如今，人工智能越來越多的被大家提及和應(yīng)用，但是，到底什么是人工智能、機(jī)器學(xué)習(xí)和機(jī)器視覺?對于人工智能和它的細(xì)分領(lǐng)域，例如機(jī)器視覺，卻很少能有人說得清楚它們到底是什么以及如何工作的。

　　今天，小編特意采訪采訪了人臉識別專家、獲得國家科技進(jìn)步獎二等獎、廣東非思智能科技股份有限公司的CEO王國田博士，給大家介紹關(guān)于人工智能和人臉識別應(yīng)用之間的相關(guān)技術(shù)概念。

[[185757]]

　　人臉識別專家王國田博士

　　王國田博士解釋道：

　　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(kuò)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(jì)算機(jī)科學(xué)的一個分支，它企圖了解智能的實(shí)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(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

　　機(jī)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(jì)和分析一些讓計(jì)算及自動獲取知識的算法，涉及到概率論、統(tǒng)計(jì)學(xué)、逼近論等多個領(lǐng)域。

　　深度學(xué)習(xí)( Deep Learning, DL )又是機(jī)器學(xué)習(xí)的一個分支，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個新的領(lǐng)域，其動機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像、聲音和文本。同機(jī)器學(xué)習(xí)方法一樣，深度機(jī)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(jī)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(jī)器學(xué)習(xí)模型。

　　因此，簡單而言，人工智能、機(jī)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(jì)算能力和計(jì)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(jī)體。但我們不能單純地認(rèn)為人工智能只是把數(shù)學(xué)模型做的更準(zhǔn)確一點(diǎn)，讓機(jī)器擁有擬人化能力是一個漫長的發(fā)展過程：畢竟從計(jì)算機(jī)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(jī)器學(xué)習(xí)讓計(jì)算機(jī)變得特別聰明，以至于使計(jì)算機(jī)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)勝了圍棋世界冠軍李世石，而人工智能的目的絕對不是讓計(jì)算機(jī)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(jī)器會獲得越來越全面的能力。

　　但實(shí)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(jī)器一點(diǎn)點(diǎn)實(shí)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(jìn)行判斷，這其中用機(jī)器來代替人眼來做測量跟判斷的動作，稱為機(jī)器視覺，機(jī)器視覺是人工智能學(xué)科中發(fā)展的最為快速的分支，而當(dāng)今大家熟知的人臉識別技術(shù)就是機(jī)器視覺最富有挑戰(zhàn)性的課題之一。

　　在人臉識別領(lǐng)域，王國田博士特別強(qiáng)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(fèi)力事情，并且選取特征的好壞很大程度上依賴于經(jīng)驗(yàn)和運(yùn)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(dá)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(jìn)行研究，可以在光照、表情、姿態(tài)以及低分辨率等問題進(jìn)行改進(jìn)。

　　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(jìn)行了訓(xùn)練。為了驗(yàn)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(jìn)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(qiáng)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(jìn)一步驗(yàn)證。最后，利用matlab GUI編程實(shí)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(diǎn)可調(diào)，且具備完整的識別功能。

　　王國田博士總結(jié)道：實(shí)驗(yàn)結(jié)果表明深度學(xué)習(xí)方法對原始數(shù)據(jù)具有高效準(zhǔn)確的抽象表達(dá)，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(qiáng)大的算法如果不和現(xiàn)實(shí)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(shí)驗(yàn)結(jié)果，并沒有帶來實(shí)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(yuǎn)程在線核身，用刷臉替代實(shí)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。

　　在最后，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(yuǎn)遠(yuǎn)超過人類。但這并不代表機(jī)器不會出錯，因此在準(zhǔn)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(dá)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(qiáng)大的能力、協(xié)助人類更高效的工作，而并非取代人類。