每年 5 月 31 日是世界控?zé)熑?，百度使用了目?biāo)檢測,、動作識別,、人臉檢測等 AI 技術(shù),，基于 PaddlePaddle 做了一個「AI 控?zé)煛鬼椖俊?/p>

百度工程師用 PaddlePaddle 訓(xùn)練出一套模型,，能夠?qū)ξ鼰熑巳哼M(jìn)行識別和適當(dāng)提示,。當(dāng)攝像頭捕捉到正在吸煙的同學(xué),，就會投射到大屏幕上,。圖為李彥宏和某個員工的對話，對話員工的頭像正是周圍某個吸煙員工的「吸煙照」,，而且其面部用表情包替換了,。

這是一個基于 AI 技術(shù)完成的項目，使用了目標(biāo)檢測,、動作識別,、人臉檢測等 AI 技術(shù)。其大致流程可以這樣描述：

項目流程示意圖

訓(xùn)練與預(yù)測

我們可以借這個項目來了解一個 AI 控?zé)熯@樣的應(yīng)用是如何完成的,。項目的實(shí)現(xiàn)可以分為訓(xùn)練階段,、預(yù)測階段兩部分,。

我們先來看訓(xùn)練，主要是對吸煙動作識別的訓(xùn)練,。這里用到的是動作識別技術(shù),，也叫做人體動作識別，是圖像分類技術(shù)的一個細(xì)分領(lǐng)域,，通過對圖像中的人物動作來判斷其行為,，主要可以分為視頻識別和靜態(tài)圖像識別。兩種技術(shù)都會有自己的應(yīng)用場景,，其中視頻識別會對計算資源的要求比較高,，更多使用在一些對實(shí)時性要求比較高的場景，比如安防領(lǐng)域會基于實(shí)時監(jiān)控中是否出現(xiàn)搶劫或求救行為來自動完成報警,。而基于靜態(tài)圖像的動作識別則可以面向一些實(shí)時性不那么高的場景,，可以用較低的計算成本來完成。

本文的控?zé)燀椖扛鶕?jù)其采集圖片數(shù)據(jù)的行為來看,，應(yīng)該是基于靜態(tài)圖像的動作識別,。具體到訓(xùn)練過程，首先是樣本數(shù)據(jù)的獲取,，這也是所有深度學(xué)習(xí)問題的起點(diǎn),。在這個項目中需要搜集的是戶外情況下用戶的吸煙圖片，并將每張圖像中的吸煙者標(biāo)注出來,。第二步是訓(xùn)練吸煙動作識別的模型,，即通過標(biāo)注好的數(shù)據(jù)來讓機(jī)器學(xué)習(xí)到什么樣的動作可能是吸煙，從而在有新的圖像出現(xiàn)時能夠判斷其是吸煙行為的可能性,，模型訓(xùn)練過程是一系列復(fù)雜的工作,。

最后是模型的評估工作，需要讓模型去判斷新的圖像是否是存在吸煙行為,，并記錄其表現(xiàn),，在滿足一定評估指標(biāo)后，才能停止優(yōu)化,。經(jīng)過這樣一系列流程,，我們會得到一個符合業(yè)務(wù)目標(biāo)的吸煙動作識別模型。

得到動作識別模型之后,，我們就可以進(jìn)行預(yù)測環(huán)節(jié)了,。預(yù)測的具體的流程是這樣：首先我們需要將吸煙動作識別模型部署在服務(wù)器上，讓其具備能夠在生產(chǎn)環(huán)境中接收數(shù)據(jù)以及輸出結(jié)果的能力,，有了這個基礎(chǔ),，我們就能夠?qū)z像頭采集的圖像數(shù)據(jù)輸入模型，經(jīng)過模型的判斷后再向大屏幕輸出吸煙者的圖像。

