雷鋒網(wǎng)按：視頻直播行業(yè)在前幾年迎來了井噴式爆發(fā)，隨著人工智能技術(shù)的逐漸成熟，視頻的解決方案也在不斷完善，例如大數(shù)據(jù)、智能追蹤、直播互動(dòng)、廣告精準(zhǔn)推薦等，這些都在潛移默化中提升視頻的用戶體驗(yàn)，并且也給視頻行業(yè)帶來了新的商業(yè)模式。

那么人工智能在視頻應(yīng)用場(chǎng)景中究竟能發(fā)揮哪些作用？二者結(jié)合能帶來哪些新的商業(yè)應(yīng)用？

本期硬創(chuàng)公開課，雷鋒網(wǎng)邀請(qǐng)到了Video++人工智能事業(yè)部研發(fā)Team Leader張奕為大家講解人工智能在消費(fèi)級(jí)視頻場(chǎng)景中的應(yīng)用。

嘉賓簡介

 

張奕：Video++人工智能事業(yè)部研發(fā) Team Leader，中科院博士，研究領(lǐng)域包括深度學(xué)習(xí)、多媒體、計(jì)算機(jī)視覺、模式識(shí)別及視頻處理，原美國Autodesk研究院計(jì)算機(jī)視覺專家，擁有數(shù)項(xiàng)技術(shù)發(fā)明專利，在ICPR、ICVR等知名國際會(huì)議及Journal of Multimedia等國際期刊中發(fā)布過數(shù)篇論文。

Video++專注于消費(fèi)級(jí)視頻大流量場(chǎng)景的AI科技公司，以視覺識(shí)別和大數(shù)據(jù)為基礎(chǔ)，實(shí)現(xiàn)視頻場(chǎng)景匹配和廣告自動(dòng)投放，實(shí)現(xiàn)在視頻中的購物，百科，虛擬植入，卡牌互動(dòng)，投票，發(fā)紅包等互動(dòng)功能，為觀眾提供新型的互動(dòng)體驗(yàn)。

截至日前，服務(wù)的10000多家企業(yè)包括樂視視頻、芒果TV、愛奇藝、風(fēng)行網(wǎng)、浙江衛(wèi)視中國藍(lán)等綜合平臺(tái)，斗魚直播、戰(zhàn)旗直播、熊貓直播等直播平臺(tái)，以及Zealer、日日煮、小李子足球等垂直網(wǎng)站和社區(qū)，每月為平臺(tái)提供超過101億次的服務(wù)。

以下內(nèi)容整理自本期公開課，雷鋒網(wǎng)做了不改變?cè)獾木庉嫞?/span>

大家好，我是來自Video++團(tuán)隊(duì)的張奕。Video++成立2年多來，一直致力于消費(fèi)級(jí)視頻領(lǐng)域的技術(shù)產(chǎn)品的研發(fā)，利用人工智能技術(shù)實(shí)現(xiàn)視頻內(nèi)容的分析和識(shí)別。今天就給大家分享一下Video++團(tuán)隊(duì)利用人工智能技術(shù)在消費(fèi)級(jí)視頻垂直領(lǐng)域的應(yīng)用的技術(shù)和心得。

一、消費(fèi)級(jí)視頻的特點(diǎn)

消費(fèi)級(jí)視頻作為視頻的一個(gè)子類，當(dāng)然具有相對(duì)于靜態(tài)圖像所具有的特點(diǎn)。即在時(shí)間維度上，能夠?qū)?nèi)容識(shí)別提供重要的幫助，是統(tǒng)計(jì)算法斟酌如何有效利用的重要因素。具體有以下特點(diǎn)：

數(shù)據(jù)量大

類別多樣

場(chǎng)景復(fù)雜

一般而言，視頻一般分為兩大類：消費(fèi)級(jí)視頻和工業(yè)級(jí)視頻。工業(yè)級(jí)視頻指的是利用固定設(shè)備在固定條件、固定場(chǎng)景下拍攝的視頻。常見的有安防視頻。很顯然，消費(fèi)級(jí)視頻相對(duì)于前者而言更加復(fù)雜。下面就來看一下其相對(duì)于其他視頻產(chǎn)品的不同。

1、數(shù)據(jù)量大

這是消費(fèi)級(jí)視頻的第一個(gè)特點(diǎn)。隨著互聯(lián)網(wǎng)的發(fā)展壯大，很多產(chǎn)品的數(shù)據(jù)都通過互聯(lián)網(wǎng)和云端進(jìn)行傳輸和存儲(chǔ)。數(shù)據(jù)量大也使得消費(fèi)級(jí)視頻的商業(yè)價(jià)值的潛力變得巨大，與此同時(shí)這也給人工智能算法處理提出了更高的要求。算法運(yùn)行時(shí)，必須考慮到計(jì)算的速度，且要在合理的時(shí)間里對(duì)大量的數(shù)據(jù)進(jìn)行分析和處理。

