Page 341 - 计算机技术与人工智能
P. 341
第九章 人工智能
脸识别，以及结果与输出。输入一般是一张或者一组含有未确定身份的人脸图
像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其识别结
果则是一系列相似度得分，表明待识别的人脸的身份。最终的输出可以是一组数
据或是通过输出接口的一组操作。
2.人脸学习模型的生成
人脸识别的关键是人脸学习模型的生成，它需要两个最基础的条件：一个是
数据；另一个是算法。所谓数据即是大量用于训练与评估的人脸图像集，算法是
相应的学习算法。
（1）用于训练、评估的人脸图像集
在人脸识别的训练中需有大量的人脸图像，它们主要是开发者通过多种
手段搜集获得。其数量之大至少需有百万张人脸级别。目前这种搜集适合于
Facebook、Google、百度、腾讯等大企业，以及占有较大数据资源的研究机构。
通过更多、更全的数据，提高模型对现实应用中人脸差异的适应能力。
此外还需要一些一致公认的评估数据集，用以评价各种人脸识别系统的优
劣，常用的人脸识别的数据集有：LFW（Labeled Faces in the Wild）数据集、
AFLW（Annotated Facial Landmarks in the Wild）人脸数据库、FDDB（Face
Detection Data Set and Benchmark）人脸识别的数据集、MegaFace数据集等。
MegaFace是目前世界范围内最权威的评价人脸识别性能的指标数据集。
（2）人脸识别的学习算法
人脸识别的学习算法经历了传统与现代的两个发展阶段。
①传统发展阶段：在早期的人脸识别的学习算法中一般采用基于几何特征的
方法、基于模板匹配的方法以及基于代数特征的方法等。这些方法的特点是采用
人工与自动（即算法）相结合的方法。首先由人工设置特征，其次通过（浅层）
机器学习算法自动获取特征值。由于人工设计的特征不能很好地表征人脸，同时
（浅层）机器学习算法的误差率高，因此，传统算法的人脸识别精确度不高。
②现代发展阶段：自21世纪以来，深度学习的出现与发展深刻地改变了人脸
识别的算法，特别是2012年以后，应用卷积神经网络已成为人脸识别的主要算
法，其主要优点是能自动寻找人脸特征，且准确率高，一般可达到90%以上。
329
