WWDC 2019 - 理解 Vision 框架中的图片技术

WWDC 2019 session 222 Understanding Images in Vision Framework

Vision 是 Apple 2017 年和 Core ML 一起推出的、基于 Core ML 封装的图像识别库。根据官方文档看，Vision 包含就有人脸识别、机器学习图片分析、条形码识别、文字识别等基础功能。

本文主要介绍了 Vision 框架在图像技术方面的一些酷炫功能，并一定程度上阐述了其原理。

图片重点区域 Saliency

Saliency 是什么?

Saliency 直译成中文就是：显著、凸起、特点。那么在 Vision 框架之中，Saliency 究竟指的是什么呢？先直接上图：

当我们第一次看到左侧这张图片时，视线一定是最先被这三张鸟脸 (海雀脸) 吸引的。如果把注意力集中的地方，用高光在图片中标注出来，那么大概就是第二张图这样：高光集中于鸟的头部。

这些高光部分，也就是人类注意力更容易集中地部分，实际上就是一种 Saliency (即基于注意力的 Saliency)，而高光过后的效果图实际上就是 Saliency 的热力图 (The Heatmap)。

两种 Saliency

这两种 Saliency 在算法上就有着比较明显的不同。基于注意力的 Saliency 实际上就是直观的由人类注意力的集中程度来判定，而基于物体的 Saliency 目的是识别出焦点物体，然后将焦点物体分割出来。

所以效果图如上，中间的图是基于注意力的结果，我们通常关注的是人物、动物的面部，所以只有面部附近会高亮。而右边的图将整个鸟都高亮了出来，是基于物体的结果。比如下面这张图，也是同样的道理：

实际上，基于注意力的 Saliency 会更为复杂。其实我们也能直观地感受到，因为注意力本身就会受到太多人为的不确定因素的影响，比如画面对比度、人物面部、画面主题、视野范围、光线强度等。有意思的是，它甚至会被持续的运动状态所影响，比如下图中，基于注意力的 Saliency 将人物行进路线前方的部分区域也进行了高亮：

具体的 Demo 可以参见： 高亮图片中令人感兴趣的部分

The Heat Map: Saliency 热力图

热力图的概念很容易理解，那么如何获取 Saliency 热力图呢？Vision API 设计的基本使用逻辑就是 handler 搭配 request。通过创建 handler ( VNImageRequestHandler , Vision 图片处理中最主要的 Handler) 之后调用perform(_:) 方法，执行相应的 request ( VNGenerateAttentionBasedSaliencyImageRequest ，从名字就可以看出，关键词 AttentionBasedSaliency)，具体代码如下：

let handler = VNImageRequestHandler(url: imageURL)
let request: VNImageBasedRequest = VNGenerateAttentionBasedSaliencyImageRequest()
request.revision = VNGenerateAttentionBasedSaliencyImageRequestRevision1

try? handler.perform([request])
guard let result = request.results?.first
let observation = result as? VNSaliencyImageObservation
else { fatalError("missing result") }

let pixelBuffer = observation.pixelBuffer
复制代码

The Bounding Boxes: Saliency 位置

var boundingBox: CGRect { get }
复制代码

Bounding boxes 就是探测出来的 Saliency 的位置信息，不过需要注意的是，坐标系的原点在图片左下角。对于基于注意力的 Saliency 来说，只有唯一的 bounding box，而基于物体的 Saliency 则最多有三个 bounding box。

获取 bounding box 代码如下：

func addSalientObjects(in observation: VNSaliencyImageObservation,
                        to path: CGMutablePath, 
                        transform: CGAffineTransform)
{
    guard let objects = observation.salientObjects else { return }
    for object in objects {
        // 得到 bounding box
        path.addRect(object.boundingBox, transform:transform)
    }
}
复制代码

一些使用案例

得到图片 Saliency 之后其实有很多作用，具体举几个例子：

• 用于滤镜：增加不同类型的滤镜、图片效果。
• 用于相册：增加图片浏览的体验，将照片自动缩放到最佳位置。
• 用于识别：与其他图像算法一起使用，先通过 bounding box 将物体切割出来，之后进行再识别提高准确率。

