人臉識別在無人商店的應用 (Apply Face Recognition in Unmanned Store)

去年2017年，發生了兩件事情：

1. 2017年蘋果公司推出了iPhoneX，捨棄指紋，改用人臉識別Face ID，造成人臉識別相關應用，突然火紅起來。許多做人臉識別的新創公司，市值也倍速增長。
2. 2016年，Amazone推出無人商店，Amazone GO。大陸有樣學樣，很快，在2017年中，開始冒出了許多無人商店，其盛況，可比當年2016年共享單車的興起。

這兩件事情，結合在一起，就是「人臉識別在無人商店的應用」。

本篇，從Machine Learning的角度，探討Face Recognition，可以用在無人商店的那些場景。對於客戶而言，無人商店有這4個場景：

1. 商店知道進店的客戶是誰
2. 商店能為客戶推銷商品
3. 客戶能在無店員的情況下，為購買的商品付款
4. 商店可以根據客戶過往的銷售記錄，給客戶相關折扣

那麼，Face Recognition是否能應用在這4個場景？其實學過台大線上課程的Machine Learning Foundations，或對統計學有基本概念的，應該可以回答這個問題。

Face Recognition和Fingerprint Verification一樣，都是二元分類的問題：

上圖是Fingerprint Verification。f表示我們有一個很明確的方法，可以知道目前這個指紋是不是你的。若是，則輸出為+1，否則為-1。結果只有兩個，不是+1，就是-1，稱為二元分類問題。

可是通常，我們找不到這種很明確的方法。我們會用機器學習的方式，找到一個與f很接近的方法，稱為g，做為驗證指紋或人臉的方法。

用g識別這張臉是不是你的，若是，則輸出為+1，否則為-1。因為g是來自於機器學習的結果，不能完全代表未知的f。大部份情況下，g的預測的結果和f的一致，少部份情況下會不一致。我們將x視為某個fingerprint或是某個face，做進一步分析：

• g(x) = +1
• g(x) == f(x) True Positive (TP)
• g(x) != f(x) False Positive (FP) —> Error
• g(x) = -1
• g(x) == f(x) True Negative (TN)
• g(x) != f(x) False Negative (FN) —> Error

會有以上4個情況，會有兩個型態不同的Error。

True和False，這兩值是從何而來？當預測的g和實際的f一致 g(x) == f(x)，則為True，不一致 g(x) != f(x)，則為False。

Positive和Negative，這兩值是從何而來？取決於g的結果，+1代表Positive中文稱為陽性，-1代表Negative中文稱為陰性。

為何Positive和Negative無法從f的結果得出？那是因為我們永遠無法找到f。若能找到，就不用機器學習了。

以上4個情況，我們可以整理出一個Confusion Matrix：

這兩種型態不同的Error，稱為False Accept和False Reject：

• False Accept (False Positive)：誤識別
• 別人的指紋，識別成我的指紋。或我的指紋，識別成別人的指紋
• 別人的臉，識別成我的臉。或我的臉，識別成別人。如，小孩的臉可以解鎖父母的iPhone X，這種情況時有耳聞。
• False Reject (False Negative)：不識別
• 系統不認我的指紋。如iPhone的指紋，常常不靈光。
• 系統不認我的臉。如iPhone X在昏暗的環境下，人臉解鎖的失敗率較高。

然後，根據場景的需要，會有兩種Cost Matrix：

Cost Matrix 1

Cost Matrix 2

Cost Matrix 1 在乎的是 False Accept。如發生False Accept時，Cost設為1000。適用的場景如下：

• 支付：
• False Accept發生的機率要很低：若無人商店採用刷臉支付，萬一有一個人刷臉，系統誤識別為我的臉，那麼我就莫明奇妙被扣款。發生這種事情，會對無人商店的品牌信任度造成極大的損失。
• False Reject發生的機率不用太低：頂多刷臉支付失敗，再刷一次就好了。
• 手機解鎖：
• Fase Accept發生的機率要很低：駭客想用指紋登入我的手機，萬一真的被試成功了，我會造成很多損失。
• False Reject發生的機率不用太低：頂多指紋登入失敗，再按指紋一次就好了。

Cost Matrix 2 在乎的是 False Reject。如發生False Reject時，Cost設為10。適用的場景如下：

• 商品推薦
• False Reject發生的機率要很低：若無人商店根據人臉，為客戶推薦商品。若False Reject機率太高，識別不出客戶，就無法為客戶推薦商品。商店可能會有營收上的損失
• False Accept發生的機率不用太低：無人商店誤識別人臉為另外一個客戶，為客戶推薦錯誤的商品，這件事情的嚴重性，比識別不出客戶而不推薦任何商品，要來的低。
• 折扣
• False Reject發生的機率要很低：若無人商店根據人臉，給客戶折扣。若False Reject機率太高，識別不出客戶，客戶拿不到折扣會不高興。
• False Accept發生的機率不用太低：無人商店將陌生人臉誤認為另外一個客戶，而給陌生人折扣，這件事情的嚴重性，比識別不出客戶而給任何折扣，要來的低。

是不是有一個方法讓False Accept和False Reject發生的機率都變小？Face Accept Rate (FAR)和False Reject Rate (FRR)之間的關係，是一個 DET 曲線 (Detection Error Tradeoff Graph)：

FAR = (False Accept) / (True Positive + False Accept)

FRR = (False Reject) / (True Negative + False Reject)

若透過Machine Learning找到一個g，它的FAR愈小，FRR就愈大，反之亦然。

回到客戶在無人商店的4個場景，看看Face Recognition可以應用在那些方面。

1. 商店知道進店的客戶是誰
2. 商店能為客戶推銷商品
3. 客戶能在無店員的情況下，為購買的商品，付款
4. 商店可以根據客戶過往的銷售記錄，給客戶相關折扣

1 商店知道進店的客戶是誰

此場景可以用Face Recognition實現，並且重點在FRR要盡可能小。

2 商店知道進店的客戶是誰

此場景可以用Face Recognition實現，並且重點在FRR要盡可能小。

3 客戶能在無店員的情況下，為購買的商品，付款

用Face Recognition實現刷臉付款，非常危險，即使FAR可以設非常小，也會有問題。根據2015年FDDB為各家的Face Recognition分析，發現在FRR<=70%的情況下，FAR可以達1/2845。意思就是2845次刷臉，會有一次出現FAR。若無人商店的註冊人數突破2845，那麼FAR出現的次數就會更頻繁，會造成災難性的結果。

所以，完全靠刷臉支付，不可行。那我們會想，結果其它的Biometric Authentication，如指紋、虹膜、或聲紋，是否會好一點？這是所謂的Biometric Multi-Factor Authentication，還是會有FAR的問題。另外一個方法是，Biometric Authentication後，要求客戶輸入簡單的PIN碼，但還是有可能，誤識別的客戶，PIN碼剛好和另一個客戶一樣。

我個人認為，無人商店，在免密支付的過程中，不應該用任何生物識別技術(包含人臉)驗證客戶的身份，做為支付與否的依據。

4 商店可以根據客戶過往的銷售記錄，給客戶相關折扣

此場景可以用Face Recognition實現，並且重點在FRR要盡可能小。

-Count