人脸识别哪家强？亚马逊、微软、谷歌等大公司技术对比分析

本文为 AI 研习社编译的技术博客，原标题 Face detection - An overview and comparison of different solutions，作者为 David Pacassi Torrico。 翻译 | 李灏 江舟 校对 | Lamaric 审核 | Lamaric

哪一个人脸识别 API 是最好的？让我们看看亚马逊的 Rekognition、谷歌云 Vision API、IBM 沃森 Visual Recognition 和 微软 Face API。

Part 1：基于互联网提供软件服务的供应商

TLDR：如果你想尽可能快的使用 API，可以直接查看我在 Github 上的代码（https://github.com/dpacassi/face-detection）。

你曾经有过人脸识别的需要吗？

可能只是为了提高图片裁剪成功率，保证一张轮廓图片真实的包含一张人脸，或可能只是简单从你的数据集中发现包含指定人物的图片（在这种情况下）。

哪一个人脸识别软件服务供应商对你的项目来说是最好的呢？

让我们深入了解它们在成功率，定价和速度方面的差异。

在这篇文章里，我将会分析以下人脸检测 API：

• 亚马逊 Rekognition
• 谷歌云 Vision API
• IBM 沃森 Visual Recognition
• 微软 Face API

人脸检测是如何工作的？

在我们深入分析不同的解决方案之前，让我们首先了解下人脸检测是如何工作的。

Viola–Jones 人脸检测

2001 年这一年，Jimmy Wales 和 Larry Sanger 建立了维基百科，荷兰成为世界上第一个将同性婚姻合法化的国家，世界也见证了有史以来最悲惨的恐怖袭击之一。

与此同时，两位聪颖的人，Paul Viola 和 Michael Jone，一起开始了计算机视觉的革命。

直到 2001 年，人脸检测还不是很精确也不是很快。而就在这一年，Viola Jones 人脸检测框架被提出，它不仅在检测人脸方面有很高的成功率，而且还可以进行实时检测。

虽然人脸和物体识别挑战自 90 年代以来就一直存在，但在 Viola - Jones 论文发布后，人脸及物体识别变得更加繁荣。

深度卷积神经网络

其中一个挑战是自 2010 年以来一直举办的 ImageNet 大规模视觉识别挑战。在前两年，顶级团队主要是通过 Fisher 向量机和支持向量机的组合工作，而 2012 年这一切改变了。

多伦多大学的团队（由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 组成）首次使用深度卷积神经网络进行物体检测。他们以 15.4 % 的错误率获得第一名，而第二名队伍的错误率却高达 26.2 %！

一年后，2013 年，前五名的每个团队都在使用深度卷积神经网络。

那么，这样的网络是如何工作的呢？

今年早些时候，谷歌发布了一个易于理解的视频：

亚马逊、谷歌、IBM 和微软现在使用着什么？

从那以后，并没有太大变化。今天的供应商仍然使用深度卷积神经网络，当然可能会与其他深度学习技术相结合。

显然，他们没有公布自己的视觉识别技术是如何工作的。我发现的信息是：

• 亚马逊：深度神经网络
• 谷歌： 卷积神经网络
• IBM： 深度学习算法
• 微软： 人脸算法

虽然它们听起来都很相似，但结果有一些不同。

在我们测试它们之前，让我们先看看定价模型吧！

定价

亚马逊、谷歌和微软都有类似的定价模式，这意味着随着使用量的增加，每次检测的价格会下降。

然而，对于 IBM，在你的免费层使用量用完之后，你就要为每次调用 API 支付相同的价格。

Microsoft 为你提供了最好的免费协议，允许你每月免费处理 30000 张图片。

如果你需要检测更多，则需要使用他们的标准协议，是从第一张图片开始付费的。

价格比较

话虽如此，让我们计算三种不同配置类型的成本。

条件 A：小型初创公司/企业可每月处理 1000 张图片

条件 B：拥有大量图像的数字供应商，每月可处理 100，000 幅图像

条件 C：数据中心每月处理 10，000，000 张图像。

从数据上看，对于小客户来说，定价没有多大差别。虽然亚马逊从第一张图片开始收费，但处理 1000 张图片仍然只需要一美元。然而，如果你不想支付任何费用，那么谷歌、IBM 或微软将是你想要选择的供应商。