2、類別多樣

再來看消費(fèi)級(jí)視頻的第二個(gè)特點(diǎn)。其實(shí)其本身可分為很多種類，如電影、綜藝、體育和廣告，還有這兩年非?；鸬闹辈?、短視頻等等。這些子類的消費(fèi)者視頻的內(nèi)容形式之間又存在著很大的差異，所以也給不同子類的通用算法提出巨大的挑戰(zhàn)。

3、場(chǎng)景復(fù)雜

上文也提到，工業(yè)級(jí)視頻由于條件固定，所以場(chǎng)景單一，而消費(fèi)者視頻則來源多樣，后期還有很多加工，從而場(chǎng)景更加復(fù)雜。在消費(fèi)者視頻里，經(jīng)常能看到場(chǎng)景的切換、縮放和拼接，還有字幕，淡入淡出等功效設(shè)置。在很多消費(fèi)者視頻中，如舞臺(tái)綜藝節(jié)目的頻繁移動(dòng)，交接的改變，都會(huì)對(duì)整體或者局部產(chǎn)生模糊。以上因素都會(huì)對(duì)人工智能分析視頻內(nèi)容產(chǎn)生一定程度的干擾，這就要求人工智能算法需要具備更高的魯棒性，以減少這些因素帶來的干擾。

二、人工智能的發(fā)展與消費(fèi)級(jí)視頻的分析

再來了解一下人工智能技術(shù)在消費(fèi)級(jí)視頻領(lǐng)域的應(yīng)用，以及過去、現(xiàn)在和將來會(huì)達(dá)到什么程度。

人工智能在消費(fèi)級(jí)視頻中最重要的功能是目標(biāo)追蹤、檢測(cè)和識(shí)別。與工業(yè)級(jí)視頻相比，消費(fèi)級(jí)視頻最大的區(qū)別在于其需要編輯、策劃和互動(dòng)，這是我們可以介入的地方。像娛樂綜藝、在線直播等還有很大的剩余價(jià)值有待開發(fā)。利用人工智能技術(shù)對(duì)物體、人臉、場(chǎng)景、品牌進(jìn)行系列結(jié)構(gòu)篩選后，就能得到這個(gè)視頻里在何時(shí)何地出現(xiàn)了什么人物、物體、場(chǎng)景和品牌的信息。然后再在這一基礎(chǔ)上對(duì)物體進(jìn)行結(jié)構(gòu)化，就能產(chǎn)生極大的商業(yè)價(jià)值。

目前來看，在視頻中加入廣告等都需要人工操作，如果采用人工智能技術(shù)來完成這些工作，則能很大程度節(jié)省時(shí)間，降低成本。建立視頻結(jié)構(gòu)化數(shù)據(jù)庫以后，經(jīng)過關(guān)鍵詞的篩選，用戶可以批量化、精準(zhǔn)化地進(jìn)行廣告投放，這套系統(tǒng)就能將應(yīng)用市場(chǎng)、廣告電商和消費(fèi)者關(guān)聯(lián)起來，實(shí)現(xiàn)視頻商業(yè)的結(jié)構(gòu)。

從以上可以看出，人工智能在消費(fèi)級(jí)視頻領(lǐng)域具有巨大的商業(yè)價(jià)值。但是，要實(shí)現(xiàn)以上的應(yīng)用設(shè)計(jì)，還必須依賴技術(shù)的發(fā)展。人工智能技術(shù)從上世紀(jì)30年代伊始，至今已有80年的發(fā)展歷程，也經(jīng)歷了好幾次的技術(shù)飛躍。具體如上表所示，其中最近也是最重要的一次飛躍是在2010年——深度學(xué)習(xí)技術(shù)在識(shí)別中的應(yīng)用。

在深度學(xué)習(xí)技術(shù)應(yīng)用之前，人工智能識(shí)別技術(shù)也在不斷發(fā)展，但是在實(shí)際應(yīng)用中，算法準(zhǔn)確率與產(chǎn)品商業(yè)化要求之間還存在較大的差距。深度學(xué)習(xí)技術(shù)的出現(xiàn)，極大的提升了算法的準(zhǔn)確率，拉低了其與產(chǎn)品商業(yè)化要求的差距，使得人們看到了人工智能技術(shù)近年來在消費(fèi)級(jí)視頻等相關(guān)領(lǐng)域應(yīng)用的希望。

三、如何構(gòu)建基于深度學(xué)習(xí)的消費(fèi)級(jí)視頻分析系統(tǒng)

