微笑有術

　　10年前，索尼的機器數(shù)碼狗能辨認出主人?，F(xiàn)在，它的數(shù)碼相機能自動捕捉笑容。10年后呢？

　　文 《環(huán)球企業(yè)家》記者 徐冠群

　　想在人群擁擠的大型商場或車站渾水摸魚的人小心了：不久后，公共場所的監(jiān)控攝像頭將能自動識別并鎖定行為可疑者。開車的人則可更放心，車載識別系統(tǒng)能迅速發(fā)現(xiàn)出沒在行車路線前方的人，并采取措施避免相撞。馬虎的人也能生活得更容易，鑰匙和門卡將成為歷史，面孔就是最好的通行證。

　　這些看似簡單卻尚未實現(xiàn)的未來，不屬于科幻電影，而屬于索尼研究院。它們的共同特征是涉及對人的面部和姿態(tài)的識別。索尼研究院的大型計算機通過統(tǒng)計、分析收集到的海量人臉數(shù)據(jù)，從數(shù)以千萬計的樣本中找到人臉的共通特點。再將面部信息分解成各種特征元素集，構建機器可識別的人臉特征量，通過大量數(shù)據(jù)演算以確定這是不是人臉。

　　至少現(xiàn)在，索尼智能寵物AIBO機器狗已能從眾多面孔中識別出主人，像真正的寵物一樣只對他做出親密表示。從2007年開始，“人臉識別”和“微笑快門”成為索尼Cyber-shot數(shù)碼相機的新功能。

　　當用戶用這種數(shù)碼相機取景時，相機自帶的人臉識別算法會以從左上角到右下角的順序對整個畫面進行全面掃描，并根據(jù)相機中存儲的標準人臉模板信息尋找與之匹配的圖形信息。這兩種功能不僅能識別出鏡頭中有幾張人臉、他們是否在笑，還能自動捕捉下笑容最燦爛時的畫面。此外，用戶還可以自行設置不同的歡笑程度，以及優(yōu)先捕捉大人還是孩子的笑容等。在已高度同質化的數(shù)碼相機中，這些功能為Cyber-shot贏得很多好評。

　　僅此而已還不足夠激動人心，畢竟由人來完成這樣的判斷只須瞥一眼，但這只是起點。索尼希望機器對人的識別能像人眼觀察一樣精準，這意味著機器能閱讀出你的喜怒哀樂和各種動作語言。再加上機器遠勝于人腦的信息存儲和運算能力—同時分辨數(shù)千人的表情和姿態(tài)時機器的效率和準確性遠勝于人，真正的革命才剛剛開始。

　　實驗室進階

　　索尼對機器識別人類的興趣可追溯至1999年，當時它推出機器狗“AIBO”。這個同時滿足了人們對機器人和寵物雙重愛好的產品能識別并追逐粉紅色的球體，但這顯然不夠。“我們希望AIBO至少能認出主人的臉，根據(jù)主人的行動有所反應，這樣才有更多更好的感情交流。”從事索尼人機交互技術開發(fā)的智能系統(tǒng)研究室高級研究員大久保厚志對《環(huán)球企業(yè)家》說。因此，從1999年開始，大久保和一個不到10人的團隊便為AIBO開發(fā)人臉識別技術。這一決定的更深層原因是，當時索尼研發(fā)的負責人相信未來會是機器人時代，屆時機器辨認人是一切創(chuàng)造的基礎，索尼必須盡早開始累積相關技術。

　　通常實驗室研究都始于不存在的理想環(huán)境，然后漸漸加入更多真實環(huán)境中的變量，由簡入難。但AIBO活動于非常復雜的家庭環(huán)境，需要識別的人臉不是以做電影特效時常用的藍幕或綠幕做背景，而是混雜于各種家具和物品中，同時還有逆光和背光的問題。而且，機器狗看人的角度是從下往上，這比平視的正面掃描識別更難。

　　所以，從一開始，大久保及其同事就面臨諸多意想不到的難點。他們在實驗室中專門辟出一大塊空間，建了一個從燈光、裝修、布置等各種條件都和普通家庭一樣的模擬環(huán)境。這個仿真空間被稱為“驚訝小屋”，大久保們在其中做了大量實驗和數(shù)據(jù)采集工作。直到2003年，索尼的人臉檢測技術才真正在AIBO上取得比較完整的成功，它已經能從許多不同面孔中識別出主人的樣貌。

　　2006年索尼重組中為削減成本解散了AIBO團隊，但因它開發(fā)的人臉識別技術卻在研究院中延續(xù)下來。盡管初期研發(fā)非常困難，一旦成功，索尼就能輕易將這一技術用于手機和照相機等各種消費類數(shù)碼產品，因為最復雜的背景辨識問題一開始就已解決。在識別人臉的技術基礎上，索尼推出笑臉識別技術。目前，其Cyber-Shot數(shù)碼相機、PlayStation游戲主機和PSP手持游戲機等產品線上都有基于人臉識別技術的功能。比如，PlayStation 3上存放的照片可以自動按照嬰幼兒、年輕人、老年人等分類，也可按照有笑容、沒笑容等分類。

