【開箱測試】開機即用的研華AI人臉辨識系統

Posted By 許 哲豪 on 12 月 22, 2020 in Intel, 產品新訊, 開箱文 | 0 comments

作者：許哲豪（Jack）

很高興此次受到研華科技(Advantech)邀約協助測試最新「AI人臉辨識運算智能系統」，這是一款性價比不錯且高度整合的硬體組合，搭配和人臉辨識大廠訊連科技(CyberLink)共同合作開發的工業APP「FaceView」及Intel VPU加開源AI推論工具包OpenVINO (Open Visual Inferencing and Neural Network Optimization Toolkit)，開機即可使用，不用自己安裝一堆套件及複雜學習便可輕鬆建立VIP及黑名單客戶，在門禁系統、會員管理等應用相當方便。

對於有能力進行程式開發的客戶，亦提供相關的軟體開發套件(SDK)以利更複雜的應用。以下就簡單從「人臉辨識基準」、「系統環境及應用場景」、「操作介面及步驟」、「二次開發環境」、「測試結果」等方面來幫大家介紹一下。

人臉辨識基準

「人臉辨識」大概是做人工智慧應用最容易入門也最難做到完美的一種應用，就像蛋炒飯看似簡單，只要一個動作沒作好，調味料份量不精確，就無法吃到一份完美的蛋炒飯。同樣地，人臉辨識也是如此，大家都會作，也都說自己很厲害，但誰說了算，一直都是各說各話，直到美國國家標準暨技術研究院(NIST)推出「臉部辨識技術基準測試 (Face Recognition Vendor Test, FRVT)」[1]才有了較公正的第三方認證機制，吸引全世界頂尖團隊提交算法，猶如華山論劍，各憑本事。這項測試自2017年2月後隨時可提交，持續進行，NIST每隔一段時間會整理出一份報告，讓大家知道各家在不同測試項目上的排名。

為了保持測試的公正性，FRVT的測試資料集是不公開的，但有給出一些測試集照片的定義[2]，如兒童剝削照片(Child exploitation images)、簽證照片(VISA images)、一般應用(Application images)、嫌疑人照片(Mugshot Images)、過境照片(Border crossing images)及實境照 (Wild images)等。如Fig. 1所示，前兩項是在較受控的環境下拍攝而得，具有高清晰度、尺寸固定及穩定光照等條件，而後兩項影像品質則較差，可能有模糊、尺寸過小、非正面、光照、部份遮蔽及背景複雜等問題，而後者更接近實際應用情境。

Fig. 1 FRVT測試集影像定義，(a)簽證照片(VISA)，(b) 嫌疑人照片(Mugshot)，(c) 實境照(Wild)，(d)過境查驗照片(Border)。[2]

目前FRVT提供四種測試，單張對單張辨識(1:1)、單張於資料集中辨識及檢索(1:N)、影像變形（偽造）(Morph)及質量評估(Quality)等四大類[1]，一般人臉辨識應用，前兩項就足夠應付，而1:N可視為1:1的延伸，主要用於像門禁、會員系統，快速查找及辨識是否為特定人員。

以1:1舉例，其主要辨識能力以誤識率(False Match Rate, FMR或可稱False Acceptance Rate, FAR)及拒識率(False Non-Match Rate, FNMR或可稱False Rejection Rate, FRR)這兩項指標，其計算公式如下所示。

拒識率(FNMR) = 應判True但為False的數量 / 所有True的數量

誤識率(FMR) = 應判False但為True的數量 / 所有False的數量

用更通俗一點的說法，誤識率就是把不該出現的人認成合法人員的機率，而拒識率則為合法人員被當成不合法人員。前者誤判會導致嚴重損失（如以人臉辨識的提款機盗領等），而後者只是造成使用不便，多辨識兩次通常就能解決，所以最理想的情況是誤識率及拒識率都要接近零。

另外單從統計角度來看誤識率(FMR)及拒識率(FNMR)可能還不夠清楚，因為這兩組數字會有連動關係，若想了解在不同誤識率下的辨識能力，通常會以一組曲線來表示。如Fig. 2所示，橫軸為誤識率，最右側為誤識率1.0(即100%誤判)，越往左誤識率越低，即要求越嚴格；縱軸為拒識率，最下方為無拒識0.0(即100%判對)，越上方拒識率越高，即辨識能力越差。

