從進出辦公大樓到會議室，從取快遞到食堂喫飯，只需對準攝像頭刷一下臉，就能輕鬆完成通行、支付、取件等操作。在阿里巴巴，“臉”已經成爲員工日常生活辦公的通行證。
阿里園區食堂使用人臉支付
作爲園區“刷臉”的主要技術支持方，阿里巴巴信息平臺事業部園區大腦技術團隊負責人楊含飛（花名：少昊）表示，今年1月初，第一臺人臉閘機才正式在園區落地。而現在，“人臉”已經運用在阿里園區的方方面面，平均每天會進行20多萬次的人臉識別。
此外，隨着會議活動對安防要求的增加，一些大型展會對人臉識別的需求也變得越來越強烈。在今年9月雲棲大會上，阿里內部的這套人臉閘機，支持現場12萬人次的通行。
雲棲大會上的人臉門禁
那麼，在這些大規模的人員識別場景中，阿里內部的人臉識別究竟是如何做保障的？
今天，我們邀請少昊親自揭祕阿里巴巴人臉識別的優化方案。
人臉識別時，首先需要對方提供一張照片進行人臉註冊，然後在識別過程中，通過終端照片去檢測當前畫面照片上是否有人臉出現。如果有就會去提取特徵並與服務端算法進行對比，來確認兩者之間是否一致。可見，人臉識別實際上是特徵的“提取”與“對比”。
少昊認爲，在這一過程中，特徵提取是否完整與充分，對比是否快速準確，與識別算法、終端軟硬件以及人臉底庫照片都有關係。所以，信息平臺在做大型人員識別的優化時，主要從這三個方向入手：
終端的優化
終端的優化分爲硬件與軟件。硬件上，主要針對攝像頭採用寬動態技術，IPS優化，從捕捉畫面前景與背景處理上達到清晰均衡的要求，解決逆光問題，讓人臉識別更加快速有效。
軟件上，我們主要對拍攝清晰度做管理和控制。一般來說，在捕捉到識別圖像後，首先會對每幀圖像進行數據監控與評估。在經過數據化打標之後，會給圖像進行分類，來考察不同清晰度下的圖像通過率。以及不同清晰度與角度下，圖像的實際分佈情況。這能有效管控識別速度與識別距離，確保整個識別過程的通行效率。
識別算法的優化
誤識率是人臉識別的基礎，所以在識別算法上，技術人員一是對誤識進行控制；二是對相似度進行管理。
因爲受算法性能影響，隨着人臉底庫的增加，算法性能會逐步降低。如何在識別服務上進行優化，成爲人臉識別的一大關鍵。
用戶行爲產生的大量數據，使數據預測成爲可能。比如在杭州進行人臉識別出現誤識別，本人有可能實際上正在北京出差或休假等。所以，如果結合數據算法模型來準確的預測用戶行爲，對人羣進行合理區分的話，就能一定程度解決誤識別。
基於此，團隊成員在誤識別上進行的第一個優化就是——分組優化。通過特徵細分人羣，降低誤識，提高通過率。
分組優化首先需要考慮時間與空間因素。如果把一個區域空間圈得越小，未來一定時間內出現在該特定區域內的人也會越少。同時，時效越強，在該區域該時段出現的人臉也會越少。
同時，結合實際應用場景，通過業務規則與特點的判斷，以及人臉識別算法的性能特性，就能更好確認合理的空間、時間以及人數的分組規模情況。
以阿里巴巴園區人臉識別取件的分組優化爲例。從地域屬性上來看，每個小郵局都是一個固定的空間單元，有具體的位置。從時效性來看，當包裹到達小郵局後，它的主人在一段時間內會去拿包裹。從業務屬性上來看，小郵局是收取包裹快遞的地方。通過這三點屬性，就能基本確定取件場景的分組優化方案。判斷哪些員工會去哪個小郵局的分組中。
此外，取件還會存在代領情況。這一情況在業務規則中就沒法確認，需要基於歷史行爲去分析，一個包裹被別人代領的可能性是多少，以及被誰代領的可能性更高。然後將這一預判結果加入到人臉識別的分組中。
阿里園區小郵局通過人臉取件
通過一系列的算法模型學習優化，提升模型預測的準確性，不斷的改善人員分組質量，目前人臉在支持阿里巴巴園區通行上，誤識率已經有效控制在千分之一左右。
除了分組優化外，在面對不同膚色與人種的情況下，團隊還建立了不同種類的算法模型與底庫。這樣可以針對特定膚色人種的通行率和誤識率，做針對性的優化。
人員底庫照片的優化
少昊表示，很多時候，人臉識別不成功並不是現場攝像頭或比對算法出了問題，還是底庫照片的質量太差，導致無法進行人臉識別。除了讓對方重新提供照片圖像外，還可以通過算法進行大小臉檢測、照片校正以及身份覈實，來確認本人身份。
此外，算法還可以幫助底庫照片進行自學習。通過人員照片序列的分析後，提取特徵進行圖片聚類分析，隨後再通過圖片質量分析後，對本人身份進行覈實，進而完成底庫照片的註冊與特徵提取。
通過上述手段優化，在人臉識別通過率保持不變的情況下，誤識率可以降到1‰。
今年雙11期間，阿里園區的這套人臉識別技術還應用於雙11作戰指揮室與天貓雙11晚會現場的安防保障。
少昊表示，通過人臉屬性識別的進一步豐富，硬件及算法能力的進一步提升，未來，人臉識別技術將會滿足更多商業場景需求，一個真正的刷臉時代就要來了。