但是事實(shí)上,，項目中輸出的內(nèi)容并不僅僅是吸煙動作,，其實(shí)是一個整體圖像中抽取出的吸煙者所在的圖像部分，還要依賴于目標(biāo)檢測技術(shù),。目標(biāo)檢測是計算機(jī)視覺領(lǐng)域三大任務(wù)之一（另外兩個是圖像分類,、和圖像分割），該技術(shù)可以識別一張圖片的多個物體,，并可以定位出不同物體（給出邊界框）,。這種技術(shù)的應(yīng)用場景非常廣泛，比如無人駕駛,、安防等領(lǐng)域都很依賴這種技術(shù),。在此項目中，通過目標(biāo)檢測,，機(jī)器會先將攝像頭采集的數(shù)據(jù)進(jìn)行人體目標(biāo)識別并將有人的圖像區(qū)域裁剪出來并傳輸給吸煙動作識別模型,，如果這部分圖像被判斷為吸煙，就會輸出到展示端,。

參與者被上傳到大屏幕的圖像中,，人物的面部是被表情包替換的，這又是如何實(shí)現(xiàn)的呢,？這個操作涉及的是人臉檢測技術(shù),，它其實(shí)是圖像檢測的一個細(xì)分垂類，簡單來說就是能夠知道一個圖像中是否存在人臉,，以及如果存在那么其所在圖像區(qū)域是什么,。人臉檢測技術(shù)是人臉識別技術(shù)方向的關(guān)鍵環(huán)節(jié)，也是人臉識別流程的第一步,，除了能檢測圖像區(qū)域內(nèi)是否存在人臉外,，人臉圖像中展示的特定信息（比如是否帶眼鏡、是否有胡須）,、以及面部表情（比如是否微笑,、是否悲傷）都屬于人臉檢測技術(shù)的范疇。

人臉檢測技術(shù)是一個應(yīng)用場景非常廣泛的技術(shù),，在我們的日常生活中非常普遍,，比如手機(jī)拍照時我們會發(fā)現(xiàn)系統(tǒng)會定位每個人臉并將其框出來,，比如女生最愛的一些修圖軟件,，可以自動完成瘦臉或是其他一些特效，都是在人臉檢測技術(shù)的基礎(chǔ)上進(jìn)行加工的,。該技術(shù)在本文介紹的控?zé)燀椖恐幸彩且粯拥氖褂脠鼍埃喝绻粋€用戶被判斷為吸煙,，那么系統(tǒng)就會檢測圖像中是否存在人臉，如果有就在其所在的區(qū)域用一個表情包來替換，這樣就達(dá)到了我們看到的效果,。

以上三項技術(shù)都涉及到深度學(xué)習(xí)的開發(fā)工作,，他們背后都是由百度的深度學(xué)習(xí)引擎進(jìn)行支持的，這個我們會在文章的下一個部分進(jìn)行說明,。

從活動對外視頻上看,，被投放到屏幕的上吸煙員工（雖然面部被處理，但是現(xiàn)場通過體型服飾等特征還是容易被認(rèn)出來）絕大多數(shù)會快速終止其吸煙行為,，出現(xiàn)這樣的結(jié)果在社會學(xué)中是有理論依據(jù)的,，曾有學(xué)者做過實(shí)驗(yàn)，對于阻止那些需要道德約束的不良行為,，有交互的提示會比靜態(tài)的提示有效很多,，比如飯店中禁止吸煙的標(biāo)識即使擺在吸煙者的面前，對其的約束力也遠(yuǎn)遠(yuǎn)比不上服務(wù)員親自出面提示,，真正的問題在于并不是所有場合都能有這樣一個勇敢的「服務(wù)員」來充當(dāng)這個「有交互的提示者」,，而這個項目讓我們看見了通過 AI 技術(shù)來打造這樣一個無處不在、任何時間都可以發(fā)出警告的提示者的可能,。