在這一部分，我將從Video++在消費(fèi)級(jí)視頻領(lǐng)域運(yùn)用人工智能技術(shù)的相關(guān)實(shí)例和心得為大家講述如何構(gòu)建基于深度學(xué)習(xí)的消費(fèi)級(jí)視頻分析系統(tǒng)。

大體來看，構(gòu)建這一系統(tǒng)需要設(shè)計(jì)算法框架和工程化框架。其中，算法框架是基礎(chǔ)。

1、構(gòu)建基于深度學(xué)習(xí)的消費(fèi)級(jí)視頻分析系統(tǒng)的要素

構(gòu)建基于深度學(xué)習(xí)的消費(fèi)級(jí)視頻分析系統(tǒng)主要包括三種算法。

首先第一個(gè)是深度學(xué)習(xí)算法。如圖所示，其中就包括樣本的選擇、識(shí)別和標(biāo)注，模型的設(shè)計(jì)以及訓(xùn)練測(cè)量。

其次是計(jì)算機(jī)視覺&圖像處理。因?yàn)檫@里涉及消費(fèi)級(jí)視頻領(lǐng)域，所以必須借助這一算法對(duì)視頻進(jìn)行必要的預(yù)處理，從而為深度學(xué)習(xí)做儲(chǔ)備。那么這其中就包括目標(biāo)檢測(cè)、跟蹤和圖像變換。

此外還包括其他一些算法，如統(tǒng)計(jì)模型等。

以上算法都是涉及構(gòu)建消費(fèi)級(jí)視頻分析系統(tǒng)需要借助的基礎(chǔ)算法，那么，選擇算法的標(biāo)準(zhǔn)又是什么？主要與以下兩個(gè)因素有關(guān)：

準(zhǔn)確率

速度

消費(fèi)級(jí)視頻分析系統(tǒng)除了對(duì)準(zhǔn)確率要求高之外，由于要分析規(guī)模龐大的數(shù)據(jù)，對(duì)處理速度要求也非常的高。不過，這兩項(xiàng)指標(biāo)本身是存在沖突的。因?yàn)闇?zhǔn)確率更高的系統(tǒng)通常需要消耗更高的計(jì)算時(shí)間，而處理速度快的算法相對(duì)而言準(zhǔn)確率會(huì)更低，所以在設(shè)計(jì)算法框架時(shí)需要在二者之間找到最優(yōu)的平衡點(diǎn)。

下面我將從深度學(xué)習(xí)算法框架開始，具體談?wù)勥@個(gè)算法中的設(shè)計(jì)要點(diǎn)。

1）深度學(xué)習(xí)：樣本采集和標(biāo)注

在研究深度學(xué)習(xí)算法中，往往最主要關(guān)注深度神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)，而訓(xùn)練和測(cè)試樣本一般是采用公共的數(shù)據(jù)集，以便和其他的算法進(jìn)行比較。所以訓(xùn)練樣本的采集和標(biāo)注也不是那么的重要。但是在消費(fèi)級(jí)視頻分析系統(tǒng)運(yùn)用到具體場(chǎng)景的應(yīng)用中，訓(xùn)練樣本的采集和選擇就顯得尤為重要。這是由深度學(xué)習(xí)的特點(diǎn)來決定的。

訓(xùn)練一個(gè)深度學(xué)習(xí)模型，需要大量經(jīng)過良好訓(xùn)練標(biāo)注的樣本。這些樣本的質(zhì)量直接決定了訓(xùn)練所得到的模型的泛化的程度。沒有足夠多的標(biāo)注的數(shù)據(jù)，即使有好的網(wǎng)絡(luò)模型，也是巧婦難為無米之炊，無法訓(xùn)練出好的結(jié)果。

Video++在數(shù)據(jù)收集和標(biāo)注上積累了大量的數(shù)據(jù)。數(shù)據(jù)的收集包括兩類重要的方式，一是由專業(yè)的團(tuán)隊(duì)進(jìn)行離線的數(shù)據(jù)收集和標(biāo)注，作為初始模型的訓(xùn)練數(shù)據(jù)。二是由離線收集的訓(xùn)練數(shù)據(jù)得到初始模型，然后在線上測(cè)試得到反饋數(shù)據(jù)，從中挑選錯(cuò)分的樣本，再經(jīng)過人工的標(biāo)注后，將其加入訓(xùn)練數(shù)據(jù)集里面，對(duì)模型模型進(jìn)行持續(xù)的訓(xùn)練和分析。我們認(rèn)為在不久的將來，待標(biāo)注的數(shù)據(jù)將成為一項(xiàng)技術(shù)壁壘，因?yàn)樗苯記Q定了訓(xùn)練模型得到的數(shù)據(jù)的準(zhǔn)確率。