注意：亚马逊提供了免费协议，你可以免费处理前 12 个月，每月 5000 张图片！然而，在这个 12 个月的试用期后，你就需要从这时第一张图片付费了。

大量使用 API 的情况

如果你确实需要处理数百万张图片，那么比较每个供应商的处理规模就变得很重要了。

以下是在一定数量的图片后，为 API 使用支付的最低价格列表。

IBM 会不断向你收取每 1，000 张图片 4.00 美元的费用（无缩放比例）

Google 在第 5，000，000 张图片之后，价格降到 0.60 美元（每 1000 张图片）

亚马逊会在第 100，000，000 张图片之后，价格降到 0.40 美元（每 1000 张图片）

微软会在第 100 ' 000 ' 000 张图片之后，价格降到 0.40 美元（每 1000 张图片）

因此，比较价格，微软（和亚马逊）似乎是赢家。但他们能否在成功率、速度和整合度上占优么？让我们看一看！

动手吧！让我们试试不同的 API

有够多的理论和数字了，让我们直接深入研究编码！你可以在我的 GitHub 存储库中找到这里使用的所有代码。

设置我们的图像数据集

首先要做的事，在我们扫描人脸图像之前，让我们设置图像数据集。

在这篇博客文章中，我已经从 pexels.com 下载了 33 张图片，非常感谢图片的贡献者/摄影师以及感谢 Pexels！

这些图像已经提交到了 GitHub 存储库，所以如果你只想开始使用 API，则不需要搜索任何图像。

编写基本测试框架

框架可能是错误的，因为我的自定义代码只包含两个类。然而，这两个类帮助我轻松地分析图像（元数据）数据，并在不同的实现中有尽可能少的代码。

一个非常简短的描述：FaceDetectionClient 类保存有关图像存储位置、供应商详细信息和所有处理过的图像（作为 FaceDetectionImage 对象）的一般信息。

比较供应商的 SDK

因为我最熟悉 PHP，所以我决定在这次测试中坚持使用 PHP。我想指出每个供应商提供了什么样的 SDK（截至今天）：

注意：微软实际上并没有提供任何 SDK，但他们为上面列出的技术提供了代码示例。

如果你仔细阅读了这些列表，你可能会注意到 IBM 不仅提供了最少数量的 SDK，而且还没有提供针对 PHP 的 SDK。然而，这对于我来说并不是一个大问题，因为他们提供了 cURL 示例，这些示例帮助我轻松地为一个（非常基本的）IBM 视觉识别客户端类编写了 37 行代码（https://github.com/dpacassi/face-detection/blob/master/src/solutions/ibm-watson-visual-recognition/VisualRecognitionV3.php）。

集成供应商的 API

获取 SDK 非常容易。使用 Composer 更容易。然而，我确实注意到一些可以改进的东西，以便开发者的生活变得更轻松。

亚马逊

我从亚马逊的识别 API 开始。浏览他们的文档后，我真的开始觉得有点失落。我不仅没找到一些基本的例子（或者无法找到它们？)，但我也有一种感觉，我必须点击几次，才能找到我想要的东西。有一次，我甚至放弃了，只是通过直接检查他们的 SDK 源代码来获得信息。

另一方面，这可能只发生在我身上？让我知道亚马逊的识别对你来说是容易（还是困难）整合的吧！

注意：当 Google 和 IBM 返回边界框坐标时，Amazon 会返回坐标作为整体图像宽度/高度的比率。我不知道为什么，但这没什么大不了的。你可以编写一个辅助函数来从比率中获取坐标，就像我一样。