「幕后玩家」-深度學(xué)習(xí)引擎

深度學(xué)習(xí)引擎被認(rèn)為是 AI 時代的操作系統(tǒng),，就好比 PC 時代的 windows 或者移動時代的 Android。深度學(xué)習(xí)引擎大致可以表述為這樣：深度學(xué)習(xí)引擎是一套幫助開發(fā)者完成各種深度學(xué)習(xí)模型訓(xùn)練任務(wù)的解決方案,。通過這樣的解決方案,，可以讓深度學(xué)習(xí)的研發(fā)工作者把更多的精力放在解決業(yè)務(wù)問題而非一些復(fù)雜、工作量巨大的基礎(chǔ)編程工作,。此外,，一個良好的深度學(xué)習(xí)引擎可以讓模型的訓(xùn)練工作更加快速高效，節(jié)省更多的時間和計算資源成本,，這對于有大規(guī)模業(yè)務(wù)需求的企業(yè)級用戶來說,，就顯得非常重要。這項技術(shù)會連接 AI 產(chǎn)業(yè)鏈底層的硬件計算資源以及上層的各種應(yīng)用層面的 AI 技術(shù),，處在一個非常關(guān)鍵的位置,，是科技巨頭的必爭之地。

還是拿剛才提到的 AI 控?zé)燀椖颗e例子,，這里面依賴了三種 AI 技術(shù)能力,，而這三項技術(shù)能力有著共同的源頭—百度的自研深度學(xué)習(xí)引擎 PaddlePaddle。其中吸煙動作的識別是通過采集,、標(biāo)注圖像中的吸煙行為后,，基于 PaddlePaddle 框架直接訓(xùn)練出來的，據(jù)官方說法,，大概使用了數(shù)萬張樣本數(shù)據(jù),，經(jīng)過 40 多輪模型訓(xùn)練得到了一個準(zhǔn)確率在 80% 左右的模型,；圖像中人物檢測和提取使用的是 PaddlePaddle 中開源的 SSD 目標(biāo)檢測算法；確定人臉位置使用的人臉檢測的技術(shù)接口,，但接口背后的人臉檢測模型也是基于 PaddlePaddle 框架訓(xùn)練得到的,。

SSD 目標(biāo)檢測：https://github.com/PaddlePaddle/models/blob/develop/ssd/README.cn.md

人臉檢測：http://ai.baidu.com/tech/face/detect

這個項目主要采用的 SSD 模型是目標(biāo)檢測領(lǐng)域效果最好的算法之一，有著檢測速度快且檢測精度高的特點(diǎn),。如下展示了 SSD 網(wǎng)絡(luò)的整體結(jié)構(gòu)：

圖中每個矩形框代表一個卷積層,，最后兩個矩形框分別表示匯總各卷積層輸出結(jié)果和后處理階段。在預(yù)測階段,，網(wǎng)絡(luò)會輸出一組候選矩形框,，每個矩形包含：位置和類別得分。圖中倒數(shù)第二個矩形框即表示網(wǎng)絡(luò)的檢測結(jié)果的匯總處理,。由于候選矩形框數(shù)量較多且很多矩形框重疊嚴(yán)重,，這時需要經(jīng)過后處理來篩選出質(zhì)量較高的少數(shù)矩形框，主要方法有非極大值抑制（Non-maximum Suppression）,。

從 SSD 的網(wǎng)絡(luò)結(jié)構(gòu)可以看出,，候選矩形框在多個特征圖上生成，不同的特征圖具有的感受野不同,，這樣可以在不同尺度掃描圖像,，相對于其他檢測方法可以生成更豐富的候選框，從而提高檢測精度,；另一方面 SSD 對 VGG16 的擴(kuò)展部分以較小的代價實(shí)現(xiàn)對候選框的位置和類別得分的計算,，整個過程只需要一個卷積神經(jīng)網(wǎng)絡(luò)完成，所以速度較快,。

目前主流的深度學(xué)習(xí)引擎有十余種,，其背后是各個科技巨頭（如 TensorFlow-谷歌、CNTK-微軟,、MXNET-亞馬遜,、Pytorch-臉書等）的支持，而 PaddlePaddle 是目前唯一一個由中國企業(yè),，即百度,，研發(fā)和支持的項目，目前正處于快速發(fā)展中,。