張振寰

（湖北孝感美珈職業(yè)學(xué)院，湖北 孝感 432017）

0 引言

人臉識(shí)別技術(shù)是一種利用計(jì)算機(jī)技術(shù)自動(dòng)對(duì)特定圖像和視頻中的人臉進(jìn)行定位與身份識(shí)別的技術(shù)，具有很強(qiáng)的自動(dòng)化特征。通過(guò)相機(jī)或攝像機(jī)采集人臉數(shù)據(jù)，再通過(guò)計(jì)算機(jī)識(shí)別人臉的相關(guān)數(shù)據(jù)信息，實(shí)現(xiàn)人臉的檢測(cè)、跟蹤與識(shí)別。人臉識(shí)別技術(shù)的研究最早可追溯至1964年，在研究早期，研究人員主要圍繞面部的幾何特征進(jìn)行研究，探究如何對(duì)人臉面部的幾何特征進(jìn)行識(shí)別［1］，隨著科學(xué)技術(shù)的進(jìn)一步發(fā)展，研究人員開(kāi)始圍繞多維特征矢量層面的人臉面部特征進(jìn)行研究。隨著近年來(lái)人工智能技術(shù)的不斷發(fā)展，人臉識(shí)別技術(shù)在人們?nèi)粘Ｉ钆c社會(huì)生產(chǎn)中得到了廣泛應(yīng)用，各行各業(yè)開(kāi)始重視3D人臉建模與識(shí)別技術(shù)的研究?，F(xiàn)階段，我國(guó)的人臉識(shí)別技術(shù)已經(jīng)邁入新的時(shí)代，基于人工智能技術(shù)的人臉識(shí)別技術(shù)已成為居民日常生活中必不可少的一門(mén)技術(shù)。

1 基于人工智能的人臉識(shí)別技術(shù)

人臉識(shí)別技術(shù)隸屬于生物身份驗(yàn)證方法，與其他生物身份驗(yàn)證方法最大的區(qū)別就是具有非接觸特性。傳統(tǒng)的生物身份驗(yàn)證方法，如虹膜、基因、指紋等屬于接觸式識(shí)別，需要在人為采樣的基礎(chǔ)上才能實(shí)現(xiàn)身份的鑒別。人臉識(shí)別技術(shù)綜合了多個(gè)領(lǐng)域的知識(shí)，與神經(jīng)網(wǎng)絡(luò)、模式識(shí)別、圖像處理、人工智能、計(jì)算機(jī)視覺(jué)等學(xué)科的發(fā)展密不可分［2］。對(duì)于人類(lèi)而言，識(shí)別人臉并記憶人臉的特征并非一件難事，但要實(shí)現(xiàn)機(jī)器的自動(dòng)人臉識(shí)別，則有著非常大的難度。人臉的結(jié)構(gòu)復(fù)雜，機(jī)器在識(shí)別過(guò)程中，不僅會(huì)受到光照、角度等外界因素的影響，還會(huì)受到表情、姿態(tài)等人為因素的影響，同樣的人臉在不同的采集條件下會(huì)發(fā)生巨大的變化。近年來(lái)，人工識(shí)別技術(shù)被廣泛應(yīng)用于安保、金融、教育等領(lǐng)域，各個(gè)行業(yè)對(duì)這項(xiàng)技術(shù)的精準(zhǔn)度要求也變得越來(lái)越高，人工智能技術(shù)的應(yīng)用已成為人臉識(shí)別技術(shù)未來(lái)重要的發(fā)展方向。

基于人工智能的人臉識(shí)別技術(shù)與傳統(tǒng)人臉識(shí)別技術(shù)的最大區(qū)別就是前者應(yīng)用了機(jī)器的智能行為，基本研究路徑從人臉特征轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)方法。二者識(shí)別流程基本無(wú)異，如圖1所示，都需要經(jīng)歷以下3個(gè)階段。

