但也有人極力反駁：“相關技術已經比較成熟，口罩識別沒有什麽問題，相關産品目前已經成功商用了。”
數據來自：智慧芽全球數據庫
此技術關鍵點是建立遮擋人臉圖像庫，具體來說就是在判斷需要識別的人臉圖像上有遮擋物（例如眼鏡、口罩等）時，將遮擋物提取出來並增加到參考數據庫中未遮擋的人臉圖像上。
例如在判斷出待識別人臉有佩戴眼鏡時，就提取出眼鏡特征並在原圖像庫的基礎上新建一個戴眼鏡的參考圖像庫，再將需要識別的人臉圖像與該庫中的參考圖像進行匹配查找，從而完成識別。
華爲之外，阿裏也申請了相關專利。
此前阿裏則用“局部特征細化與整體相似度評估”的方式來提高准確率，他們通過綜合局部器官圖像匹配技術完成識別，此時局部器官不僅可以是眼睛圖像、鼻子圖像、嘴巴圖像和耳朵圖像等，還可以是下巴區域、臉部輪廓、胎記或黑痣圖像等等。
根據面部多個局部器官的相似度評估指標和對應的權重，得到整體相似度評估指標，從而獲取更精確的遮擋下的面部識別結果。
當然，國內人工智能企業在人臉識別領域也有大量專利，比如的盧深視。
的盧深視是一家專注于計算機視覺和人工智能的創業公司，爲安防、金融、教育等領域提供解決方案，目前他們已經在多個領域拿下數個千萬級別的項目訂單。
“有遮擋面部識別本來就屬于技術研發規劃中的既定項目，此前主要針對墨鏡、大檐帽等。”
的盧深視副總裁朱海濤博士告訴雷鋒網，在安防領域，遇到識別口罩等技術需求再平常不過了。
據悉，此前他們在某邊疆省份落地3000多套3D設備，並建立了省級規模的人像數據庫，使用將近5年的過程中，采集得到的實戰數據千億級別，累計ID近3000萬，裏邊涉及太多個性化識別，在解決部分面部遮擋方面有很多的技術積累。
針對口罩識別，朱海濤博士提到，短時間內主要通過模擬生成戴口罩數據，從而優化人臉識別算法模型。期間，主要關注兩個點：
一是訓練數據規模，通常都是數十萬到百萬級別，在圖像質量有保障的前提下，規模越大，通常優化效果越好。
這就帶來了第二個關注點，廠商很難在短時間內采集得到數十萬的戴口罩數據，這個時候就要采用模擬的方法，具體而言：
二維：一般廠商通常的做法是，根據二維圖片上的人臉關鍵點，將二維的口罩貼圖和二維圖片中的人臉做一個對齊，然後根據口罩的mask圖來完成填加口罩操作。
三維：而的盧深視選擇先重建三維人臉模型，再將口罩的三維模板模型與三維人臉模型做非剛性對齊，從而完成模擬加口罩的操作。
總結來說，的盧深視基于人臉全局特征及局部特征相結合的方法，同時充分利用人臉未遮擋部位的三維幾何信息進行三維人臉識別研究，相對于普通的二維人臉識別能夠有效應對戴口罩等遮擋場景的人臉識別。
據悉，依托3D數據的豐富特征，針對戴口罩、戴帽子、戴防護鏡等嚴重遮擋情況，通過算法優化，的盧深視的技術識別准確度可以達到97%以上。
“目前，我們的技術方案已經在全國多個地市落地應用。”朱海濤博士提到。
譬如在溫州，爲了平衡居民生活與防疫措施，溫州在全市範圍內實行村（居）民出行管控措施，要求全市每戶家庭每兩天指派一名家庭成員采購物資。
爲了此項管控舉措更安全有效的實施，的盧深視利用 3D視覺人臉比對終端設備搭配三維人像數據平台，形成人臉比對及快速建庫方案，在出入口進行刷臉核驗，實現出入人員管控，同時對新增人員進行快速入庫操作，後台大數據系統實時繪制人員行爲軌迹，爲疫情排查提供依據。
“真正成立口罩識別相關研究是在1月中旬啓動，落地是在一月底，大概2周時間，落地部署之後，我們一直在持續調優。”