為方便呈現其主要變化區域，Fig. 2圖示中兩軸皆以對數表示。所以從Fig. 2中可看出，當誤識率要求越低，其拒識率會隨之提高，反之當不要求誤識率時，拒識率也隨之變低，系統變得沒有辨識能力。

Fig. 2 NIST FRVT 1:1 報告之簽證照片(VISA)誤識率(FMR)與拒識率(FNMR)變化關係圖。[2]

系統環境及應用場景

本次測試「AI人臉辨識運算智能系統」的硬體主要是使用研華Ei-A100 [3] （亦適用於同級產品AIR-100），如Fig. 3所示，內建Microsoft Windows 10企業版2019 LTSC，人臉辨識主要運算是靠Intel Atom E3950 CPU，搭配Intel Movidius Myriad X VPU MA2485 x1完成。

而人臉辨識軟體是使用和CyberLink共同合作開發的工業APP「FaceView」[4]，它可利用人臉進行性別、年齡、表情、身份辨識。其核心引擎是訊連的FaceMe，它支援多種硬體加速平台，在這裡主要利用Intel開源AI推論工具包OpenVINO，可支援CPU（AVX指令集）及VPU加速運算。

Fig. 3 研華科技(Advantech)人臉辨識運算智能系統Ei-A100 (AIR-100)及工業APP FaceView。[3][4]

另外影像輸入裝置可使用USB 2.0/3.0介面的網路攝影機(Webcam)，原則上大部份的720P及1080P的攝影機都可以使用。

目前人臉辨識運算智能系統加上FaceView可廣範應用於各種場景[5]，包括智慧建築的零接觸電梯或安全門禁系統、智慧零售的標的性廣告播放或客群管理、智慧製造的設備安全或門禁系統、智慧交通的票務系統或公共安全及更多場景，如Fig. 4所示。

Fig. 4 研華科技(Advantech)人臉辨識運算智能系統加FaceView應用場景。[5]

操作介面及步驟

開機後點選FaceView即可啟動人臉辨識系統，操作畫面如Fig. 5所示，主頁面中間上方主要有兩個分頁，訪客辨識[Visitor Identification]及訪客管理[Visitor Management]，程式啟動後會自動進到訪客辨識頁面開始辨識。而右側會顯示目前訪客清單，包括數量、最後出現時間(Last Time)、合計停留時間(Dwell Time)。

Fig. 5 FaceView訪客辨識操作畫面。(OmniXRI Nov. 2020整理製作)

進入訪客管理[Visitor Management]頁面，如Fig. 6 所示，可按右上角 [Create Visitor]新增訪客資料，建立訪客的照片可直接讀取檔案（大頭照、一般生活照）或者直接利用網路攝影機取像，接著輸入訪客的姓名及客戶分群（VIP或黑名單）即可完成設定。若訪客清單較長亦有提供快速查詢功能。

Fig. 6 FaceView訪客管理操作頁面。(OmniXRI Nov. 2020整理製作)

建立好訪客清單後就可回到訪客辨識頁面開始辨識，辨識時除了會列出是屬於重要客戶(VIP)、黑名單客戶(Blacklist)及無法辨識客戶(Unrecognized)外，在臉部圖框下方還會出現性別、年齡及表情等資訊，如Fig. 5所示。另可根據此內容作進階應用，更完整的操作內容可參考官方提供的手冊[6] [7]。

另外右上角有一個齒輪圖案，點擊後可設定進階參數，如Fig. 7所示，包括基本資料、攝影機參數（名稱、解析度、取樣速度、水平翻轉）、AI執行參數（AI模型、誤識率、最小人臉尺寸、VEGA(VPU)加速器致能、執行緒數量）及系統語言（目前只有英文）。

Fig. 7 FaceView進階參數設定頁面。(OmniXRI Nov. 2020整理製作)

二次開發環境

目前FaceView提供了相當便捷的使用方式，如果想作進一步的二次開發，系統亦有內建相關軟體開發套件(SDK)，分別存放在：

C:\Program Files (x86)\Advantech\FaceView SDK

這裡有提供一個簡單的FaceView Utility範例，包括Microsoft Visual Studio專案檔及相關C++原始程式碼。執行後畫面如Fig. 8所示，包括基本參數設定、單張影像和攝影機比對、二張影像比對及影像品質分析功能。更完整的內容說明可參考官方提供的文件[7]。