圖1 人臉識(shí)別技術(shù)流程

1.1 人臉檢測(cè)與定位

搭建人臉識(shí)別系統(tǒng)，利用攝像機(jī)、相機(jī)等設(shè)備采集包含人臉數(shù)據(jù)信息的圖像或視頻，在此基礎(chǔ)上利用機(jī)器自動(dòng)定位人臉，分析輸入圖像中的人臉大小、位置與姿態(tài)。人臉檢測(cè)與定位的主要目的是確定圖像和圖像系列中有無(wú)人臉，在機(jī)器檢測(cè)出圖像中存在人臉后，對(duì)人臉的位置、空間范圍進(jìn)行定位，實(shí)現(xiàn)人臉位置、數(shù)目、尺寸等參數(shù)的初步分析。

1.2 特征提取

通過(guò)檢測(cè)與定位后，機(jī)器以檢測(cè)與定位的特定人臉區(qū)域?yàn)檠芯繉?duì)象，對(duì)人臉的特征進(jìn)行提取。這個(gè)階段，要對(duì)人臉數(shù)據(jù)信息繼續(xù)預(yù)處理，強(qiáng)化與表現(xiàn)圖像中的人臉特征，并利用特定的算法識(shí)別人臉的特征矢量。人臉識(shí)別技術(shù)中應(yīng)用的特征識(shí)別方法沒(méi)有統(tǒng)一的形式與過(guò)程［3］，根據(jù)人臉識(shí)別技術(shù)應(yīng)用領(lǐng)域的不同，可選擇不同的特征識(shí)別方法滿(mǎn)足不同領(lǐng)域的需求。例如：幾何特征法中，利用特征點(diǎn)構(gòu)成特征向量；統(tǒng)計(jì)識(shí)別法中，利用圖像相關(guān)矩陣的特征值、特征適量構(gòu)成特征向量；模板匹配法中，利用相關(guān)系數(shù)構(gòu)成特征向量；隱馬爾可夫過(guò)程法中，利用多樣本圖像空間系列訓(xùn)練構(gòu)成HMM模型，該模型的參數(shù)即為特征向量；神經(jīng)網(wǎng)絡(luò)法中，將歸一化灰度圖像作為輸出，將網(wǎng)絡(luò)輸出結(jié)果作為識(shí)別結(jié)果。

1.3 人臉識(shí)別

現(xiàn)有的人臉識(shí)別技術(shù)都是根據(jù)已知的人臉，分析未知人臉的具體歸屬。因此，人臉識(shí)別技術(shù)會(huì)將待識(shí)別人臉與數(shù)據(jù)庫(kù)內(nèi)已有人臉的特征進(jìn)行匹配，通過(guò)分類(lèi)器設(shè)計(jì)、決策、分類(lèi)識(shí)別信息等流程，確定人臉識(shí)別的結(jié)果。

2 人工智能下的人臉識(shí)別算法分析

2.1 基于面部特征的人臉識(shí)別算法

人臉的五官分布有一定的規(guī)律，基于面部特征的人臉識(shí)別算法是一種利用人臉面部特征規(guī)律的算法。人的眼睛對(duì)稱(chēng)分布在人臉的上半部分，鼻與嘴中心點(diǎn)的連線(xiàn)與雙眼連線(xiàn)保持垂直，上述特征都可應(yīng)用于人臉檢測(cè)算法中。但基于面部特征的人臉檢測(cè)算法準(zhǔn)確率較低，如果在待檢測(cè)圖像或圖像序列的背景中也存在人臉區(qū)域，就會(huì)導(dǎo)致誤檢［4］。除此之外，在規(guī)定人臉面部特征規(guī)律時(shí)，如果將面部特征的規(guī)律制定得過(guò)于嚴(yán)格，就會(huì)導(dǎo)致人臉難以識(shí)別，出現(xiàn)拒識(shí)現(xiàn)象；如果將面部特征的規(guī)律制定得過(guò)于松散，就會(huì)導(dǎo)致機(jī)器錯(cuò)誤識(shí)別，將與人臉面部特征相似的物體識(shí)別為人臉，出現(xiàn)誤識(shí)現(xiàn)象。