樣本的收集中還有一個(gè)值得注意的問題采集的訓(xùn)練樣本必須與應(yīng)用環(huán)境中的樣本分布盡量保持一致。以消費(fèi)級(jí)視頻分析為例，訓(xùn)練樣本必須盡量從消費(fèi)級(jí)視頻里收集，最大限度地使訓(xùn)練樣本與應(yīng)用環(huán)境樣本分布保持一致。如果從其他數(shù)據(jù)源，如工業(yè)級(jí)視頻或靜態(tài)圖像中獲取訓(xùn)練樣本，則會(huì)降低在消費(fèi)級(jí)視頻的測(cè)試的準(zhǔn)確率。

2）深度學(xué)習(xí)：模型的選擇與設(shè)計(jì)

標(biāo)注樣本數(shù)據(jù)之后，我們就要針對(duì)應(yīng)用的類別和樣本的特點(diǎn)選擇對(duì)應(yīng)的模型類型和訓(xùn)練方式。如單禎的分類應(yīng)用通常選擇卷積神經(jīng)網(wǎng)絡(luò)模型，時(shí)間序列建模相關(guān)的分類應(yīng)用則選擇遞歸神經(jīng)網(wǎng)絡(luò)模型。選定模型類別之后，根據(jù)應(yīng)用的復(fù)雜程度和訓(xùn)練樣本的大小選擇模型的深度。

原則上來說，越深的模型應(yīng)用效果更好，但前提是要有足夠多的樣本來支持。另外，更深的模型也會(huì)對(duì)硬件容量大小提出更高的要求。對(duì)于硬件愛好者或者創(chuàng)業(yè)初期的公司來說，硬件條件也是選擇訓(xùn)練模型的深度需要考量的一個(gè)因素。

而訓(xùn)練方式中面臨的一個(gè)困難選擇在于，是用訓(xùn)練樣本從頭開始訓(xùn)練模型，還是在大規(guī)模訓(xùn)練集上得到的通用訓(xùn)練模型的基礎(chǔ)之上，再用樣本進(jìn)行數(shù)據(jù)的微調(diào)。這個(gè)微調(diào)是由訓(xùn)練收集的樣本大小來決定的。如果訓(xùn)練樣本規(guī)模不足，那么可以考慮采用以通用模型作為初始化參數(shù)，然后再在收集的樣本上進(jìn)行數(shù)據(jù)微調(diào)的方案。具體有哪些層的參數(shù)可以進(jìn)行微調(diào)呢？也是由訓(xùn)練樣本規(guī)模和應(yīng)用問題來決定的。

2、視頻分析算法總體框架的設(shè)計(jì)

在訓(xùn)練好了深度學(xué)習(xí)模型之后，我們并不能完整解決消費(fèi)級(jí)視頻的問題。一個(gè)端到端的視頻分析系統(tǒng)，必須需要計(jì)算機(jī)視覺和深度學(xué)習(xí)識(shí)別技術(shù)的配合。

計(jì)算機(jī)視覺算法主要負(fù)責(zé)視頻的預(yù)處理，包括

視頻結(jié)構(gòu)的分割

目標(biāo)軌跡的提取

目標(biāo)圖像的處理

識(shí)別結(jié)果的處理

這些工作為深度學(xué)習(xí)網(wǎng)絡(luò)模型提供數(shù)據(jù)輸入、計(jì)算機(jī)視覺和統(tǒng)計(jì)算法，還負(fù)責(zé)對(duì)深度網(wǎng)絡(luò)模型輸出的結(jié)構(gòu)進(jìn)行后處理，生成最真的視頻分析結(jié)果。

3、工程化

在有了算法架構(gòu)之后，已經(jīng)能夠?qū)崿F(xiàn)應(yīng)用所要求的功能，做成演示系統(tǒng)，但要滿足產(chǎn)品化的要求還需要精心設(shè)計(jì)后的工程構(gòu)架。工程化的構(gòu)架所要解決的問題是讓算法在生產(chǎn)的高密發(fā)狀態(tài)下生成快速的運(yùn)行，提供穩(wěn)定的服務(wù)。為了達(dá)到這一目的，工程化可以從以下方面進(jìn)行優(yōu)化：

首先是算法的并行化。這其中就包括單一算法內(nèi)部代碼的優(yōu)化和多算法模塊之間的并行化。

此外，為了處理高并發(fā)，需要設(shè)置有效的分布式系統(tǒng)和多任務(wù)調(diào)度系統(tǒng)。

由于不同的算法模塊對(duì)GPU/CPU的計(jì)算資源分配不同，需要對(duì)算法模塊進(jìn)行分割，分配不同的GPU/CPU資源。

最后還要還需要設(shè)置合理的任務(wù)優(yōu)先級(jí)處理程序，對(duì)高優(yōu)先級(jí)的任務(wù)進(jìn)行及時(shí)的相應(yīng)。