Fig. 8 FaceView Utility範例執行畫面。(OmniXRI Nov. 2020整理製作)

目前EI-A100自帶Intel OpenVINO相關工具套件包（簡化版）及已優化過的多種人臉辨識模型及參數檔(BIN & XML)，若想整合更多OpenVINO提供的模型及充份使用機器上的VPU，則機器中亦有事先安裝好Edge AI Suite，存放在：

C:\Program Files (x86)\Advantech\Edge Ai Suite

而OpenVINO完整套件包就放在此一路徑下。更多OpenVINO用法可參考[8]，這裡就不多作介紹了。

測試結果

從上述介紹中可得知FaceView主要是使用CyberLink的FaceMe人臉辨識引擎。根據NIST FRVT最新公佈測試結果[1]，如Fig. 9所示，扣除中國、俄國等人臉辨識大廠，CyberLink的算法排名在全世界算是名列前茅的，且為台灣之冠。在1:1大部份的辨識上都能有99%以上正確率（(1.0-FNMR)*100%），而在實境照(Wild)中亦能接近97%正確率。

Fig. 9 訊連(CyberLink) FaceMe在NIST FRVT的排名成績。[1] (OmniXRI Nov. 2020整理製作)

接下來從幾個方式來測試一下FaceView的反應及效能。所有實驗使用Logitech C310 720P網路攝影機進行測試。另外在訪客辨識頁面中，從鍵盤輸入「show」四個字母即可將系統資源使用情況以文字方式出現在畫面左上角，再輸入一次「show」即可關閉文字。

使用大頭照測試

使用解析度較高，影像品質較佳的大頭照(JPG圖檔)作為建立訪客管理清單的資料，再進行測試。測試時試著改變頭部佔比大小（頭部離攝影機距離）、頭部傾斜、側轉及遮蔽等項目看是否能穩定檢出。

測試條件：FPS : 10, AI Model : VH, FAR : 1E-4, VEGA : Enable。

測試結果：如Fig. 10所示，尚可接受，人臉幾乎都可被檢出，但對於影像變化較大的情況，如遮蔽、光照、頭部傾斜、側轉時人臉雖可被檢出，但身份辨識部份則會較無法穩定被認出。

Fig. 10 FaceView以頭像檔案進行人臉辨識結果圖。(OmniXRI Nov. 2020整理製作)

使用實際取像測試

用網路攝影機直接拍攝實際人臉作為建立訪客管理清單的資料，再執行和上一個實驗一樣的內容。

測試條件：FPS : 10, AI Model : VH, FAR : 1E-4, VEGA : Enable。

測試結果：如Fig. 11所示，比前一項結果好，對於影像變化比較大的情況，被身份辨識成功機率較前項實驗高，甚至戴上口罩或用手遮擋部份臉，在大部份情況都能被正確辨識身份。當戴上帽子測試時，若光線不是遮擋太嚴重時，還是可以被檢出。

Fig. 11 FaceView以網路攝影機取得頭像進行人臉辨識結果圖。(OmniXRI Nov. 2020整理製作)

運作效能測試一 (CPU vs. VPU)

點擊右上齒輪圖案，變更運算加速器「Advantech VEGA Series Accelerator」選項，當設成「Enable」時則表示開啟VPU計算，設成「Disable」時表示不使用VPU只使用CPU，切換後須關閉程式再重新啟動才能作用。

主要測試條件：FPS : 10, AI Model : VH, FAR : 1E-4, VEGA : Enable或Disable。

測試結果：如Fig. 12所示，當開啟VPU時，CPU及RAM使用率明顯下降許多，且辨識速度提升許多。（註：CPU, RAM, Recognized FPS為浮動值，Captured FPS為固定值）

Fig. 12 FaceView有無開啟VPU執行結果圖。(OmniXRI Nov. 2020整理製作)

運作效能測試二 (FAR @ 1E-2, 1E-4, 1E-6)

點擊右上齒輪圖案，變更誤識率「False Accept Rate(FAR)」選項，這個選項會影響拒識率及運算量，切換後須關閉程式再重新啟動才能作用。

主要測試條件：FPS : 10, AI Model : VH, VEGA : Enable, FAR : 1E-2, 1E-4, 1E-6。

測試結果：如Fig. 13所示，在誤識率設定越小的情況下，CPU使用量會增加許多且辨識速度也會下降。此時雖然人臉位置還是可以被偵測到，但身份被辨識出來的機率也隨之下降。（註：CPU, RAM, Recognized FPS為浮動值，Captured FPS為固定值）