2.2 基于統(tǒng)計(jì)的人臉識(shí)別算法

顧名思義，基于統(tǒng)計(jì)的人臉檢測(cè)算法利用了統(tǒng)計(jì)的原理。相較于面部特征人臉檢測(cè)算法，統(tǒng)計(jì)人臉檢測(cè)算法在人工智能技術(shù)的基礎(chǔ)上，利用機(jī)器學(xué)習(xí)與統(tǒng)計(jì)，從海量人臉圖像中總結(jié)出人臉的規(guī)律，從整個(gè)人臉的角度出發(fā)檢測(cè)人臉的規(guī)律。統(tǒng)計(jì)人臉檢測(cè)法需要大量的樣本輔助機(jī)器學(xué)習(xí)，機(jī)器在學(xué)習(xí)人臉、非人臉樣本后會(huì)構(gòu)造訓(xùn)練分類(lèi)器，從而判別圖像中哪些區(qū)域?qū)儆谌祟?lèi)，實(shí)現(xiàn)人類(lèi)檢測(cè)。隨著人工智能技術(shù)的發(fā)展，統(tǒng)計(jì)人臉檢測(cè)算法的應(yīng)用難度變得越來(lái)越低，應(yīng)用效果也變得越來(lái)越好，現(xiàn)階段已經(jīng)成為解決復(fù)雜人臉檢測(cè)問(wèn)題的重要途徑。

2.3 基于模板匹配的人臉識(shí)別算法

模板匹配人臉檢測(cè)算法首先會(huì)建立一個(gè)標(biāo)準(zhǔn)模板，其中包含局部人臉特征并被視為子模板。在輸入圖像或圖像序列后，對(duì)圖像進(jìn)行全局搜索，計(jì)算標(biāo)準(zhǔn)人臉模板中不同子模板之間的相關(guān)系數(shù)。在此基礎(chǔ)上，根據(jù)模板中的閾值，檢測(cè)圖像或圖像序列中的人臉。隨著模板匹配人臉檢測(cè)算法的發(fā)展，彈性模板在人臉檢測(cè)算法中得到廣泛應(yīng)用，彈性模板利用待測(cè)人臉的形狀參數(shù)，將其構(gòu)成可調(diào)模板，并使其與能量函數(shù)相對(duì)應(yīng)，能夠?qū)崿F(xiàn)不同大小、不同偏轉(zhuǎn)角度人臉的有效檢測(cè)［5］。但是，彈性模板匹配人臉檢測(cè)算法需要提前設(shè)計(jì)好彈性模板輪廓，必須對(duì)參數(shù)不斷進(jìn)行調(diào)整，對(duì)能量函數(shù)進(jìn)行計(jì)算，需要更長(zhǎng)的計(jì)算時(shí)間。

2.4 基于膚色模型的人臉識(shí)別算法

這種方法廣泛應(yīng)用于彩色圖像或圖像序列的人臉檢測(cè)中。顏色是人臉的重要特征，據(jù)相關(guān)文獻(xiàn)報(bào)道，人臉的膚色在顏色空間中也是非常獨(dú)立、特殊的一類(lèi)［6］。在亮度的影響下，膚色值會(huì)發(fā)生變化，在膚色模型人臉檢測(cè)算法中，會(huì)首先檢測(cè)圖像或圖像序列中的膚色區(qū)域，再將尺度相近、位置相鄰、顏色相近等要素的膚色區(qū)域進(jìn)行合并，最后結(jié)合模板匹配法、統(tǒng)計(jì)法、面部特征法、神經(jīng)網(wǎng)絡(luò)法等實(shí)現(xiàn)人臉的精準(zhǔn)識(shí)別。

