【中國安防展覽網(wǎng) 企業(yè)關(guān)注】隨著科技的發(fā)展,生物識別技術(shù)已經(jīng)成為個人身份識別或認證技術(shù)的重要方式,人臉識別作為生物特征識別的重要分支,它的無侵害性和對用戶以自然、直觀的識別方式更容易被接受。然而，已有的一些機器學(xué)習(xí)算法大都使用淺層結(jié)構(gòu),而淺層結(jié)構(gòu)的網(wǎng)絡(luò)很難表示復(fù)雜函數(shù)。同時,以往提出的多層感知機雖可以表示復(fù)雜的函數(shù)關(guān)系但又由于沒有很好的學(xué)習(xí)算法。這使得人臉識別技術(shù)并不怎么”聰明“。
近幾年深度學(xué)習(xí)技術(shù)被業(yè)界廣泛認可，并在各個相關(guān)領(lǐng)域都取得了突飛猛進的進展。深度學(xué)習(xí)技術(shù)在人臉識別領(lǐng)域的應(yīng)用也有精彩應(yīng)用。今天，人臉識別專家、獲得國家科技進步獎二等獎的王國田博士，給大家介紹關(guān)于深度學(xué)習(xí)和人臉識別應(yīng)用之間的相關(guān)技術(shù)概念。
借助深度學(xué)習(xí)人臉識別變得更聰明 未來更精彩
人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。
機器學(xué)習(xí) ( Machine Learning, ML ) 是人工智能的一個研究分支，主要是設(shè)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(tǒng)計學(xué)、逼近論等多個領(lǐng)域。
深度學(xué)習(xí)( Deep Learning, DL )又是機器學(xué)習(xí)的一個分支，深度學(xué)習(xí)是機器學(xué)習(xí)研究中的一個新的領(lǐng)域，其動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像、聲音和文本。同機器學(xué)習(xí)方法一樣，深度機器學(xué)習(xí)方法也有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之分。
作為人臉識別專家，王國田博士特別指出：不同的學(xué)習(xí)框架下建立的學(xué)習(xí)模型很是不同，例如，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks，簡稱CNNs)就是一種深度的監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型，而深度置信網(wǎng)(Deep Belief Nets，簡稱DBNs)就是一種無監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型。
因此，簡單而言，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)是一種包含關(guān)系。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能的本質(zhì)——一個具備自我學(xué)習(xí)和應(yīng)變能力的智能機體。但我們不能單純地認為人工智能只是把數(shù)學(xué)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(fā)展過程：畢竟從計算機誕生到現(xiàn)在的移動互聯(lián)網(wǎng)，我們就用了70年的時間，在人臉識別技術(shù)領(lǐng)域浸研了二十年多年后，人臉識別專家王國田博士對此事深有體會。
王國田博士表示：大數(shù)據(jù)和機器學(xué)習(xí)讓計算機變得特別聰明，以至于使計算機能夠在某些領(lǐng)域很大程度的超過人類的極限能力，比如谷歌AlphaGo戰(zhàn)勝了圍棋世界李世石，而人工智能的目的不是讓計算機和人類下下棋而已，可以說未來幾十年將面臨由大數(shù)據(jù)帶來的智能革命，機器會獲得越來越全面的能力。
但實際上，人工智能的應(yīng)用范圍博大精深，繁冗復(fù)雜，在每一個垂直領(lǐng)域的應(yīng)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(xiàn)智能化。人的大腦需要借助各種感官，如眼睛、耳朵等，感知外界信息，然后進行判斷，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，機器視覺是人工智能學(xué)科中發(fā)展的為快速的分支，而當(dāng)今大家熟知的人臉識別技術(shù)就是機器視覺富有挑戰(zhàn)性的課題之一。
在人臉識別領(lǐng)域，王國田博士特別強調(diào)：傳統(tǒng)的人臉特征都是人工選取，例如SIFT，HOG等等，但是人工選取特征是一件非常費力事情，并且選取特征的好壞很大程度上依賴于經(jīng)驗和運氣，而深度學(xué)習(xí)是一種無監(jiān)督學(xué)習(xí)自動學(xué)習(xí)特征的方法，可以更好的表達樣本。人臉識別以其所具有的非侵入性、便捷性、安全性等特性擁有著廣闊的應(yīng)用前景和科研價值，因此使用深度學(xué)習(xí)方法的對人臉識別進行研究，可以在光照、表情、姿態(tài)以及低分辨率等問題進行改進。
在人臉識別專家王國田博士看來，基于深度學(xué)習(xí)的人臉識別方法，以稀疏自編碼神經(jīng)網(wǎng)絡(luò)和softmax分類器構(gòu)建深度層次網(wǎng)絡(luò)為例，并對該深度層次網(wǎng)絡(luò)進行了訓(xùn)練。為了驗證深度學(xué)習(xí)方法的人臉識別率，分別在ORL、Yale、Yale-B以及PERET人臉數(shù)據(jù)庫上做算法測評，測試內(nèi)容有softmax分類器人臉識別、深度網(wǎng)絡(luò)頂層微調(diào)算法和深度網(wǎng)絡(luò)整體微調(diào)算法三個方面。對各個數(shù)據(jù)庫的人臉圖像進行的預(yù)處理有直方圖均衡化、非局部均值算法、小波變換處理、Retinex圖像增強算法以及同態(tài)濾波算法。另外，使用深度網(wǎng)絡(luò)整體微調(diào)算法對低分辨率問題做了進一步驗證。后，利用matlab GUI編程實現(xiàn)一個基于稀疏自編碼神經(jīng)網(wǎng)絡(luò)和softmax分類器的人臉識別系統(tǒng)，該系統(tǒng)的深度層次網(wǎng)絡(luò)的層次和節(jié)點可調(diào)，且具備完整的識別功能。
王國田博士總結(jié)道：實驗結(jié)果表明深度學(xué)習(xí)方法對原始數(shù)據(jù)具有準確的抽象表達，在光照、表情、姿態(tài)以及低分辨率的條件下取得了良好的表現(xiàn)，尤其是在低分辨率的情況下。
再強大的算法如果不和現(xiàn)實的應(yīng)用場景相結(jié)合也無異于紙上談兵，除了名次的提升和無限接近于100%的實驗結(jié)果，并沒有帶來實際的價值更何談社會效益。人工智能產(chǎn)生的初衷是為了取代人力，將人類解放出來去創(chuàng)造更多的價值，人臉識別技術(shù)也同樣應(yīng)該遵循這個基本原則。目前，隨著技術(shù)的發(fā)展和市場需求的快速增長，人臉已經(jīng)在很多領(lǐng)域發(fā)揮了這樣的價值，如人臉識別考勤門禁，遠程在線核身，用刷臉替代實名場景中需要的人力和物力。在安防方面的應(yīng)用比如公共場所動態(tài)監(jiān)控、緝拿逃犯、人員布控等。
在后，站在一個人臉識別專家的角度，王國田博士肯定的表示：相比于人眼的效率來說，人工智能的人臉識別能力要遠遠超過人類。但這并不代表機器不會出錯，因此在準確形容人臉識別通過率的專用詞匯中，有誤識率一詞，就非思科技而言，完全可以做到在萬分之一誤識率下，通過率達到98%并能夠滿足日常生活中的應(yīng)用場景。畢竟，人工智能的意義是賦予人類更強大的能力、協(xié)助人類更的工作，而并非取代人類。
智慧城市網(wǎng)APP
智慧城市網(wǎng)小程序
微信公眾號
移動版
