侵权投诉
订阅
纠错
加入自媒体

人脸识别技术在智慧城市建设中的深度应用

人脸识别技术在智慧城市中的应用前景与趋势

脸识别技术将与其他各种生物识别技术一起产生混合场景下的各种混搭应用,利用人脸识别与声纹识别,RFID技术等都会碰撞出奇妙的火花。人脸识别的算法也将由单一算法向混合算法聚簇、与大数据、云计算、深度学习、人工智能、基因标识一起融合发展形成新的应用前景。

算法是人脸识别技术的核心,计算机通过人脸识别算法,可将一张张人脸的图片转换成可量化的人脸特征数据,从而量化人脸特征数据的差异性,得到相似度数值。

深度学习是目前最炙手可热的人工智能算法,国内外研究机构和企业(Google、Microsoft、中科院等)投入大量研究资源,其成果广泛应用于计算机视觉、语音识别、智能分析等领域。深度学习不是一项新技术,其前生神经网络技术已经有40多年的发展历史。学术界和工业界,越来越多研究深度学习理论,使得深度学习的模型得到加强和优化。数据太大,模型不够复杂,覆盖不了所有数据。深度学习非常依赖训练样本的数量,随着互联网、大数据的发展,更多的人脸样本数据加入训练模型中,使得算法模型针对人脸更加通用,更接近于真实的世界。深度学习的“深度”便指的是模型的层数以及每一层的节点数量,越是低层,特征越简单,越是高层,特征越抽象,越接近要表达的意图。对于图片来说,最低层次的特征是像素(0-255的矩阵),这个特征对于我们来说没有价值,但从像素中可以找到边缘特征、再找到部位特征,最后形成不同的目标物。传统的智能算法为了进行某种模式的识别,通常的做法首先是以某种方式,提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的,有时候是在给定相对较多数据的前提下,由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备。而目前以深度学习为核心的机器学习算法,在满足特定条件的应用场景下,已经达到了超越现有算法的识别或分类性能。也就是说,深度学习算法得到的人脸特征,已经远远超出了我们人类所能理解的形状、角度、比例、肤色等特征,其绝大部分特征是算法自己通过学习得到,并能够被计算机所理解。深度学习虽然能够自动的学习模式的特征,并可以达到很好的识别精度,但这种算法工作的前提是,使用者能够提供“相当大”量级的数据。也就是说,如果提供有限数据量的应用场景下,深度学习算法便不能够对数据的规律进行无偏差的估计,因此在识别效果上可能不如一些已有的简单算法。另外,由于深度学习中,图模型的复杂化导致了这个算法的时间复杂度急剧提升,为了保证算法的实时性,需要更高的并行编程技巧以及更好更多的硬件支持。

结语

作者在编写本文的时候,恰逢Apple公司发布了iPhone X 的划时代产品,也被Apple公司标榜为十年来最科技的iPhone产品,而这款产品在我这个人脸识别应用的业内人士看来,其高科技感无不来自于iPhone X的人脸识别新技术,从这个引领潮流趋势,吸引全世界眼球的产品演示中可以看到人脸识别将从高大山的智慧城市行业应用开始逐步向每一个人的手机中渗透,我们有视频云,大数据管,人脸识别摄像机端,而今,在“云管端”的覆盖下,手机中集成人脸识别,特征识别,指纹识别,声纹识别,虹膜识别等身份识别技术已经在iPhone X上实现,由此带动的金融支付、刷脸购物,人脸识别+证明池服务,人脸识别+安全生产双主体,人脸识别+智慧出行等等应用将会通过一个个摄像头让我们的生活更智能更便捷,我们的社会更安全。人脸识别就在我们身边,抬头看看杆塔安防的摄像头、低头看看手机上的人脸识别应用,智慧应用都已经用到了你的微信,支付宝上了,你期待的智慧城市新生活还会远吗?

<上一页  1  2  3  4  5  
声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号