2.5 基于代數(shù)特征的人臉識(shí)別算法

假設(shè)圖像由N個(gè)像素構(gòu)成，那么這個(gè)圖像可被視作N維矢量空間。在此基礎(chǔ)上，利用不同的變換方法，提取圖像中的主成分，選擇人臉樣本集中的自相關(guān)矩陣特征矢量，即可構(gòu)成正交低維人臉空間。代數(shù)特征人臉檢測(cè)算法有著非常好的穩(wěn)定性，也具備唯一不變性、轉(zhuǎn)置不變性。特征向量會(huì)和圖像的高度等參數(shù)形成比例，發(fā)生變化。

2.6 基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法

人工神經(jīng)網(wǎng)絡(luò)也被稱(chēng)作連接模型，是一種模擬人類(lèi)神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)與人工智能有著密切的關(guān)系，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉識(shí)別中，有著非常好的效果。神經(jīng)網(wǎng)絡(luò)應(yīng)用了當(dāng)量具有并行運(yùn)算功能的簡(jiǎn)單單元，這些單元相互組成構(gòu)成一個(gè)非線(xiàn)性動(dòng)力系統(tǒng)。通過(guò)神經(jīng)網(wǎng)絡(luò)，能夠?qū)σ呀?jīng)提取的主特征特征值進(jìn)行有效分類(lèi)，將人臉圖像、人臉圖像部件區(qū)域作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，隱層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)分別決定特征提取維數(shù)、待識(shí)別人臉類(lèi)數(shù)，實(shí)現(xiàn)了人臉的有效識(shí)別。隨著人工智能技術(shù)的不斷發(fā)展，計(jì)算學(xué)習(xí)能力也在不斷加強(qiáng)，機(jī)器學(xué)習(xí)、訓(xùn)練與識(shí)別的速度也變得越來(lái)越快，相較于其他人臉識(shí)別算法，神經(jīng)網(wǎng)絡(luò)人臉識(shí)別算法不需要經(jīng)歷復(fù)雜的特征提取環(huán)節(jié)，由人工智能加持下的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)化特征提取，是未來(lái)人臉識(shí)別技術(shù)的重要發(fā)展趨勢(shì)。

2.7 基于三維模型的人臉識(shí)別算法

三維模型人臉識(shí)別算法由幾何人臉識(shí)別算法發(fā)展而來(lái)，其有效解決了二維照片識(shí)別中無(wú)法有效識(shí)別人臉光照、姿態(tài)等因素的缺點(diǎn)。三維模型通過(guò)三維網(wǎng)格能夠描述人臉不同特征之間的幾何關(guān)系，通過(guò)紋理映射的方法，將人臉的外觀即時(shí)表現(xiàn)出來(lái)［7］。常見(jiàn)的三維模型人臉識(shí)別算法有建立在計(jì)算機(jī)圖形學(xué)算法生成的逼真人臉模型之上，也有建立在計(jì)算機(jī)立體視覺(jué)理論之上，對(duì)人臉圖像進(jìn)行學(xué)習(xí)、分析、理解與識(shí)別。人臉識(shí)別技術(shù)可以提取人臉面部的結(jié)構(gòu)光，從而獲取人臉的三維表面特征，三維模型中還引用了形狀紋理信息、三維圖像序列數(shù)據(jù)、人臉灰度信息等識(shí)別方法，大幅提升了三維模型的抗干擾能力。綜上，三維模型已成為未來(lái)人臉識(shí)別的重要方向。

