在科技爆發(fā)的時代，人工智能（Artificial Intelligence, AI）技術越來越常出現(xiàn)在我們生活。AI技術表示能夠讓機器具有類似人類的智慧，可用來提升人們的生活質(zhì)量、工作效率等。以日常生活中常見的攝影機為例，這些攝影機可以組成一套監(jiān)控系統(tǒng)，守護我們的安全。受惠于消費電子產(chǎn)品的發(fā)展與低廉的價格，一般民眾也能在自己的家里安裝攝影機，目的通常是為了居家監(jiān)護，觀測是否有人進出畫面、隨時注意家中寶寶的狀態(tài)，或者觀看寵物的最新動向。市面上的攝影機產(chǎn)品大多具有人物偵測，甚至是人臉或口鼻偵測等相關功能。這些功能可以自動判斷畫面中的信息，讓我們得知人物出現(xiàn)的時機，不需要長時間觀看畫面去追尋特定的人物。而當我們談到人物偵測時，最廣為人知的方法就是「人臉偵測」（detection），藉由分析人臉的器官部位特征，如：眼睛、鼻子、嘴巴等，可以得知畫面中是否有人臉。另一個進階應用為「人臉識別」（recognition），用來辨識人臉的身分為何，此技術需要事先建立數(shù)據(jù)庫搜集每個人員的臉部特征，因此常引來隱私權(quán)的爭議。本文將探討人臉偵測的原理，并說明可能遇到的潛在問題。

傳統(tǒng)人臉偵測的原理

傳統(tǒng)的人臉偵測做法，需要分析圖片上每一個像素點（pixel）的RGB色彩值，這種作法會花費大量的運算資源與時間。根據(jù)相關的研究論文，研發(fā)出分析方法的團隊使用哈爾小波轉(zhuǎn)換（Haar wavelet）的概念來設計一個分析影像特征的方法，稱為哈爾特征（Haar-like feature），藉由搜集人體的身形輪廓特征，可以在圖片上偵測是否有人物出現(xiàn)。

圖一（a）即為舉例說明邊緣線條的哈爾特征。后來團隊擴充此方法，發(fā)展為成臉部偵測的系統(tǒng)。因為人臉輪廓具有一定的規(guī)律性，特別是在眼睛、鼻子、嘴巴區(qū)域，此處的輪廓特征最為明顯。圖一（a）的左半部則為哈爾特征，用來分析畫面中的輪廓是否與已有的輪廓特征方格相近。以圖一（b）的上方為例，就是將特定影像區(qū)域的內(nèi)容與哈爾特征進行分析，計算兩者的相似度。當影像內(nèi)容與哈爾特征完全相同時，所得到的相似率為1。然而，實際影像不可能會與哈爾特征完全相同，如圖一（b）的下方。此相似率可以協(xié)助我們評估畫面上的對象是否符合指定特征。

圖一：哈爾特征的樣式與計算范例。

藉由收集相關的特征數(shù)據(jù)，能夠建立一個數(shù)據(jù)庫來描述人臉的特征，進一步讓計算機判斷是否有人臉出現(xiàn)在畫面上。以鼻子為例，鼻翼四周的輪廓就是一個很明顯的臉部特征。

然而，當計算機進行分析時，就需要計算指定圖片區(qū)域的像素點數(shù)值，這個計算量往往相當龐大。以圖一的為例，當我們計算4×4的圖片區(qū)域時，里面一共有16個像素點，若要計算該區(qū)域的數(shù)值總和時，直覺的做法是將這16個點加在一起。此方法雖然簡單，但圖片尺寸變大、需要分析的特征變多時，會消耗大量的運算資源與時間。因此，研究人員進一步提出一系列的方法來縮短整體流程，首先是積分圖（integral image），此方法會在起始階段掃描整張圖片并計算每個像素點的累加值。回到先前的例子后，計算圖片區(qū)域的數(shù)值總和時，只需要計算4個像素點的信息。以圖二為例，當我們想要計算灰色區(qū)域的數(shù)字總和時，直覺做法為將6個像素點的數(shù)值累加起來。而積分圖的做法是先建立一個像素點的累加值，然后再選取鄰近四個像素點的數(shù)值進行運算，如圖二積分圖中被粗框框起來的數(shù)值。此作法可以大幅度降低運算成本，不論計算的范圍有多大，只需要4個數(shù)值的運算即可得到區(qū)域的總和。

圖二：積分圖例子。

后續(xù)的研究還有結(jié)合自適應增強（adaptive boosting, AdaBoost）與串接（cascade）技術，判斷畫面上是否有特定的臉部器官，若有符合條件（如：發(fā)現(xiàn)鼻子）才會進行后續(xù)的分析。此流程的執(zhí)行速度能夠在一秒鐘處理15張圖片（frame per second, FPS），可用于實時的對象偵測。這個技術被廣泛用在現(xiàn)有的人臉偵測系統(tǒng)，網(wǎng)絡上也有許多教學供有興趣的人去研究使用。