朱海濤博士補充道。
值得一提的是，目前的盧深視該方案已入選由中華人民共和國應急管理部主辦的應急裝備綜合信息服務平台，第一時間響應國家和政府的應急需求保障。
無論是從華爲、阿裏的技術專利出發，還是從的盧深視的落地案例來看，相關廠商們在此之前就已經考慮到了人臉識別遮擋的情況，並做出全方位的技術突破。
由此也可以得出結論：口罩識別等小衆需求在某些場景已是大衆問題，隨著AI使用場景的愈加多元，相關技術也定會不斷革新。
新技術的突破與應用固然有著諸多不足與弊端，但也是社會發展的必然，不加分辨地完全認可和全盤否定都是不可取的。
找出問題、解決問題，多一些耐心、少一些戾氣，才是技術發展的主旋律和應該有的節奏。
4
針對戴口罩場景下通過人臉識別進行身份核驗這一熱點問題，雷鋒網AI掘金志深度采訪了的盧深視相關專家，以下是全部內容，雷鋒網作了不改變原意的整理與編輯：
1、如何定義“戴口罩人臉識別”？
戴口罩人臉識別是指在正確佩戴口罩的情況下，實現非接觸式的人的身份核驗，即明確“你是誰”。
戴口罩人臉識別屬于遮擋人臉識別，要求在可接受的誤識別率範圍內，達到較好的正確識別率。戴口罩人臉識別涉及的算法除了人臉檢測、關鍵點檢測和人臉特征提取算法外，還包括口罩（有無）檢測或口罩區域檢測。
2、是否需要保障露出多少面部特征？
由于嘴部區域和鼻子區域受到了遮擋，對人臉識別帶來了很大的挑戰。一般而言，口罩遮擋部位越小，人臉識別模型的性能越高。
以的盧深視的三維口罩遮擋人臉識別解決方案爲例，在正確佩戴口罩的場景下即可成功識別。
3、戴口罩人臉識別的技術原理是什麽？
的盧深視基于人臉全局特征及局部特征相結合的方法，同時充分利用人臉未遮擋部位的三維幾何信息進行三維人臉識別研究，相對于普通的二維人臉識別能夠有效應對戴口罩等遮擋場景的人臉識別。
4、戴口罩識別有哪些技術難點？
· 戴口罩人臉的人臉檢測和人臉關鍵點檢測的精度受到口罩遮擋的影響會降低；
· 由于口罩遮擋，人像信息減少，學習到的特征的判別性隨之較少。具體的，二維紋理信息會由于遮擋而丟失、三維形狀信息會帶有噪聲；
· 口罩類型比較多且口罩遮擋程度不一，如何更多地利用非遮擋區域的信息也是一個影響因素。
5、如何提升戴口罩識別的准確率？
簡單講講通過模擬生成戴口罩數據，從而優化人臉識別算法模型這種研究方法。
的盧主要關注兩個點，一個是訓練數據規模，通常都是數十萬到百萬級別，在圖像質量有保障的前提下，規模越大，通常優化效果越好。
這就帶來了第二個關注點，我們很難在短時間內采集得到數十萬的戴口罩數據，這個時候就要采用模擬的方法，具體而言：
· 二維：通常的做法是，根據二維圖片上的人臉關鍵點，將二維的口罩貼圖和二維圖片中的人臉對齊，然後根據口罩的mask圖來完成填加口罩操作。
· 三維：先重建三維人臉模型，再將口罩的三維模板模型與三維人臉模型進行非剛性對齊，從而完成模擬加口罩的操作。
的盧深視成立5年落地多個項目，並幫助某邊疆省份建立了省級規模的3D人像數據庫，積累大量實戰數據。由于實戰數據的豐富性，爲的盧深視能夠迅速開展更多前沿研究奠定了基礎。
6、相關方案對使用環境的大小、優劣有要求嗎？
由于3D技術的優勢，我們的方案支持大庫建庫以及精准識別，可以在學校、醫院、校區等人流量較大的場景使用。
7、疫情之後，對于技術發展趨勢，你如何判斷？
省市級別的人員數據庫建設會成爲趨勢。（其實此次疫情從武漢蔓延到多地，也是由于人員數據的跨區域追蹤不到，加速了疫情蔓延）