图片分类 Classification

图片识别、分类是 Vision 的最基础功能，Vision 框架提供了用于图片分类的 API，使用起来非常方便，iPhone 相册中就有大量使用。虽然 coreML 框架也能使用自己训练图片分类器，需要大量的数据以及计算资源等，对于普通开发者来说具有比较大的成本。而且 Vision 框架使用了多标签分类网络（Multi-label network）可以在一张图里面识别出多个物体。

哪些物体可以被识别? -- Taxonomy

到底哪些 object 可以被识别？这就要引出 Taxonomy 的概念了。Taxonomy 实际上指的是生物学上的分类系统，不同物体根据语义上的含义被分类。在这个树状结构中，有超过 1000 个分类，父类更加宽泛，子类更加具体。

也可以通过下面的语句，查看整个 Taxonomy：

// List full taxonomy with
VNClassifiyImageRequest.knownClassifications(forRevision: VNClassifyImageRequestRevision1 )
复制代码

在构造这个 Taxonomy 树状结构时，每个分类都必须是可以通过视觉定义的，必须要避免形容词、抽象名词、太宽泛的名词，以及避免职业名称。具体使用，也符合 Vision API 统一的使用方法，handler (依然是 VNImageRequestHandler , Vision 图片处理中最主要的 Handler) 搭配 request ( VNClassifyImageRequest ，关键词 Classify，分类识别专用)：

let handler = VNImageRequestHandler(url: imageUrl)
let request = VNClassifyImageRequest()
try? handler.perform([request])
let observations = request.results as? [VNClassificationObservation]
复制代码

最终得到一个 Observation 数组，包含一系列物体识别结果，以及分别对应的信心值（可能性）。注意到信心值总和不为 1，这就是因为刚才提到的 Multi-label network 所产生的结果。

// 上图识别之后的 observations 示例结果
// 从图中识别出可能有：动物、猫、哺乳动物、衣服、小圆帽、帽子、人、成年人、雪...等一系列结果
[(animal, 0.848), (cat, 0.848), (mammal, 0.848), (clothing, 0.676), (beanie, 0.675), (hat, 0.675), (people, 0.616), (adult, 0.616), (snow, 0.445), (jacket, 0.214), (outdoor, 0.063), (leash, 0.057), (cord, 0.057)......]
复制代码

结果的进一步筛选: Precision and Recall

得到识别结果之后，如何 Observation 数组进行进一步分析，来判定究竟识别结果中哪些是足够可信的呢？非常符合常识的一个关键公式是：Confidence > Threshold。很容易理解，当信心值大于某个阈值时，就可以判断图片中有相应物体。但是最大的问题在于，阈值应该如何确定，并且阈值并不固定，不同的图片中阈值肯定是不同的。

接下来，我们需要先引入两个指标：Precision 查准率、Recall 召回率。用一张比较经典的图来解释一下：

• Precision 查准率，指的是所有预测中真正预测对的比例。它能够反映出误报的程度。Precision 率越高，代表预测的越准确，误报数量越少。
• Recall 召回率，指的是所有符合要求的结果中，被成功预测出来的比例。它反映的是漏报程度。Recall 率越高，代表预测的越准确，漏报数量越少。

Precision 和 Recall 都能反映分类算法的准确性，但却有不同的倾向性。举两个例子，比如 AI 看病时，通常更看重 Recall 召回率，因为我们更担心漏报情况的发生。而比如在过滤垃圾邮件时，通常更看重 Precision 查准率，毕竟我们不希望错误地把用户的正常邮件也给错误地过滤了。

所以回到最初的问题，我们如何判定 Observation 数组中哪些结果是符合 Confidence > Threshold 公式，应该被留下来的呢？我们可以直接通过限制 Precision 或者是 Recall 的值来拿到结果。

比如使用 hasMinimumRecall(_:forPrecision:) 限制 recall，precision 为 0.7 时，最小 recall 为 0.5：

let searchObservations = observations?.filter { $0.hasMinimumRecall(0.5, forPrecision: 0.7)}
复制代码

当然，使用 hasMinimumPrecision(_:forRecall:) 限制 precision 也是同理：

let searchObservations = observations?.filter { $0.hasMinimumPrecision(0.5, forRecall: 0.7)}
复制代码

图解筛选过程: PR Curve

PR 曲线反映的是同一个分类器下 Precision 和 Recall 的关系，可以用来衡量分类器性能的优劣。可以看到 Precision 和 Recall 负相关。