4、以消費(fèi)級(jí)視頻中的人臉識(shí)別為例

前面談到了很多設(shè)計(jì)思路，下面我想要借助消費(fèi)級(jí)視頻中的人臉識(shí)別技術(shù)來說明下前面提到的設(shè)計(jì)原則是如何在場(chǎng)景具體應(yīng)用的。

我們?cè)谀玫揭粋€(gè)具體應(yīng)用中，需要明確系統(tǒng)的“輸入”和“輸出”。其實(shí)“輸入”很簡單，就是消費(fèi)級(jí)視頻具有場(chǎng)景多樣、數(shù)據(jù)量大等特點(diǎn)，系統(tǒng)的“輸出”是視頻結(jié)構(gòu)化的信息，結(jié)構(gòu)化的基準(zhǔn)是人臉的軌跡和軌跡識(shí)別標(biāo)簽。整個(gè)輸出是整個(gè)人臉的一個(gè)列表，列表中的每一個(gè)元素就是一條人臉軌跡。每條人臉軌跡可用一系列的標(biāo)簽來描述，如起始禎號(hào)、軌跡長度、人臉坐標(biāo)列表、識(shí)別結(jié)果標(biāo)簽和識(shí)別結(jié)果置信度等。總結(jié)這些屬性，總共包括兩方面。一是軌跡出現(xiàn)的位置和時(shí)間，第二是軌跡識(shí)別的標(biāo)簽。

由此我們可以想到，一個(gè)初步的算法設(shè)計(jì)框架，由計(jì)算機(jī)視覺的人臉檢測(cè)跟蹤算法來獲得人臉軌跡的位置時(shí)間信息，再由深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)來識(shí)別人臉的標(biāo)簽。

在開始算法設(shè)計(jì)前，需要牢記消費(fèi)級(jí)視頻場(chǎng)景負(fù)責(zé)、數(shù)據(jù)量大、類別多樣的特點(diǎn)，以及識(shí)別準(zhǔn)確率和處理速度的要求。

1）模塊一：視頻結(jié)構(gòu)化，將視頻用鏡頭分割

對(duì)于消費(fèi)級(jí)視頻而言，鏡頭的切換非常頻繁，而任何軌跡目標(biāo)的提取都應(yīng)該在單一鏡頭里面進(jìn)行的。所以鏡頭分割成為一項(xiàng)重要的預(yù)處理環(huán)節(jié)。在設(shè)計(jì)鏡頭分割模塊算法的時(shí)候，我們依然要權(quán)衡準(zhǔn)確率和處理數(shù)據(jù)速度的指標(biāo)。

在這一環(huán)節(jié)中，通常采用全局特征和局部特征相結(jié)合的方法。全局特征檢測(cè)全局顏色的分布突變，然后借用局部特征獲得的人臉識(shí)別的跟蹤結(jié)果、跟蹤軌跡的斷續(xù)來判斷視頻是否具有鏡頭切換。跟蹤來判斷鏡頭切換有一個(gè)很大的優(yōu)點(diǎn)，因?yàn)楹罄m(xù)的步驟也會(huì)采用相似的算法，所以這一步驟所需的算法是可以重復(fù)使用的。

2）模塊二：人臉軌跡提取

完成了鏡頭分割以后，就可以分割好的單一鏡頭里進(jìn)行人臉軌跡提取。在軌跡提取的算法上，同樣要考慮準(zhǔn)確率和速度的指標(biāo)。要實(shí)現(xiàn)速度和準(zhǔn)確率的平衡，可以有以下兩種途徑：

1. 間隔采樣 or 逐幀處理

2. 檢測(cè) & 跟蹤的配合

間隔采樣僅僅需要處理時(shí)間點(diǎn)上的幀，這樣就能大大降低處理的數(shù)據(jù)量，從而提升處理的速度。但是這一方法也同時(shí)丟失了時(shí)間序列的前后幀的關(guān)聯(lián)信息，會(huì)影響后續(xù)視頻的準(zhǔn)確率。由于消費(fèi)級(jí)視頻場(chǎng)景復(fù)雜的特點(diǎn)，單幀圖像的質(zhì)量往往比較差，所以我們摒棄了提取關(guān)鍵幀作為識(shí)別依據(jù)的做法，所以我們采用檢測(cè)跟蹤和逐幀的處理整條人臉軌跡進(jìn)行分析。

