每年 5 月 31 日是世界控煙日，百度使用了目標檢測、動作識別、人臉檢測等 AI 技術，基于 PaddlePaddle 做了一個「AI 控煙」項目。

百度工程師用 PaddlePaddle 訓練出一套模型，能夠對吸煙人群進行識別和適當提示。當攝像頭捕捉到正在吸煙的同學，就會投射到大屏幕上。圖為李彥宏和某個員工的對話，對話員工的頭像正是周圍某個吸煙員工的「吸煙照」，而且其面部用表情包替換了。

這是一個基于 AI 技術完成的項目，使用了目標檢測、動作識別、人臉檢測等 AI 技術。其大致流程可以這樣描述：

項目流程示意圖

訓練與預測

我們可以借這個項目來了解一個 AI 控煙這樣的應用是如何完成的。項目的實現可以分為訓練階段、預測階段兩部分。

我們先來看訓練，主要是對吸煙動作識別的訓練。這里用到的是動作識別技術，也叫做人體動作識別，是圖像分類技術的一個細分領域，通過對圖像中的人物動作來判斷其行為，主要可以分為視頻識別和靜態圖像識別。兩種技術都會有自己的應用場景，其中視頻識別會對計算資源的要求比較高，更多使用在一些對實時性要求比較高的場景，比如安防領域會基于實時監控中是否出現搶劫或求救行為來自動完成報警。而基于靜態圖像的動作識別則可以面向一些實時性不那么高的場景，可以用較低的計算成本來完成。

本文的控煙項目根據其采集圖片數據的行為來看，應該是基于靜態圖像的動作識別。具體到訓練過程，首先是樣本數據的獲取，這也是所有深度學習問題的起點。在這個項目中需要搜集的是戶外情況下用戶的吸煙圖片，并將每張圖像中的吸煙者標注出來。第二步是訓練吸煙動作識別的模型，即通過標注好的數據來讓機器學習到什么樣的動作可能是吸煙，從而在有新的圖像出現時能夠判斷其是吸煙行為的可能性，模型訓練過程是一系列復雜的工作。

最后是模型的評估工作，需要讓模型去判斷新的圖像是否是存在吸煙行為，并記錄其表現，在滿足一定評估指標后，才能停止優化。經過這樣一系列流程，我們會得到一個符合業務目標的吸煙動作識別模型。

得到動作識別模型之后，我們就可以進行預測環節了。預測的具體的流程是這樣：首先我們需要將吸煙動作識別模型部署在服務器上，讓其具備能夠在生產環境中接收數據以及輸出結果的能力，有了這個基礎，我們就能夠將攝像頭采集的圖像數據輸入模型，經過模型的判斷后再向大屏幕輸出吸煙者的圖像。

但是事實上，項目中輸出的內容并不僅僅是吸煙動作，其實是一個整體圖像中抽取出的吸煙者所在的圖像部分，還要依賴于目標檢測技術。目標檢測是計算機視覺領域三大任務之一（另外兩個是圖像分類、和圖像分割），該技術可以識別一張圖片的多個物體，并可以定位出不同物體（給出邊界框）。這種技術的應用場景非常廣泛，比如無人駕駛、安防等領域都很依賴這種技術。在此項目中，通過目標檢測，機器會先將攝像頭采集的數據進行人體目標識別并將有人的圖像區域裁剪出來并傳輸給吸煙動作識別模型，如果這部分圖像被判斷為吸煙，就會輸出到展示端。

參與者被上傳到大屏幕的圖像中，人物的面部是被表情包替換的，這又是如何實現的呢？這個操作涉及的是人臉檢測技術，它其實是圖像檢測的一個細分垂類，簡單來說就是能夠知道一個圖像中是否存在人臉，以及如果存在那么其所在圖像區域是什么。人臉檢測技術是人臉識別技術方向的關鍵環節，也是人臉識別流程的第一步，除了能檢測圖像區域內是否存在人臉外，人臉圖像中展示的特定信息（比如是否帶眼鏡、是否有胡須）、以及面部表情（比如是否微笑、是否悲傷）都屬于人臉檢測技術的范疇。

人臉檢測技術是一個應用場景非常廣泛的技術，在我們的日常生活中非常普遍，比如手機拍照時我們會發現系統會定位每個人臉并將其框出來，比如女生最愛的一些修圖軟件，可以自動完成瘦臉或是其他一些特效，都是在人臉檢測技術的基礎上進行加工的。該技術在本文介紹的控煙項目中也是一樣的使用場景：如果一個用戶被判斷為吸煙，那么系統就會檢測圖像中是否存在人臉，如果有就在其所在的區域用一個表情包來替換，這樣就達到了我們看到的效果。