　　一個技術成熟后，進階到下一步研發(fā)是最自然的選擇。2005年，索尼就開始思考，除了讓機器知道“這是人臉”，還要在遠處讓它們知道“這里有人”，并把人體識別從面部擴展到整個人的姿態(tài)。這一步中，索尼中國研究院扮演了重要角色。

　　姿態(tài)識別的原理和人臉識別相同，都是在海量樣本基礎上以統(tǒng)計學分析和大型計算機運算建立標準，再將目標拆解成數(shù)據(jù)與標準核對。復雜之處在于，人的表情無論怎么變化，五官形狀和位置都相對固定，但整個人體不僅胖瘦、高矮等變量更多，單個人姿勢變化角度也更大。而且，在人流量大的公共場合等地，經常出現(xiàn)人物彼此重疊的情況。當人的身體被遮擋，機器和算法就很難判斷這是不是人。

　　更復雜的情況意味著索尼中國研究院需要采用更多技術，開發(fā)出描述能力更強的模型。負責這一研究的索尼中國研究院研發(fā)部副總監(jiān)吳偉國博士對《環(huán)球企業(yè)家》表示，姿態(tài)識別中采用了描述能力更強的特征對人體進行檢測，即使是被遮擋的人體目標一旦出現(xiàn)，就能被抓取出來，同時可以配合人臉識別技術，對其進行全程追蹤和識別。

　　辨別“人”與“非人”的索尼姿態(tài)識別技術最早于2009年在面向游戲開發(fā)者的大會CEDEC上發(fā)布。除了游戲，索尼還試圖將其用于安全防護領域。

　　成為商品

　　從人臉識別技術的研發(fā)不難看出，索尼研究院的應用項目與其相關產品結合緊密。如果微軟的研究院樂于為某項技術發(fā)表一系列論文，索尼更愿意將這項技術用于它的數(shù)碼相機等消費電子產品上。

　　即便如此，大久保仍然認為人臉識別中最困難的不是技術問題，而是說服產品部門接受他們的技術。2003年在AIBO上取得全面成功后，他們就希望將這一技術推廣到索尼其他產品，但到2005年索尼DVD錄像機首次采用人臉識別，已是兩年之后。

　　大久保對《環(huán)球企業(yè)家》回憶道，其他部門也承認他們的技術很酷，卻不知道應該怎么用到自己的產品里。雙方認知的落差之一在于，產品事業(yè)部對于識別技術最自然的聯(lián)想是應該達到相當高的精度，而不只是機器狗辨認出主人而已。“但當時技術做不到太高精度，更多考慮是如何識別出目標。不用太高精度就可以為消費者提供更有趣的娛樂方式，這有一定的容錯率。”大久保說道。

　　事實證明這種意見的正確。在將人臉識別技術運用于PlayStation 3時，因為未達100%精確度，索尼擔心消費者負面反饋而沒有在宣傳和介紹時提及這一技術，只將其作為智能幻燈片的功能之一，比如可將某個人的照片自動識別出來集中播放。但出乎意料的是，消費者認為這一功能識別非常準確，甚至有人把識別的照片做成短片放在YouTube上。

　　此外，技術應用于產品時，追求的不是單純的性能優(yōu)越，必須同時考慮實現(xiàn)性能所需的各種“成本”，比如需要消耗的內存容量、計算能力、電量和新增的生產成本等。DVD錄像機和數(shù)碼相機這樣的小型數(shù)碼產品的存儲和運算條件遠不如實驗室里的超級計算機。如果只是為了增加一項有趣的笑臉識別功能而使Cyber-shot數(shù)碼相機變得反應遲緩、耗電量增加，當然得不償失。

　　因此，大久保等人需要從大量的識別特征量中挑選出既能準確識別，又不會占用過多資源的那些。其中最大的挑戰(zhàn)是2007年人臉識別應用于索尼愛立信手機上時。受限于體積、手機的運算能力和電池容量都比其他電子產品更小，只要裝載過大的應用程序，就可能運行緩慢。為此，索尼研發(fā)團隊放棄了能帶來更好識別精確度卻很消耗運算能力的浮點運算，盡可能以整數(shù)運算建立算法模型。

　　在經歷種種波折后，現(xiàn)在人臉識別技術已經成為索尼眾多產品必備功能之一。頗為明顯的轉變是，2003年索尼剛開始“推銷”人臉識別技術時，大久保等需要不斷與各個產品事業(yè)部反復溝通，講述使用這個技術的好處?，F(xiàn)在，他們已擺脫推銷員的身份，越來越多的產品在一開始的醞釀和設計時，就會主動考慮怎么樣將人臉識別功能融合進來，并且做得更有趣。