我們的設(shè)計(jì)思路是盡量獲得更多的幀，來彌補(bǔ)單禎質(zhì)量的不足。而在逐幀處理的策略下，我們采用的是跟蹤模塊，能夠最大限度地利用時(shí)間信息來降低獲取人臉位置的開銷。因?yàn)楦櫛葯z測(cè)的計(jì)算量要小很多。

接下來，我們?cè)O(shè)計(jì)了檢測(cè)和跟蹤算法的配合策略，同樣是為了實(shí)現(xiàn)準(zhǔn)確率和速度的平衡。在等間隔時(shí)間等量進(jìn)行人臉的檢測(cè)，以發(fā)現(xiàn)新出現(xiàn)的人臉目標(biāo)，然后對(duì)其進(jìn)行跟蹤。在跟蹤的時(shí)候，會(huì)在跟蹤框周圍進(jìn)行簡單的檢測(cè)，用檢測(cè)框?qū)z測(cè)結(jié)果進(jìn)行修正，提高檢測(cè)的準(zhǔn)確度。從而在這一情況下實(shí)現(xiàn)速度和準(zhǔn)確率的平衡的目標(biāo)。

然而，在人臉軌跡提取中還存在一些復(fù)雜情況。一個(gè)是多目標(biāo)，另一個(gè)是要注意尺度的變化。這些情況在消費(fèi)級(jí)視頻中還挺常見，需要額外的計(jì)算開銷，這也是在算法設(shè)計(jì)中需要權(quán)衡的變化。

3）模塊三：人臉識(shí)別

有了人臉軌跡之后，我們就可以開始進(jìn)行人臉的識(shí)別了。但是在將人臉數(shù)據(jù)輸入深度網(wǎng)絡(luò)之前，還需要對(duì)其進(jìn)行必要的變換和處理。其中一部分變換在針對(duì)人臉這一部分非常重要，尤其是在消費(fèi)級(jí)視頻里，那就是人臉的對(duì)齊。人臉對(duì)齊是利用人臉的特征點(diǎn)檢測(cè)定位，將各種姿勢(shì)的人臉圖像還原矯正為正臉的過程。這需要對(duì)齊的原因是，人臉識(shí)別的模型是從人的正臉圖片訓(xùn)練得到的。為了讓訓(xùn)練模型保持和應(yīng)用的一致性，人臉對(duì)齊在消費(fèi)級(jí)視頻里是必不可少的步驟。

在識(shí)別之前，對(duì)人臉數(shù)據(jù)的預(yù)處理還包括人臉質(zhì)量的評(píng)估。這一模塊的設(shè)計(jì)也是與消費(fèi)級(jí)視頻的特點(diǎn)息息相關(guān)的。由于消費(fèi)級(jí)視頻里的圖片同樣出現(xiàn)參差不齊的現(xiàn)象，所以一些低質(zhì)量的人臉識(shí)別的結(jié)果是不可信的，這將干擾最終的視頻結(jié)果。因此我們?cè)谒惴蚣苤?，加入了人臉質(zhì)量評(píng)估的算法，以過濾低質(zhì)量的人臉圖片，保證人臉數(shù)據(jù)的準(zhǔn)確率。

傳統(tǒng)的人臉質(zhì)量評(píng)估，包括客觀評(píng)價(jià)指標(biāo)和主觀評(píng)價(jià)指標(biāo)。就此，我們采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)來進(jìn)行評(píng)估。主要分為三個(gè)步驟。

1. 標(biāo)注人臉數(shù)據(jù)。從互聯(lián)網(wǎng)獲取到有信息量的圖片，截取出人臉框，根據(jù)角度、旋轉(zhuǎn)、尺度、光照等因素對(duì)樣本的質(zhì)量進(jìn)行打分，記錄分值，并將人臉截圖和分值配對(duì)，建立訓(xùn)練處理集。
   

2. 利用標(biāo)注的人臉數(shù)據(jù)離線訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入是人臉框，輸出是質(zhì)量評(píng)估分值。神經(jīng)網(wǎng)絡(luò)采用后續(xù)可以使用人臉識(shí)別相同的結(jié)果，這樣可以共享部分的權(quán)值。

3. 將每一張待輸入的人臉圖片直接輸入到質(zhì)量評(píng)估網(wǎng)絡(luò)里，再把網(wǎng)絡(luò)的輸出作為該圖片的質(zhì)量評(píng)分。這一評(píng)分可用于后續(xù)人臉識(shí)別樣本的過濾和置信度的參考。

經(jīng)過一系列的人臉識(shí)別和變換，現(xiàn)在可以開始訓(xùn)練人臉識(shí)別模型。樣本的準(zhǔn)備依然是模型訓(xùn)練最基礎(chǔ)也是最重要的一個(gè)環(huán)節(jié)。