谷歌

接下来是谷歌。与亚马逊相比，他们确实提供了一些例子，这对我帮助很大！或者也许我已经处于投资不同 SDK的心态了。

不管情况如何，集成 SDK 感觉要简单得多，而且我可以花费更少的点击次数来检索我想要的信息。

IBM

如前所述，IBM（还没有？）为 PHP 提供一个 SDK。然而，通过提供的 cURL 示例，我很快就建立了一个自定义客户端。如果已经能提供一个 cURL 例子，那么你使用它也错不了什么了。

微软

看着微软的 PHP 代码示例（使用 Pear 的 HTTP _ request2 包），我最终为微软的 Face API 编写了自己的客户端。

我想我只是一个 cRUL 人。

评估者的可靠性

在我们比较不同的人脸检测 API 之前，让我们先自己扫描图像吧！一个普通的人能检测到多少张脸？

如果你已经看过我的数据集，你可能已经看到了一些包含棘手面孔的图像。棘手是什么意思？好吧，指的是只看到一张脸的一小部分或这张脸处于一个不寻常的角度时。

是时候做一个小实验了

我浏览了所有的图片，记下了我认为已经检测到的面孔数量。我会用这个数字来计算每个供应商对图片的成功率，看看它是否能检测到像我一样多的面孔。

然而，设置仅由我单独检测到的预期面部数量对我来说似乎有点太偏颇了。我需要更多的意见。这时，我恳请我的三位同事浏览我的照片，并告诉我他们会发现多少张脸。我给他们的唯一任务是告诉我你能探测到多少张脸，而不是头。我没有定义任何规则，我想给他们任何可以想象的自由来完成这项任务。

什么是脸？

当我浏览图像检测面部时，我只计算了至少四分之一左右可见的每张脸。有趣的是，我的同事提出了一个略微不同的面部定义。

同事 1：我也计算过我大多无法看到的面孔。但我确实看到了身体，所以我的脑海里告诉我有一张脸。

同事 2：如果我能够看到眼睛，鼻子和嘴巴，我会把它算作一张脸。

同事 3：我只计算了能够在另一张图像中再次识别的脸部。

样例图片 #267855

在这张照片中，我和我的同事分别检测到了 10、13、16 和 16 张面孔。我决定取平均值，因此得到了 14。我对每个人是如何想到不同的人脸检测技术这一点非常的感兴趣。

话虽如此，我还是使用了我和同事的平均人脸计数来设定一幅图像中检测到的预期人脸数量。

结果比较

现在我们已经设置了数据集和代码，让我们处理所有竞争对手的所有图像并比较结果。

我的 FaceDetectionClient 类还附带一个方便的 CSV 导出格式，它提供了一些分析数据。

这是我得到的结果：

成功率很低？

亚马逊能够检测到 52.66 % 的人脸，谷歌 40.43 %，IBM 39.36 %，微软甚至只有 17.55 %。

为什么成功率低？首先，我的数据集中确实有很多棘手的图像。其次，我们不应该忘记，作为人类，我们有着两百万年的进化背景来帮助理解什么是什么。

虽然许多人认为我们已经掌握了科技领域的人脸检测，但仍有改进的余地！

对速度的需求

虽然亚马逊能够检测到最多的人脸，但谷歌和微软的处理速度明显快于其他公司。然而平均来说，他们仍然需要超过一秒钟的时间来处理我们数据集上的单个图像。

将图像数据从我们的计算机/服务器发送到另一台服务器肯定也会影响性能。

注意：我们将在本系列的下一部分中了解（本地）开源库是否可以更快地完成同样的工作。

（相对）小脸的人群

在分析了这些图像后，亚马逊似乎非常擅长检测人群中的人脸，以及相对较小的脸部。

小摘录

亚马逊的示例图像 # 889545

亚马逊能够在这张图片中检测到 10 张面孔，而谷歌只发现了 4 张，IBM 检测到 0 张以及微软检测到 0 张。

不同的角度，不完整的脸

那么，这是否意味着 IBM 根本不如他竞争对手好呢？一点也不。虽然亚马逊可能擅长于在集体照片中检测小脸，但 IBM 还有另一个优势：困难的图像。这是什么意思呢？好吧，指的是头部处于不寻常角度或者可能没有完全显示的脸部图像。