3 人工智能中人臉識(shí)別技術(shù)的應(yīng)用

3.1 教育領(lǐng)域的應(yīng)用

人臉識(shí)別技術(shù)在教育領(lǐng)域的考試與選拔中發(fā)揮了重要的作用，能夠有效避免具有相似人臉的考生替代考試的行為，在機(jī)器深度學(xué)習(xí)的輔助下，人臉識(shí)別技術(shù)能夠準(zhǔn)確識(shí)別考生臉部的面部特征。近年來(lái)，我國(guó)線(xiàn)上教育飛速發(fā)展，相較于線(xiàn)下教育，線(xiàn)上教育的實(shí)施監(jiān)管難度更大，而人工智能加持下的在線(xiàn)教育則能夠?qū)崿F(xiàn)有效的監(jiān)管［8］。以新冠疫情期間部分高校的在線(xiàn)教育為例，為了保障學(xué)生的出勤率，確保學(xué)生的學(xué)習(xí)狀態(tài)，在線(xiàn)上教學(xué)的過(guò)程中引入了人工智能技術(shù)，通過(guò)人臉識(shí)別打卡的形式，檢查學(xué)生是否本人聽(tīng)課；并通過(guò)攝像頭人臉檢測(cè)的形式，檢測(cè)學(xué)生何時(shí)離開(kāi)課堂，何時(shí)學(xué)習(xí)狀態(tài)不佳。將人臉識(shí)別技術(shù)應(yīng)用于線(xiàn)上教育中，不僅能夠保障學(xué)生的出勤率，還能夠驗(yàn)證學(xué)生的學(xué)習(xí)狀態(tài)，有效建立了證偽機(jī)制。人工智能加持下的人臉識(shí)別技術(shù)實(shí)現(xiàn)了學(xué)生學(xué)習(xí)狀態(tài)的實(shí)時(shí)監(jiān)控，確保學(xué)生在線(xiàn)上也能夠按質(zhì)按量地參與學(xué)習(xí)，有效地彌補(bǔ)了線(xiàn)上教育交互性差的問(wèn)題，大幅提升了線(xiàn)上教育質(zhì)量。

3.2 安防領(lǐng)域的應(yīng)用

安防與我國(guó)的社會(huì)穩(wěn)定、經(jīng)濟(jì)發(fā)展有著密切的關(guān)系。隨著近年來(lái)我國(guó)基礎(chǔ)設(shè)施的不斷完善，不同地域的人員流動(dòng)頻率變得越來(lái)越高，公共場(chǎng)所人流量的不斷增加也大幅加大了警察部門(mén)開(kāi)展安防工作的難度。不法分子混跡于人群中，很大可能發(fā)生隱蔽的安全事故，將人臉識(shí)別技術(shù)應(yīng)用于安防領(lǐng)域，能夠?qū)崿F(xiàn)公共場(chǎng)所的有效監(jiān)管。將人臉識(shí)別技術(shù)與公安人臉數(shù)據(jù)庫(kù)對(duì)接，在可能出現(xiàn)安全問(wèn)題的公共場(chǎng)所實(shí)施24小時(shí)動(dòng)態(tài)監(jiān)控，實(shí)時(shí)記錄形跡可疑的流動(dòng)人員，在機(jī)器學(xué)習(xí)人臉數(shù)據(jù)庫(kù)中的人臉數(shù)據(jù)后，能夠利用人臉識(shí)別技術(shù)實(shí)時(shí)匹配公共場(chǎng)所的流動(dòng)人員信息，實(shí)現(xiàn)公共場(chǎng)所的有效監(jiān)管。

