专注智能物联网解决方案致力于打造AI+IoT智慧工程
24小时咨询热线:13760252015
您的位置:老虎云人脸识别公司>>新闻资讯>>公司新闻

新闻动态

咨询热线

13760252015

人工智能和人脸识别的科普

作者:时间:2020-05-26 11:55:12476 次浏览

信息摘要:

人的大脑需要借助各种感官,如眼睛、耳朵等,感知外界信息,然后进行判断,这其中用机器来代替人眼来做测量跟判断的动作,称为机器视觉,机器视觉是人工智能学科中发展的最为快速的分支,而当今大家熟知的人脸识别技术就是机器视觉最富有挑战性的课题之一。

  人工智能( Artificial Intelligence ),英文缩写为AI。广义上的人工智能实际上等同于机器智能,通俗的解释就是就是赋予机器以人的智慧,让机器像人一样学会思考。而机器学习 ( Machine Learning, ML ) 是人工智能的一个研究分支,主要是设计和分析一些让计算及自动获取知识的算法,涉及到概率论、统计学、逼近论等多个领域。深度学习( Deep Learning, DL )又是机器学习的一个分支,可以理解为用计算机的算法模拟人类大脑的深度神经网络,然而对于神经网络我们还没有一个严格的定义,但其特点是试图模仿大脑的神经元之间传递,处理信息的模式。

  因此,简单而言,人工智能、机器学习和深度学习是一种包含关系。我们通过在计算能力和计算方式上的探索在不断接近人工智能的本质——一个具备自我学习和应变能力的智能机体。但我们不能单纯地认为人工智能只是把数学模型做的更准确一点,让机器拥有拟人化能力是一个漫长的发展过程:毕竟从计算机诞生到现在的移动互联网,我们就用了70年的时间。而现在我们才刚开始触摸到到智能时代的拐点的边缘。我们之所以认为是“今天”处在智能时代的临界点是因为以下最重要的两个条件的形成:

人脸识别

  1. 计算能力到达了一定高度,摩尔定律推动了世界的发展;

  2. 大数据的积累、传感技术的成熟。

  今年正是人工智能概念提出的第六十周年,当年参与达特茅斯会议的最后一名在世的科学家——人工智能之父马文明斯基也于年初离世,我们经历了一个时代的结束也面临着一个新的时代的开始。大数据和机器学习让计算机变得特别聪明,以至于使计算机能够在某些领域很大程度的超过人类的极限能力,比如谷歌AlphaGo战胜了围棋世界李世石,而人工智能的目的不是让计算机和人类下下棋而已,可以说未来几十年将面临由大数据带来的智能革命,机器会获得越来越全面的能力。

  但实际上,人工智能的应用范围博大精深,繁冗复杂,在每一个垂直领域的应用都需要克服难以想象的障碍。所以,我们先拆分大脑的功能,让机器一点点实现智能化。

  人的大脑需要借助各种感官,如眼睛、耳朵等,感知外界信息,然后进行判断,这其中用机器来代替人眼来做测量跟判断的动作,称为机器视觉,机器视觉是人工智能学科中发展的最为快速的分支,而当今大家熟知的人脸识别技术就是机器视觉最富有挑战性的课题之一。

  在深度学习诞生前,人脸识别研究人员试图不断改进、的提高计算机识别人脸的能力,但相对人类本身所具有的人脸识别能力仍然望尘莫及。直到2012年,深度学习开始影响人脸识别技术的发展,基于深度卷积神经网络的方法在不断突破人工智能算法的世界纪录。如何在一张环境复杂的图片中快速识别出人脸,对于人来说很简单,但对于机器而言,需要经历以下几个步骤: 人脸检测、人脸分析、人脸识别。

  一张图片输入机器后,需要先找到人脸的位置——人脸检测,然后在这个基础上定位人脸关键点的位置( 如眼睛中心或嘴角等 )并提取特征值——人脸分析,每个系统关键提取的数量相差很大,有的只有左右眼睛中心两个点,有的可能多达近百个点。这些点的位置一是用来做人脸的几何校正,即把人脸通过缩放、旋转、拉伸等图像变化变到一个比较标准的大小位置。这样待识别的人脸区域会更加规整,便于后续进行匹配。同时,现在的实际系统一般也都配有人脸光学校正模块,通过一些滤波的方法,去除一些对光照更加敏感的面部特征。在做完这些预处理之后,就是从人脸区域提取各种特征,包括 LBP、HOG、Gabor 等。最终相关的特征会连接成一个长的特征向量( Feature Vector ),然后匹配出人脸的相似度,根据相似度的大小,系统会判定两张图片到底是不是一个人——人脸识别 。所以,想要降低人脸识别的失误率,需要强大的算法支撑。