以下是我们数据集的三个例子，IBM 是唯一一家检测到其中人脸的供应商。

IBM 的示例图像 # 356147

仅由 IBM 检测到面部的图像。

IBM 的示例图像 # 403448

仅由 IBM 检测到面部的图像。

IBM 的示例图像 # 761963

仅由 IBM 检测到面部的图像。

边界框

是的，生成的边界框也不同。亚马逊、IBM 和微软在这里非常相似，并返回了一个人脸部的边框。谷歌略有不同，它关注的不是某人的脸，而是完整的头部（这对我来说可能更说得通？）。

Google 的示例图像 # 933964

Google 会返回覆盖大部分头部的边界框，而不仅仅是脸部。

微软的示例图像 # 34692

微软（以及 IBM 和亚马逊）关注的是脸部而不是头部。

你对此有什么看法？API 应该将边界框返回到人的面部还是头部？

误报

尽管我们的数据集非常小 ( 3 张图片)，但它包含了对于一些供应商来说人脸检测失败的两张图片。

亚马逊的示例图像 # 167637

找到脸！

在一个乐队的这张（漂亮的）照片中，亚马逊和谷歌都没有发现乐队主唱的脸，而相反发现的是他的纹身。而微软根本没有发现任何面孔。只有 IBM 成功并正确地检测到了前面那个人的脸（而不是他的纹身）。干得漂亮！

Google 的示例图像 # 948199

有两张脸的人，是你吗？

在这张照片中，谷歌不知何故在同一地区发现了两张面孔。或者互联网能看到一些我们看不见的东西。多么可怕啊。

等等，还有更多！

你可以在 GitHub 上找到包含 33 个源图像、4x33 个处理图像和元数据以 CSV 格式导出的完整数据集。

不仅如此，如果你克隆存储库并输入 API 密钥，甚至可以处理自己的数据集！

最后但并非最不重要的一点是，如果你知道任何其他人脸检测 API，请随时向我发送拉取请求，以便将它包含到存储库中！

为什么会有不同的结果？

正如本博客文章开头所述，没有一家供应商完全透露他们是如何实现人脸检测的。

让我们假设他们使用相同的算法和网络配置——他们仍然可能最终得到不同的结果，这取决于他们用来训练神经网络的训练数据。

另外，神经网络周围可能还有一些包装器。也许 IBM 只是简单地旋转图像 3 次并总共处理 4 次，来寻找不常见的脸部角度？

我们可能永远不会知道结果。

最后一点

请记住，我只关注人脸检测。不要与面部识别混淆了（面部识别可以辨别某张脸是否属于某个人），我也没有深入探讨 API 可能提供给你的其他功能。

例如，亚马逊可以告诉你某人是否在微笑，某人是否留着胡子或者闭着眼睛。而如果有人感到惊讶或正戴着头饰，谷歌是可以告诉你这种可能。IBM 试图为你提供一个人的大概年龄范围，包括其可能的性别。微软可以告诉你一个人是否化了妆。

以上几点仅仅是这个供应商可以提供给你的几个例子。如果你不仅仅需要基本的面部检测，我强烈建议你根据你的目的阅读和测试他们的规格。

结论

那么，现在哪个供应商是最好的呢？对此，确实没有正确的答案。每个供应商都有自己的优势和劣势。但是对于普通图像，亚马逊、谷歌和 IBM 应该说做得相当好。

不过微软并没有真正说服我。它在 188 张面孔中只检测到 33 张，微软是这四家供应商中成功率最低的。

由 Google 检测的示例图像 # 1181562

对于常见图像，亚马逊，谷歌和 IBM 能够检测到所有人脸。

由微软检测的＃1181562

微软，你竟没有发现面孔？

那么若使用 OpenCV 和其他开源替代方案呢？

这个问题将在本系列的下一部分中回答。欢迎订阅我们的数据科学 RSS 源以便将来接收相关更新，非常感谢您阅读！

原文链接：https://www.liip.ch/en/blog/face-detection-an-overview-and-comparison-of-different-solutions-part1#