人臉識(shí)別技術(shù)在安防領(lǐng)域的應(yīng)用是我國(guó)發(fā)展的需要，也是大勢(shì)所趨。隨著我國(guó)人口數(shù)量的增長(zhǎng)，公共場(chǎng)所的人工檢查難度變得越來(lái)越大，公安部門(mén)進(jìn)行現(xiàn)場(chǎng)人工檢查必定占據(jù)大量的社會(huì)資源，若遺漏不法分子將會(huì)造成嚴(yán)重的社會(huì)資源浪費(fèi)。此外，若公安部門(mén)現(xiàn)場(chǎng)進(jìn)行人工檢查，很有可能打草驚蛇，出現(xiàn)適得其反的效果，無(wú)法有效地逮捕不法分子［9］。因此，合理地應(yīng)用人工智能加持下的人臉識(shí)別技術(shù)，通過(guò)公共攝像頭和計(jì)算機(jī)處理中心，實(shí)現(xiàn)流動(dòng)人員自動(dòng)化監(jiān)控與識(shí)別。例如：地鐵猥褻事件、公交偷竊事件的實(shí)時(shí)監(jiān)控，人臉識(shí)別技術(shù)不僅能夠采集人臉數(shù)據(jù)，還能夠自動(dòng)匹配人臉信息，大幅節(jié)約了公安人員查案的時(shí)間，提升了公安部門(mén)的辦事效率。同時(shí)，還能為公安人員執(zhí)法提供證據(jù)，在不法分子否認(rèn)非法行為時(shí)，利用人臉識(shí)別技術(shù)提供相應(yīng)的證據(jù)，保護(hù)我國(guó)公民的合法權(quán)益。

3.3 社會(huì)化應(yīng)用

隨著我國(guó)經(jīng)濟(jì)水平的提升、科學(xué)技術(shù)的發(fā)展，人臉識(shí)別技術(shù)已經(jīng)深入居民的日常生活，無(wú)論是日常出行搭乘地鐵，還是商超購(gòu)物人臉支付，都離不開(kāi)人臉識(shí)別技術(shù)的支持。人臉識(shí)別技術(shù)被廣泛地應(yīng)用于社會(huì)的各行各業(yè)，在小區(qū)門(mén)禁、上班打卡、快遞取件、家庭管理、景區(qū)入場(chǎng)等都有著非常廣泛的應(yīng)用。人臉識(shí)別技術(shù)的社會(huì)化應(yīng)用離不開(kāi)人工智能技術(shù)的支持，人工智能加持下的人臉識(shí)別技術(shù)更具智能化與自動(dòng)化，能夠滿(mǎn)足人民群眾的日常需求，為人民群眾的生命安全與財(cái)產(chǎn)安全提供保障。以社區(qū)安保為例，將人臉技術(shù)應(yīng)用于社區(qū)安保，利用門(mén)禁系統(tǒng)能夠準(zhǔn)確記錄出入小區(qū)的人員信息與時(shí)間數(shù)據(jù)，利用樓層與電梯監(jiān)控能夠發(fā)現(xiàn)跡象可疑的不法分子，實(shí)現(xiàn)社區(qū)安全的全程動(dòng)態(tài)監(jiān)控。人臉識(shí)別的應(yīng)用大幅降低了人工識(shí)別檢查的工作量與失誤率，使社區(qū)內(nèi)部的管理效率大幅提升［10］。另一方面，還能夠幫助社區(qū)管理人員統(tǒng)計(jì)社區(qū)內(nèi)部的居民信息，使居民信息與人臉信息相對(duì)應(yīng)，實(shí)時(shí)、動(dòng)態(tài)地保護(hù)居民的生活與出行安全。人臉識(shí)別技術(shù)在社會(huì)公共領(lǐng)域與私人領(lǐng)域都有著非常廣泛的應(yīng)用，不僅方便了我國(guó)居民的日常生活，還有效震懾了不法分子，是新時(shí)期推動(dòng)經(jīng)濟(jì)發(fā)展，保障社會(huì)穩(wěn)定的重要技術(shù)。