灰階加速運算，卻產(chǎn)生公平性爭議

值得注意的是，這些人臉偵測的系統(tǒng)都會把彩色圖片轉(zhuǎn)換成灰階（grayscale）樣式，研究人員也有特別說明這一點，這套快速的偵測系統(tǒng)僅適用于灰階的圖片。在人類眼中，我們能夠看到各式各樣的色彩。對計算機來說，也常使用RGB色彩空間來定義顏色，一張彩色的圖片可以用RGB三個通道來描述內(nèi)容。以一個像素點來說，它的顏色一共有255×255×255（約1658萬）種組合。如果采用灰階的色彩空間，一個像素點只有255種組合。當計算機在分析圖片的時候，使用灰階圖片可以降低大量的運算資源并縮減時間。此外，灰階的程序代碼復雜度也較低，如果一開始使用彩色空間進行輪廓分析，需要考慮各種信息，如：亮度、色差??等，將這些信息納入分析之后，整體執(zhí)行效率往往比灰階圖片還要慢?；谛实男枨螅蠖啾孀R系統(tǒng)的流程都會先將彩色照片轉(zhuǎn)換為灰階照片，期望能夠快速地獲得結(jié)果。

然而，這種做法會遇到一些潛在的問題，膚色淺的人種在此系統(tǒng)中會有較好的辨識效果，膚色深的人種會不易被辨識，由于人權(quán)意識的興起，AI技術的公平性也常受到檢視?；仡櫹惹疤岬降臄?shù)據(jù)處理流程，他們會先將彩色照片轉(zhuǎn)換為灰階照片，然后再分析灰階照片上的輪廓特征，檢查是否有特定輪廓的信息。以圖三為例，有3種不同膚色的人臉示意圖，當轉(zhuǎn)換成灰階照片后，可以發(fā)現(xiàn)膚色深的輪廓較不明顯。根據(jù)后續(xù)的研究數(shù)據(jù)顯示，研究人員將搜集的皮膚顏色數(shù)據(jù)集大致分為3種類型：淡色皮膚、棕黃皮膚、深色皮膚。圖三的人臉圖片參考所統(tǒng)計的皮膚色碼，然后使用臉部偵測來觀察各自的辨識效果。

圖三：不同膚色的臉部偵測流程。

這3張圖片都屬于人臉，唯一的差別只是膚色不同，理論上應該都能夠被偵測到。當這3張圖片轉(zhuǎn)換成灰階照片后，我們觀察鼻子附近的輪廓，可以發(fā)現(xiàn)深色皮膚的鼻子輪廓較不明顯。這些照片套用先前提到的哈爾特征計算方式，即黑色區(qū)域與白色區(qū)域的數(shù)值相減，淺色皮膚的照片會得到較高的相似率，而深色皮膚會得到較低的相似率。從上面的例子可以得知，膚色淺的人種在此模型中會有較好的辨識效果，而膚色深的人種會不易被辨識。其背后原因和跟運算流程有關，因為將彩色圖片轉(zhuǎn)成灰階圖片可以大幅縮減運算時間，但對于不同膚色的人種會有不同的偵測結(jié)果。對當初的開發(fā)者來說，他們僅是想要提出一套快速的偵測方法，但此方法間接產(chǎn)生公平性的議題，這個影響也是始料未及。

對象偵測技術YOLO的發(fā)展與爭議

除了人臉偵測的技術以外，對象偵測（object detection）技術在計算機視覺（computer vision, CV）研究領域也受到許多注目，因為攝影機的畫面通常包含許多信息，如：寵物、車輛等，對象偵測可以自動分析畫面中的對象種類。以YOLO（You Only Look Once）為例，此方法直接將整張原始（彩色）圖片輸入至卷積神經(jīng)網(wǎng)絡（convolutional neural networks, CNN）進行分析，并且依靠圖像處理器（graphicsprocessing unit, GPU）的運算能力，一秒鐘可以處理45張圖片，表示已能夠進行實時對象偵測。YOLO發(fā)表之后受到許多人的關注，累積至2021年10月的論文引用數(shù)已高達1萬9千多次。YOLO的作者后來發(fā)表YOLOv2與YOLOv3的研究，提供更快速、更精準、可識別更多對象的能力，并且開放原始碼讓有興趣的研究團隊可以研究他們技術。

然而，YOLO的作者雷德蒙（Joseph Redmon）在2020年于個人twitter發(fā)表了一段令人震撼的宣言：

I stopped doing CV research because I sawthe impact my work was having. I loved the work but the military applicationsand privacy concerns eventually became impossible to ignore.

雷德蒙表示雖然個人很熱愛計算機視覺的研究，但發(fā)現(xiàn)到其研究成果在很多領域產(chǎn)生影響，特別是軍事應用與個人隱私的問題，這些倫理議題是無法忽略的，因此選擇離開計算機視覺的研究，讓其他人繼續(xù)接手相關研究。YOLO官網(wǎng)后來仍發(fā)布新版的YOLOv4的信息，作者就不再出現(xiàn)雷德蒙的名字，取而代之是原本的程序代碼維護者。

審核編輯：湯梓紅