近期，国内疫情出现反复，在抗击疫情的战争中，“口罩”成为了2020年的一大热词。作为抗击疫情强有力的武器，口罩已经成为公民的标配，但在抗疫常态化的进程中，口罩却对诸如“刷脸”支付、身份认证等需要人脸识别的场景提出了挑战。
这种“挑战”主要来源于以下几个方面：
· 由于口罩遮挡，可供识别的人脸“关键点”大幅减少，机器之前学习的特征判别能力随之降低。具体的，二维纹理信息会由于遮挡而丢失、三维形状信息会带有噪声。
· 口罩类型比较多且口罩遮挡程度不一，如何更多地利用非遮挡区域的信息进行准确识别也是一个需要解决的难题。
· 人脸检测和人脸关键点检测的精度受到口罩遮挡的影响会降低。
口罩成为必需品的同时也为人脸识别带来挑战
为了攻克上述难题，诸多AI企业发力口罩人脸识别，试图升级现有的人脸识别技术。
百度开源了业内首个口罩人脸识别模型，该模型不仅能够通过人脸和人体分析的方式检测用户是否佩戴口罩，还能在戴口罩的情况下进行人脸检测、特征抽取和比对，实现身份验证。
腾讯优图研发的用于佩戴口罩人脸识别的AI算法，能够精准识别未戴口罩、口罩仅遮挡嘴部、口罩仅遮挡下巴、口罩未遮挡面部、准确佩戴口罩5种不同的口罩佩戴情形，并对未佩戴口罩或错误佩戴口罩的人员及时发出预警。
腾讯优图研发的AI算法能够识别5种不同的口罩佩戴情形
不同企业的解决方案存在共性：攻克口罩人脸识别难题，需要在对现有的人脸识别系统人脸检测、人脸对齐以及人脸识别模块进行针对性的优化和提升。
· 人脸检测：人脸检测算法在佩戴口罩场景下检测结果误差较大，主要是因为缺少相关的训练数据。因此可以通过丰富训练数据、有针对性的设计数据增强策略方法等来提升人脸检测算法的鲁棒性和准确性。
· 人脸对齐：针对人脸关键点缺失的状况，可以使用 GAN、3D 图像融合等技术来快速合成海量训练数据，实现对佩戴口罩的人脸进行精准的关键点定位，完成人脸对齐任务。
· 人脸识别：解决人脸识别特征缺失的主要方法是通过修改深度神经网络结构同时加入更多的注意力机制，使模型可以更多的关注到未被口罩遮挡的眼部区域，同时结合脸型等面部结构特征来提升人脸识别系统在“口罩人脸识别”这一特殊场景下的精度。
可以看出，提升口罩人脸识别准确率的基础就在于丰富口罩人脸训练数据。在图像质量有保障的前提下，数据规模越大，通常优化效果越好。
针对口罩人脸识别这一应用场景，数据堂研制了高质量的《5,000人戴口罩人脸识别数据》，为相关企业算法和技术的升级提供助力。
戴口罩人脸识别数据，已获得被采集人授权
工作人员采集了每位被采集者不同光照、不同环境下的7张图片，图片涵盖了不同类型的口罩。标注人员对被采集者的性别、人种、年龄和口罩类型进行标注，标注准确率超过97%。该套数据可应用于遮挡人脸检测及识别等计算机视觉任务。数据堂已经与被采集者签署了授权书或电子授权书，保障了数据的安全合规。
在过去的一年中，新冠肺炎疫情牵动着全国人民的心。我们可以从这场战役中看到很多科技行业和人工智能从业者的身影，旷视、商汤、数据堂等多家科技公司都在算法和数据上为早日战胜疫情贡献自己力量。科技向善，人工智能技术一定会在科学抗疫助力复工复产的道路上发挥出更大的作用和价值。