針對(duì)消費(fèi)級(jí)視頻里的女性識(shí)別這一應(yīng)用，我們征集了超過6000位女性一共50萬張圖片進(jìn)行標(biāo)注。另外還采用了公開人臉數(shù)據(jù)集，大約涉及1萬人，50萬樣本，總的數(shù)據(jù)規(guī)模超過100萬張。根據(jù)不同的應(yīng)用要求，選擇不同的卷積神經(jīng)網(wǎng)絡(luò)模型，以平衡計(jì)算的難度和精確度。

由于新的樣本達(dá)到了足夠的規(guī)模，可以采用直接訓(xùn)練的方式。Video++利用訓(xùn)練得到的模型對(duì)人臉樣本進(jìn)行特征提取，在測(cè)試的時(shí)候，在視頻中檢測(cè)到的人臉后，同樣將其輸入到生成的特征向量里，與人臉互動(dòng)的特征向量進(jìn)行匹配，從而找到在特征空間中最接近的一個(gè)樣本。

4）模塊四：識(shí)別結(jié)果融合

以上提到的人臉識(shí)別都是針對(duì)單幀識(shí)別的圖片而言的，之前說到的系統(tǒng)識(shí)別結(jié)果都是針對(duì)整個(gè)人臉軌跡而言。因此，最后需要將人臉識(shí)別的結(jié)果與整條人臉軌跡融合起來，得到整個(gè)軌跡的識(shí)別結(jié)果。

識(shí)別結(jié)果的融合策略也有很多。簡單的有投票策略，即將尾幀的識(shí)別結(jié)果是為一票，識(shí)別結(jié)果票數(shù)最高者則為軌跡的最終識(shí)別結(jié)果。也有用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)這一融合，可以訓(xùn)練一個(gè)時(shí)間維度上的神經(jīng)，將每一幀識(shí)別出的特征向量作為網(wǎng)絡(luò)的輸入，經(jīng)過在時(shí)間維度上的一系列的參數(shù)變換得到最終的特征向量。

總結(jié)各個(gè)模塊，可以得到消費(fèi)級(jí)視頻中明星產(chǎn)品——人臉識(shí)別的總體框架。總而言之，可有四個(gè)步驟：

1. 視頻結(jié)構(gòu)的預(yù)處理，目的是把視頻按鏡頭瓜分；
   

2. 人臉軌跡的生成。用監(jiān)測(cè)跟蹤結(jié)合的策略生成單一鏡頭內(nèi)人臉的軌跡；

3. 人臉的識(shí)別。人臉圖像經(jīng)過對(duì)齊、質(zhì)量評(píng)估后，輸入人臉識(shí)別網(wǎng)絡(luò)，生成單幀識(shí)別的結(jié)果；

4. 對(duì)軌跡上各幀的識(shí)別結(jié)果進(jìn)行融合，得到軌跡的最終識(shí)別結(jié)果。

（關(guān)于技術(shù)講解的部分就到這里，下面第四部分的內(nèi)容則由Video++視頻產(chǎn)品負(fù)責(zé)人魏傳勇先生來為大家分享）

四、基于人工智能的消費(fèi)級(jí)視頻分析產(chǎn)品

Video++在技術(shù)領(lǐng)域已經(jīng)投入了很多，也有了一定的研發(fā)實(shí)力，所以給大家分享一下我們團(tuán)隊(duì)已經(jīng)商業(yè)化的AI產(chǎn)品。

Video++現(xiàn)在的AI應(yīng)用主要集中在一些國內(nèi)主流的視頻平臺(tái)，像芒果TV、樂視TV、搜狐視頻等，也有一些直播平臺(tái)，如斗魚、熊貓等。

如張奕博士在前文提及到的，Video++團(tuán)隊(duì)在消費(fèi)級(jí)視頻里借用人工智能技術(shù)，通過對(duì)人臉進(jìn)行識(shí)別以及跟蹤監(jiān)測(cè)，從而將廣告與視頻建立起相應(yīng)的關(guān)聯(lián)性，算出廣告插入的最佳時(shí)間以及位置，從而增加用戶對(duì)該品牌的好感度。

這是Video++本次分享帶來的第一個(gè)產(chǎn)品——“劇情卡牌”。該產(chǎn)品利用人工智能技術(shù)對(duì)視頻中的場(chǎng)景、物體等進(jìn)行辨識(shí)，然后去抓住與場(chǎng)景節(jié)點(diǎn)可以結(jié)合的點(diǎn)去設(shè)置劇情任務(wù)。