4 人工智能中人臉識(shí)別技術(shù)的實(shí)例分析

本文以應(yīng)用人工智能的人臉識(shí)別門(mén)禁系統(tǒng)為例。在建立人臉識(shí)別門(mén)禁系統(tǒng)的初期，以輕型差別自歸一化神經(jīng)網(wǎng)絡(luò)(ANN）為基礎(chǔ)，把人類(lèi)大腦的神經(jīng)元視作原型。利用神經(jīng)元自身的輸出值，提取神經(jīng)元與神經(jīng)元之間連接權(quán)值特征，應(yīng)用機(jī)器學(xué)習(xí)的方法，制作ANN神經(jīng)元模型。該模型結(jié)構(gòu)由3部分組成，分別是信號(hào)處理、樹(shù)突P、傳遞函數(shù)，三者之間相互關(guān)聯(lián)，構(gòu)成完整的ANN神經(jīng)元模型。卷積層、池化層與全連接層的組合能夠?qū)崿F(xiàn)圖像的自動(dòng)訓(xùn)練，實(shí)現(xiàn)圖像格式數(shù)據(jù)的智能轉(zhuǎn)換。人臉識(shí)別門(mén)禁系統(tǒng)是一種非接觸性生物識(shí)別系統(tǒng)，相較于指紋識(shí)別等更容易被人民群眾接受，其不具有侵犯性，是一種遠(yuǎn)距離數(shù)據(jù)采集方案，能夠減少對(duì)用戶(hù)的生理傷害。在新冠疫情仍未結(jié)束的今天，人臉識(shí)別門(mén)禁系統(tǒng)有著非常廣泛的發(fā)展空間，在隱蔽式監(jiān)控、實(shí)時(shí)動(dòng)態(tài)化追蹤中有著非常廣泛的應(yīng)用。

人臉識(shí)別門(mén)禁系統(tǒng)在采集人臉數(shù)據(jù)后，卷積層會(huì)自動(dòng)提取輸入圖像或圖像序列的生物特征，并在池化層內(nèi)進(jìn)行采樣，將復(fù)雜的人臉圖像進(jìn)行降維操作，并且在全連接層對(duì)其進(jìn)行映射，使其能夠以向量的形式映射到計(jì)算機(jī)空間，實(shí)現(xiàn)人臉的分類(lèi)。人工智能技術(shù)加持下的人臉門(mén)禁系統(tǒng)首先需要設(shè)立人臉訓(xùn)練集與人臉獲取模塊，利用攝像頭獲取高清人臉圖像，并提供點(diǎn)頭、搖頭、張嘴等不同動(dòng)作影像，提供正臉、側(cè)臉、仰視、俯視等角度影像，利用機(jī)器學(xué)習(xí)人臉模型。在訓(xùn)練集與處理模塊中對(duì)圖像進(jìn)行裁剪，之后進(jìn)行分析、比對(duì)、輸出等操作，即可實(shí)現(xiàn)人臉的有效識(shí)別。AlexNet網(wǎng)絡(luò)會(huì)生成機(jī)器學(xué)習(xí)模塊，并對(duì)人臉信息進(jìn)行學(xué)習(xí)，再根據(jù)學(xué)習(xí)結(jié)果驗(yàn)證模塊，對(duì)經(jīng)過(guò)門(mén)禁系統(tǒng)的每個(gè)人進(jìn)行識(shí)別與驗(yàn)證，即可發(fā)揮其應(yīng)有的作用。如果經(jīng)檢測(cè)，通過(guò)門(mén)禁的人臉不在訓(xùn)練集中，會(huì)自動(dòng)發(fā)出警報(bào)，應(yīng)用效果非常顯著。具體如圖2所示。

圖2 人臉識(shí)別門(mén)禁系統(tǒng)運(yùn)行原理

5 結(jié)語(yǔ)

本文圍繞人工智能中人臉識(shí)別技術(shù)應(yīng)用的相關(guān)內(nèi)容進(jìn)行了探討與分析。廣大研究人員要重視人臉識(shí)別技術(shù)中人工智能技術(shù)的應(yīng)用，利用人工智能技術(shù)提升人臉識(shí)別技術(shù)的質(zhì)量與效率，推動(dòng)人臉識(shí)別技術(shù)在社會(huì)安定、經(jīng)濟(jì)發(fā)展中更好地發(fā)揮作用。