人脸识别的基本原理人脸检测识别( 二 )

文章插图
数字7当新输入一张图像后，程序会自动计算它的矩阵与这些矩阵的相似度。相似度计算可使用的公式很多，比如可以使用百分比，距离等。简单起见，就使用两个矩阵对应元素之差的绝对值之和或者平方和等，计算机进行快速运算，找到最相似的矩阵，然后将其所代表的数字进行输出。当输入以下内容时，经过简单计算，可以知道输出结果为 7 。

文章插图
四、人脸表示既然可以用矩阵来表示图片，人脸也是照片，那么也可以用同样的方法来进行表示，下面的这张人脸可以表示为：

文章插图
人脸照片

文章插图
矩阵表示五、人脸识别虽然被叫做人脸识别，但更准确的名字应该是「人脸比对」。人脸识别的背后，是一张待比对图片和人脸底库中的所有照片进行比对，从而判别图片中人员的身份。一般来说，待比对照片就是我们在日常生活中被各种设备所采集的照片，比如通过人脸识别考勤机抓拍的照片。由于环境、姿势等原因，采集的照片具有很大的差异，导致比对成功率不高。为了提升比对的成功率和速度，很多时候会同时抓拍多张人脸进行识别，但每次比对的时候输入照片只有一张。

文章插图
所谓的人脸底库就是我们在系统中提前录入的人脸照片，照片和我们的名字一一对应。根据人脸底库中照片数量的不同，可以将人脸比对分为1:1和1：N，由于数量不同这两种方法的计算量和计算方法也不尽相同。1. 1:11:1最常见的场景就是人证比对，比如我们在乘高铁时所遇到的这种设备。前面的1代表我们从设备中采集的照片，而后面的1代表身份证中的照片，通过将现场采集的照片和身份证中存放的照片进行比对，通过判别持证人是否为本人。这种情况下只涉及到两张图片的比对，计算量相对较小。可能用在火车票安检等场景中，所以要求的精度较高。身份证中的照片像素较小，通过市面上的身份证读卡器读取出来的照片仅为100*100像素左右，给精度带来了一定的挑战。目前这个领域相对成熟，使用场景正在逐步铺开。2. 1:N1:N是1张人脸和底库中的N张人脸进行比对。比如在考勤机中，我们的人脸底库中包含全公司的所有人脸照片。当上班打卡时，考勤机采集到人脸输入系统，经过比对后输出员工身份。这种情况下计算量相对较大，时效性和识别精度太低又会影响用户体验，所以厂商一般会综合考虑权衡，在设备的参数中标注所支持的人脸数量。这一波人工智能的发展，带动了1：N领域人脸识别技术的进步，更多的产品能够在各个场景中落地。比如智慧城市、智慧家居等。国内厂商也借着这一波东风，加快技术研发和产品落地，诞生了著名的AI视觉四小龙等独角兽。今天梳理了人脸识别的基本原理，整个实现过程虽然看起来很简单，但技术却在基本原理的基础上持续完善和进步，最终达到比较好的效果。下次我们将讨论在复杂场景下人脸识别遇到的挑战及解决方案。作者：AIoT产品，10年B端产品设计经验；微信公众号：AIoT产品本文由@AIoT产品原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!

「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：

人脸识别的基本原理 人脸检测识别( 二 )

人脸识别的基本原理人脸检测识别( 二 )