如這張圖片所示，該視頻中顯現(xiàn)的是一個(gè)辦公場(chǎng)景，所以“劇情卡牌”可能會(huì)從場(chǎng)景中挑選出現(xiàn)在鏡頭里的某個(gè)品牌的產(chǎn)品，設(shè)置一個(gè)與大家生活契合的主題，擬三個(gè)簡單的問題以供用戶作答。

以該視頻中某個(gè)鏡頭舉例，有一個(gè)場(chǎng)景是女主角在下雨天邊講電話邊撐傘奔跑，那么“劇情卡牌”就會(huì)針對(duì)女主角手中的手機(jī)作為任務(wù)問題，讓用戶答題。事實(shí)上，該手機(jī)品牌正是Video++服務(wù)的一家企業(yè)。

上圖演示的即為Video++的產(chǎn)品——關(guān)聯(lián)云圖。簡單來說，就是關(guān)聯(lián)視頻內(nèi)容推出與之匹配的動(dòng)態(tài)效果廣告，以可視的方式告知用戶其使用該品牌商的產(chǎn)品，可以在哪些場(chǎng)景下使用。

 “穿屏貼”也同樣是一則與消費(fèi)級(jí)視頻的廣告投放相關(guān)的AI產(chǎn)品。即將物品與視頻內(nèi)容建立關(guān)聯(lián)性，從而推送動(dòng)效廣告，點(diǎn)擊后可觀看小窗貼片。用戶在觀看視頻的過程中，看見這樣的廣告可能不致于反感，還能建立相關(guān)的趣味性。

此外，“情境中插”也是與前面提到的案例相似的產(chǎn)品。不同的在于，其能同時(shí)分析影視劇與TVC，在匹配度最高的節(jié)點(diǎn)播放中插入廣告。

Video++視頻還有一個(gè)產(chǎn)品，名為“關(guān)聯(lián)海報(bào)”。意如其名，關(guān)聯(lián)視頻內(nèi)容推送提示窗，點(diǎn)擊提示窗可觀看窗口貼片和品牌信息。

精彩問答

Q1：Video++有開放SDK嗎？

答：Video++的AI產(chǎn)品其實(shí)分為兩部分。一部分是對(duì)場(chǎng)景的辨識(shí)，這一塊是不需要SDK的，只需要達(dá)到用戶能夠辨識(shí)的使用程度。還有就是可以在播放器上增加可預(yù)選的信息，同時(shí)提供更新的服務(wù)。另一方面就是SDK，這一部分可以實(shí)現(xiàn)各種各樣的開源信息。

Q2：算法現(xiàn)在只是針對(duì)GPU和CPU進(jìn)行優(yōu)化嗎？

答：現(xiàn)在不僅僅是針對(duì)GPU和CPU優(yōu)化。我們需要在線上的基礎(chǔ)上建立多方面的提取，所以不僅要優(yōu)化GPU和CPU的訂單，還要處理各個(gè)集群之間的內(nèi)容，還有任務(wù)之間的調(diào)配。

Q3：老師提到，采集的訓(xùn)練樣本必須要與應(yīng)用環(huán)境中的樣本分布盡量保持一致，但深度學(xué)習(xí)的訓(xùn)練需要采集大量的數(shù)據(jù)，那么在數(shù)據(jù)收集方面您有哪些好的建議？

答：由于針對(duì)某一具體應(yīng)用，我們不可能收集到大量的訓(xùn)練樣本，所以在這種情況下就可以采用一個(gè)有效的方式：在一個(gè)基礎(chǔ)的訓(xùn)練之上，首先訓(xùn)練一個(gè)基礎(chǔ)模型，然后再去收集跟你應(yīng)用相關(guān)的數(shù)據(jù)，再在這一訓(xùn)練模型上利用相關(guān)數(shù)據(jù)進(jìn)行參數(shù)微調(diào)。這樣就能用少量的標(biāo)注樣本達(dá)到目的。

Q4：Video++現(xiàn)在的人臉識(shí)別的準(zhǔn)確率能達(dá)到多少？

答：70%左右。包括人臉對(duì)齊，人臉檢測(cè)的多個(gè)環(huán)節(jié)。

Q5：Video++除了廣告推薦以外，還有其他的產(chǎn)品嗎？

答：廣告推薦是我們的一個(gè)方向，因?yàn)楝F(xiàn)在一些產(chǎn)品在這一領(lǐng)域的商業(yè)化也比較成熟。未來還會(huì)往新的方向去研究。

Q6：Video++支持多個(gè)人臉識(shí)別嗎？那這一塊的準(zhǔn)確率是多少呢？

答：Video++本身設(shè)計(jì)的就是以多人臉識(shí)別的算法。如前文提到的，準(zhǔn)確率在70%左右。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。