以上三項技術都涉及到深度學習的開發工作，他們背后都是由百度的深度學習引擎進行支持的，這個我們會在文章的下一個部分進行說明。

從活動對外視頻上看，被投放到屏幕的上吸煙員工（雖然面部被處理，但是現場通過體型服飾等特征還是容易被認出來）絕大多數會快速終止其吸煙行為，出現這樣的結果在社會學中是有理論依據的，曾有學者做過實驗，對于阻止那些需要道德約束的不良行為，有交互的提示會比靜態的提示有效很多，比如飯店中禁止吸煙的標識即使擺在吸煙者的面前，對其的約束力也遠遠比不上服務員親自出面提示，真正的問題在于并不是所有場合都能有這樣一個勇敢的「服務員」來充當這個「有交互的提示者」，而這個項目讓我們看見了通過 AI 技術來打造這樣一個無處不在、任何時間都可以發出警告的提示者的可能。

「幕后玩家」-深度學習引擎

深度學習引擎被認為是 AI 時代的操作系統，就好比 PC 時代的 windows 或者移動時代的 Android。深度學習引擎大致可以表述為這樣：深度學習引擎是一套幫助開發者完成各種深度學習模型訓練任務的解決方案。通過這樣的解決方案，可以讓深度學習的研發工作者把更多的精力放在解決業務問題而非一些復雜、工作量巨大的基礎編程工作。此外，一個良好的深度學習引擎可以讓模型的訓練工作更加快速高效，節省更多的時間和計算資源成本，這對于有大規模業務需求的企業級用戶來說，就顯得非常重要。這項技術會連接 AI 產業鏈底層的硬件計算資源以及上層的各種應用層面的 AI 技術，處在一個非常關鍵的位置，是科技巨頭的必爭之地。

還是拿剛才提到的 AI 控煙項目舉例子，這里面依賴了三種 AI 技術能力，而這三項技術能力有著共同的源頭—百度的自研深度學習引擎 PaddlePaddle。其中吸煙動作的識別是通過采集、標注圖像中的吸煙行為后，基于 PaddlePaddle 框架直接訓練出來的，據官方說法，大概使用了數萬張樣本數據，經過 40 多輪模型訓練得到了一個準確率在 80% 左右的模型；圖像中人物檢測和提取使用的是 PaddlePaddle 中開源的 SSD 目標檢測算法；確定人臉位置使用的人臉檢測的技術接口，但接口背后的人臉檢測模型也是基于 PaddlePaddle 框架訓練得到的。

SSD 目標檢測：https://github.com/PaddlePaddle/models/blob/develop/ssd/README.cn.md

人臉檢測：http://ai.baidu.com/tech/face/detect

這個項目主要采用的 SSD 模型是目標檢測領域效果最好的算法之一，有著檢測速度快且檢測精度高的特點。如下展示了 SSD 網絡的整體結構：

圖中每個矩形框代表一個卷積層，最后兩個矩形框分別表示匯總各卷積層輸出結果和后處理階段。在預測階段，網絡會輸出一組候選矩形框，每個矩形包含：位置和類別得分。圖中倒數第二個矩形框即表示網絡的檢測結果的匯總處理。由于候選矩形框數量較多且很多矩形框重疊嚴重，這時需要經過后處理來篩選出質量較高的少數矩形框，主要方法有非極大值抑制（Non-maximum Suppression）。

從 SSD 的網絡結構可以看出，候選矩形框在多個特征圖上生成，不同的特征圖具有的感受野不同，這樣可以在不同尺度掃描圖像，相對于其他檢測方法可以生成更豐富的候選框，從而提高檢測精度；另一方面 SSD 對 VGG16 的擴展部分以較小的代價實現對候選框的位置和類別得分的計算，整個過程只需要一個卷積神經網絡完成，所以速度較快。

目前主流的深度學習引擎有十余種，其背后是各個科技巨頭（如 TensorFlow-谷歌、CNTK-微軟、MXNET-亞馬遜、Pytorch-臉書等）的支持，而 PaddlePaddle 是目前唯一一個由中國企業，即百度，研發和支持的項目，目前正處于快速發展中。