套自動化的程序，對采集到的數(shù)據(jù)進行二次訓練，并把對應算法下發(fā)到這個設備上，這樣就實現(xiàn)了智能設備的“千人千面”。

隱私保護和數(shù)據(jù)安全是孫健峰看到的第二大挑戰(zhàn)。一方面需要國家或相關部門牽頭，制定邊界限制和相應規(guī)范；另一方面從技術的維度，通過分散式的聯(lián)邦學習進行算法訓練是當前的一個解決思路。即：無需把前端隱私數(shù)據(jù)傳到后端，而是基于這些數(shù)據(jù)在前端的算力上訓練出小的參數(shù)模型，并且把這個模型貢獻到集群中心，通過成千上萬的小的終端獲取到足夠好的綜合算法，再把這個算法下發(fā)到前端，這樣既保證了足夠好的準確性，同時保障了隱私和數(shù)據(jù)安全，這將是未來的一個發(fā)展趨勢。

他認為人臉識別應用現(xiàn)在已經非常成熟了，下一步要解決的就是性價比。只有把單點的智能化成本降下來，其體系化的復制和網(wǎng)絡節(jié)點的擴展空間才更大。未來，人臉識別應用更多扮演敲門磚的角色，除了在人員管控方面進行有效識別、輔助監(jiān)督之外，會在很多傳統(tǒng)行業(yè)實現(xiàn)產業(yè)化落地，比如農業(yè)、電力、鋼鐵甚至養(yǎng)殖行業(yè)，來幫助提升效率，降低成本。

吳延宇認為人臉識別落地有三大難點：第一是場景的泛化能力。這包括幾個要點：場景的環(huán)境條件，例如暗光、逆光、陰陽光等；大面積遮擋，比如戴口罩，還有側面、俯視、仰視，還有模糊、分辨率低等情況，這都會影響圖片獲取時的效果；還有年齡的跨度，從幼兒園的小朋友到八九十歲的高齡老人，算法需要具備很好的年齡跨度的分化性；還有膚色問題，不同人群的膚色識別精度有限，這對于進一步擴展全球市場存在一定挑戰(zhàn)；還有活體檢測的能力，針對高仿模具、高仿面具，還有一些成本很高的硅膠做出來的人像，對于這種級別的攻擊，人臉識別如何去抵御？或是如何輔助硬件和一些策略去抵御攻擊，這方面還存在挑戰(zhàn)。

第二在于精度問題，超大庫檢索雖說安防領域已經用了很久了，但是對于幾十萬、百萬甚至千萬量級的檢索，直接做到一比一千萬、一比三千萬，在精度方面還是有問題的。例如要實現(xiàn)人臉支付在軌道交通方面，如何在不需要任何輔助操作的情況下，就能實現(xiàn)刷臉直接扣費，也是一個挑戰(zhàn)。

第三就是行業(yè)標準，包括軟硬件規(guī)范、接口規(guī)范、架構規(guī)范、交付標準規(guī)范等等，只有這些規(guī)范的陸續(xù)出臺，才能保證整個行業(yè)進一步蓬勃發(fā)展。

今年所看好的應用，吳延宇主要認為包括：智慧通行。例如社區(qū)門禁、園區(qū)訪客管理、樓宇的人臉門禁閘機等，這些還會更進一步地火起來，需求會更加廣泛、更加深入，實現(xiàn)更穩(wěn)定的、更精準的應用。第二類是軌道交通。包括高鐵、機場、各種公共設施，以及交通運輸行業(yè)，例如駕駛員的行為分析（瞌睡、打電話、疲勞提前監(jiān)測等），地鐵和公交的人臉支付也會成為熱點。第三類是民事辦理。例如遠程社保的身份證明，或民政大廳的自助機，這些都會進一步得到廣泛應用。涉及到3D識別、RGB、NIR的跨模態(tài)識別，還有AI鏡頭等等，這些技術都存在一定的應用機會。

疫情中AI落地帶來哪些啟示？

如何看待疫情中AI所發(fā)揮的價值？這對于在落地方面一度遭遇瓶頸的AI技術有哪些啟示？

吳延宇認為AI的價值主要體現(xiàn)在三方面：首先傳統(tǒng)的測溫方式，在無接觸情況下，一是無法精確鎖定到人體的固定區(qū)，二是難以進行動態(tài)跟蹤測溫，尤其是人群密集的場景下。通過AI技術，實現(xiàn)了結合人體、人臉的相關算法，配合一定的業(yè)務策略，解決了測溫的準確率和有效性問題。第二，口罩下的人臉識別應用，能夠確保在需要身份核驗、同時又需要測溫的場景下，快速進行核驗和排查，提高了防疫整體的效率和安全性。第三，如OCR文字識別、語言技術識別、肺部的影像篩查等技術，在疫情中也推進了相關的落地，在病毒的基因分析方面，百度在疫情發(fā)生后迅速開放了AI算力給相關的科研機構，提升了醫(yī)療科研工作的效率。

孫健峰結合AI產業(yè)化的特點談到，從2015年開始，國內AI技術真正實現(xiàn)了產業(yè)化的落地和部署，早期AI產業(yè)化的特點更多是端到端的，大家也以此為傲，既能做芯片又能做算法，還能做應用和行業(yè)部署落地。但是在這次疫情中，由于時間非常緊迫，大家更希望整個產業(yè)鏈協(xié)同分工，各自貢獻自己最擅長的能力。在這個過程中，機器人、視覺、語音等維度都實現(xiàn)了產業(yè)化落地。

為什么疫情之下才有這么多的新技術得以落地使用？AI技術還有哪些瓶頸？未來如何更好地去推進產業(yè)化？

孫健峰認為疫情對于AI落地最大的啟示就是，如何共同推動AI產業(yè)化、分工協(xié)同，以及如何更高效、高性價比地實現(xiàn)快速產業(yè)化落地。他進一步解釋，當前一個非常嚴峻的問題在于AI落地的成本依舊偏高，從而導致沒有非常迫切的觸發(fā)點的時候，AI很難切實地落地到一個細分領域。企業(yè)要想做全棧方案，前期投入很高，除非這個行業(yè)能夠帶來足夠高的回報率，否則商業(yè)邏輯上不可行。但是如果產業(yè)鏈能夠高度協(xié)同，就像我們現(xiàn)在看到的電腦一樣，做芯片的、做操作系統(tǒng)的、做整機的、做應用軟件的協(xié)作起來，整個產業(yè)才會高度繁榮，AI在萬千場景下的快速產業(yè)化落地，才能更好地實現(xiàn)。

王飛則認為AI未來要向精細化落地的方向發(fā)展，這個方向的創(chuàng)新及迭代速度已經在疫情中得到驗證。現(xiàn)實生活的需求在促進技術發(fā)展，技術既要著眼于未來，也要落地于現(xiàn)在。如何把技術變成我們生活生產中的工具，成為普通人都用得起、都會用的接地氣的東西。

吳延宇表達了類似的觀點，他認為AI落地過程中的共識，就是要緊貼業(yè)務場景特點，做到接地氣，從業(yè)務中尋找痛點，才能不斷地解決問題。

觀看本場直播精彩回放，請點擊：http://webinar.elecfans.com/504.html

本文由電子發(fā)燒友網(wǎng)原創(chuàng)，未經授權禁止轉載。如需轉載，請?zhí)砑游?a target="_blank">信號elecfans999.