Fig. 13 FaceView在不同誤識率(FAR)執行結果圖。(OmniXRI Nov. 2020整理製作)

運作效能測試三 (AI Model @ VH, UH, H1)

為因應不同等級機器，FaceView提供三種AI模型VH, UH, H1可切換，可依精度及速度切換成不同模型，包括超高精準模型(Ultra High Precision, UH)，較高精準模型(Very High Precision, VH)及高精準模型(High Precision Model, H1)，UH有較高精度但速度較慢，H1速度較快而精度較差，VH則兼顧精度及速度。切換AI模型需點擊左上齒輪圖案，變更AI模型「AI Model」選項，這個選項會影響拒識率及運算量，切換後須關閉程式再重新啟動才能作用。

主要測試條件：FPS : 10, FAR : 1E-4, VEGA : Enable, AI Model : VH, UH, H1。

測試結果：如Fig. 14所示，明顯可看出不同AI模型造成CPU和RAM使需量及辨識速度上的差異，因此一般建議設在VH即可得到較理想的辨識效能。（註：CPU, RAM, Recognized FPS為浮動值，Captured FPS為固定值）

Fig. 14 FaceView執行不同AI模型結果圖。(OmniXRI Nov. 2020整理製作)

由於這裡沒有辦法大量驗證模型精度，僅能就CPU+VPU執行效能來測試。另外補上一張訊連官方提出的FaceMe（研華FaceView人臉辨識引擎）測試數據供大家參考，如Fig. 15所示。

Fig. 15 訊連FaceMe不同AI模型比較圖。[5]

註：FAR (False Acceptance Rate)等於NIST FRVT的誤識率FMR(False Match Rate)，TAR (True Acceptance Rate)為在指定誤識率下的正確接受率，相當於 (1 – 拒識率FNMR) * 100%。

除了以上測試外，變更攝影機取樣速度(10 / 15 / 30 FPS)，也會讓CPU、RAM使用率爆增，但實際可執行的速度仍受限於硬體、選定的AI模型、誤識率設定等，不是設多少FPS就一定能達到指定的取樣速度。

經過幾項測試下來，發覺機身溫度明顯較沒有運作FaceView時高上許多，甚至有點燙手。不過由於這台機器是採無風扇設計，所以能快速將內部的熱帶到有大量散熱鰭片的機身表面，也算是一種保護機器穩定運作的方式。若仍嫌溫度過高或想令機器保持在更好的工作環境，則可考慮另外接風扇或提升空氣流動裝置。

小結

此次測試受限於場地及情境，無法大規模、多人數及更複雜的測試，但從單人及多種變化的條件下來測試，初步可得知研華科技「人臉辨識運算智能系統」搭配「工業APP FaceView」是非常容易上手的，而其穩定性及辨識率表現亦是相當不錯的。

在系統整合上，EI-A100提供包含VEGA-320 AI 加速卡、Intel-E3950 CPU、4G RAM、64G SSD、WIN 10 作業系統以及FaceVIew 臉部辨識軟體，具有高度整合性與可靠性，在AI運算時透過Intel VPU的加速也明顯得到較快的反應速度。未來若再加上二次開發，把串流影像人臉辨識及更多人臉辨識應用整合在一起，相信一定能在更多場域得到理想的實證。

（責任編輯：林亮潔）

• About
• Latest Posts

許 哲豪

工作經驗超過二十年，主要專長機電整合、電腦視覺、人機互動、人工智慧、專利分析及新創輔導。曾任機電整合工程師、機器視覺研發副理、技轉中心商業發展經理。目前擔任多家公司兼任技術顧問並積極推廣實境互動相關技術。
主持歐尼克斯實境互動工作室(OmniXRI)：http://omnixri.blogspot.com
Edge AI Taiwan邊緣智能交流區：https://www.facebook.com/groups/edgeaitw/

Latest posts by 許 哲豪 (see all)

• 【Edge AI專欄 】 如何使用 Gradio 快速搭建人工智慧應用圖形化人機介面 - 2024/12/23
• 如何使用Intel AI PC及OpenVINO實現虛擬主播 - 2024/12/16
• 【Edge AI專欄】 邊緣端小語言模型崛起，開發板跟上了嗎？ - 2024/11/26