How Does Facial Recognition Work? - Brit Lab
 |
來源： 億歐網
人工智慧（Artificial Intelligence，AI），英文縮寫為AI。廣義上的人工智慧實際上等同於機器智慧，通俗的解釋就是就是賦予機器以人的智慧，讓機器像人一樣學會思考。
而機器學習(Machine Learning，ML)是人工智慧的一個研究分支，主要是設計和分析一些，讓計算及自動獲取知識的算法，涉及到概率論、統計學、逼近論等多個領域。
深度學習(Deep Learning，DL)又是機器學習的一個分支，可以理解為用電腦的算法，模擬人類大腦的深度神經網路，然而對於神經網路，我們還沒有一個嚴格的定義，但其特點是試圖模仿大腦的神經元之間傳遞，處理訊息的模式。
因此，簡單而言，人工智慧、機器學習和深度學習是一種包含關係。我們通過在計算能力和計算方式上的探索，在不斷接近人工智慧的本質——一個具備自我學習和應變能力的智慧機體。
但我們不能單純地認為，人工智慧只是把數學模型做的更準確一點，讓機器擁有擬人化能力，是一個漫長的發展過程：畢竟從電腦誕生，到現在的行動網路，我們就用了70年的時間。
而現在我們才剛開始，觸摸到到智慧時代的拐點的邊緣。我們之所以認為是「今天」處在智慧時代的臨界點，是因為以下最重要的兩個條件的形成：
1.計算能力到達了一定高度，摩爾定律推動了世界的發展；
2.大數據的積累、傳感技術的成熟。
今年正是人工智慧概念提出的第六十週年，當年參與達特茅斯會議的最後一名在世的科學家——人工智慧之父馬文明斯基也於年初離世，我們經歷了一個時代的結束，也面臨著一個新的時代的開始。
大數據和機器學習，讓電腦變得特別聰明，以至於使電腦能夠在某些領域，很大程度的超過人類的極限能力，比如谷歌AlphaGo戰勝了圍棋世界冠軍李世石，而人工智慧的目的，絕對不是讓電腦和人類下下棋而已，可以說未來幾十年，將面臨由大數據帶來的智慧革命，機器會獲得越來越全面的能力。
但實際上，人工智慧的應用範圍博大精深，繁冗複雜，在每一個垂直領域的應用，都需要克服難以想象的障礙。所以，我們先拆分大腦的功能，讓機器一點點實現智慧化。
人的大腦需要借助各種感官，如眼睛、耳朵等，感知外界資訊，然後進行判斷，這其中用機器來代替人眼，來做測量跟判斷的動作，稱為機器視覺，機器視覺是人工智慧學科中發展的最為快速的分支，而當今大家熟知的人臉辨識技術，就是機器視覺最富有挑戰性的課題之一。
人臉辨識
在深度學習誕生前，人臉辨識研究人員試圖不斷改進、提高電腦辨識人臉的能力，但相對人類本身所具有的人臉辨識能力，仍然望塵莫及。
直到2012年，深度學習開始影響人臉辨識技術的發展，基於深度卷積神經網路的方法，在不斷突破人工智慧算法的世界紀錄。如何在一張環境複雜的圖片中，快速辨識出人臉，對於人來說很簡單，但對於機器而言，需要經歷以下幾個步驟：人臉檢測、人臉分析、人臉辨識。
一張圖片輸入機器後，需要先找到人臉的位置——人臉檢測，然後在這個基礎上，定位人臉關鍵點的位置(如眼睛中心或嘴角等)並提取特徵值——人臉分析，每個系統關鍵提取的數量相差很大，有的只有左右眼睛中心兩個點，有的可能多達近百個點。
這些點的位置，一是用來做人臉的幾何校正，即把人臉通過縮放、旋轉、拉伸等圖像變化，變到一個比較標準的大小位置。這樣待辨識的人臉區域會更加規整，便於後續進行匹配。
同時，現在的實際系統，一般也都配有人臉光學校正模組，通過一些濾波的方法，去除一些對光照更加敏感的臉部特徵。在做完這些預處理之後，就是從人臉區域提取各種特徵，包括LBP、HOG、Gabor等。
最終相關的特徵，會連接成一個長的特徵向量（Feature Vector），然後匹配出人臉的相似度，根據相似度的大小，系統會判定兩張圖片到底是不是一個人——人臉辨識。所以，想要降低人臉辨識的失誤率，需要強大的算法支撐。
但失誤率低，是否就能在商業領域中站穩腳跟？
產學研究
常言道：實踐出真知。
再強大的算法，如果不和現實的應用場景相結合，也無異於紙上談兵，除了名次的提升和無限接近於100%的實驗結果，並沒有帶來實際的價值，更何談社會效益。
人工智能產生的初衷，是為了取代人力，將人類解放出來去創造更多的價值，人臉辨識技術也同樣應該遵循這個基本原則。目前，隨著技術的發展和市場需求的快速增長，人臉已經在很多領域發揮了這樣的價值，如遠端線上核身，用刷臉替代實名場景中，需要的人力和物力。
而在實際應用場景中，我們通常會提到兩個概念：即1：1和1：N。
1：1可以粗暴地理解為，證明你就是你。事實上，1：1屬於一種靜態比對，在泛金融的核身、資訊安全領域中，還有潛在巨大的商用價值。例如在機場安檢口，總是需要有一個人拿著你的身份證，看看你再看看證件，來確認你就是持證人，這種場景就是典型的1：1場景。
然而人的肉眼辨識精準度是在95%左右，且長時間工作容易疲勞，所以機場安檢人員，需要在半個小時到一個小時之內，換班一次，來保證辨識的準確率。
而人臉辨識技術的出現，就完全能夠解決這種場景下「需要一個人」的問題，當然，這種價值同樣能在考試考生身份的審核、酒店入住辦理，火車站人票合一認證等，任何需要實名制的場景中體現。
在行業應用中，1：1更多是應用在金融、核身、資訊安全領域，特點是精準安全。
而1：N主要應用的方向是在商業、安防等。比如一個女士去商場買包包，店員不知道她是否是會員。如果引用機器視覺技術，不管店員換沒換，當顧客進門的時候，她的資訊就被推送給店員完成精準的推薦，這就是機器視覺在商業領域VIP客戶辨識的典型應用。在安防方面的應用，比如公共場所動態監控、緝拿逃犯、人員佈控等。
需要說明的是，人臉辨識技術的成熟，雖然能讓電腦替代人眼，取代一大部分在審核、找人工作中的勞動力，但它並不能作為嚴肅場景中的唯一的驗證方式。
舉例說明，在某公共場所動態監控緝拿逃犯時，因受外界環境干預，可能會同時彈出5個疑似的人選，這時就需要人工協助，共同完成辨識確認過程；又或者在企業應用中，具有較高機密性質的場所，可以採用人臉辨識和刷卡的雙重認證，來確保安全性。
可以肯定的是，相比於人眼的效率來說，人工智慧的人臉辨識能力，要遠遠超過人類。但這並不代表機器不會出錯，因此在準確形容人臉辨識通過率的專用詞彙中，有誤識率一詞，就曠視(Face++)而言，完全可以做到在萬分之一誤識率下，通過率達到98%並能夠滿足日常生活中的應用場景。
畢竟，人工智慧的意義，是賦予人類更強大的能力、協助人類更高效的工作——正如如我們開篇說的，Power human with AI，而並非取代人類。
沒有留言:
張貼留言