对于 PR 曲线上每一个点，都对应着一个 Precision 和 Recall 的值。我们可以通过 PR 曲线来直观地理解上文中筛选、过滤的这个过程。比如下面我们分别有三个分类器，分别对应识别"Cat"、"Anvil"以及"CD"时的 PR 曲线。当我们限制了 (Recall = 0.5, Precision >= 0.4) 时，可以看到前两张图都存在买组条件的点，而第三张图并不存在，那么很明显的 "CD" 就应该被从结果中过滤掉。

图片相似度 Image Similarity

描述图片的传统方式

除了识别图片的问题之外，我们经常会面临的问题就是，如何判断两张图片间的相似程度。那么首先，我们该如何描述一张图片？传统的方式有下面两种：

1. 使用像素点信息进行比较。这样比较非常不准确，小小的改动就会完全判定为不同图片。

2. 使用关键词。但是关键词对于一张图片来说过于笼统，不够精确。

对于一个图片的描述，不能仅仅包含对其表面样式的描述，还必须包含对图片的内容的进一步叙述。用上述传统方法我们很难实现所谓的"进一步描述"，但是巧妙的是，当我们在用分类神经网络对图片进行分类时，神经网络本身就是对图片的进一步描述。神经网络的上层网络（upper layers）正好包含了图片的关键信息（salient information），同时也恰好能摒弃掉了一些冗余信息。所以，我们可以利用这个特点，来对图片进行描述。

图片描述向量：FeaturePrint

FeaturePrint 用于描述图片内容的向量，和传统的词向量 (word vector) 类似。它反映的就是神经网络在做图片分类时，从图片中提取出来的信息。通过特定的 Vision API，就能将图片映射成对应的 FeaturePrint (这也是为什么说它是一种向量)。

需要注意的是，FeaturePrint 与 Taxonomy 并不相关，并不是说图片被分类为猫，那么对它的描述就应该是猫。

在得到了 FeaturePrint 之后，我们就可以直接比较图片间的相似程度。 computeDistance(_:to:) 方法可以直接得到一个反映图片相似度的浮点数。比如下图中，数值越小，图片在语义 (semantic sense) 上越相似。

具体 Demo 参见： Demo - 使用FeaturePrint比较图片间相似度

人脸识别技术 Face Technology

接下来讲一下人脸识别技术方面的进步。

Face Landmarks: 人脸特征点识别的进步

人脸特征点 (Face Landmark) 的识别一直是人脸识别技术的重要部分，Vision 框架在这方面有下面几个进步：

1. 识别点位增加，从 65 到 76 个点
2. 每个点都提供了信心度 (之前只能提供一个整体的信心度)
3. 瞳孔识别更加精确

Face Capture Quality: 人脸拍摄质量

Face capture quality 是一个综合性指标，用于判定人像效果的好坏，衡量因素包含光线、模糊程度、是否有遮挡、表现力、人物姿态等等。

比如第一张照片就比第二张照片得分高，意味着第一张照片有着更好的拍摄质量。

我们可以通过上面的代码，直接得到一张图片的 face capture quality 的数值，进而将相似图片进行比较，筛选出更加优质的图片。比如这里个 Demo： 根据 face capture quality 筛选自拍照

注意，face capture quality 不能和一个固定阈值进行比较。不同系列的照片中 face capture quality 值分布区域可能不同，如果我们以一个固定的阈值来过滤（比如上图中的 0.520），那么有可能会把左边全部的照片都过滤掉，哪怕其实左边的图片有一些相对拍的好的照片。换句话说，face capture quality 只是一个对同一个被摄物体的相对值，它的绝对数值大小并不能直接反映照片的拍摄效果。

其他进展 Other Progress

新的识别器

除了这些传统的识别器，还有一些新的比如人体 (Human Detector) 和猫狗 (Cat and Dog Detectors) 的识别器。

视频追踪技术的强化

视频追踪技术也得到了强化，追踪技术的 Demo 可以查看:在视频中追踪多个物体。具体强化内容如下：

1. Bounding box 更加贴合，减少了乱入的背景
2. 更好处理有遮挡的情况
3. 依赖了机器学习算法
4. 更低的能量损耗