我们对人脸识别的11个误解

过去十年内，随着我们在人工智能领域取得长足进步，我们能够为嵌入式系统增加一些先进功能，例如人脸识别。虽然人脸识别能够带来诸多好处，但人们有时仍然认为它的使用存在问题，甚至充满了争议。事实究竟如何？在本文中，我们将澄清一些对人脸识别的误解。

1） 人脸识别的成本非常昂贵

人们会觉得要让计算机能够识别人脸，解决方案必须采用高端硬件。毕竟，自21世纪前十年中期以来，深度学习算法在图像分类方面的突破都利用了图形处理单元（GPU）的强大处理能力，这些单元通常在紧耦合集群中使用。但对于嵌入式系统（例如家庭安保和门禁控制产品）的人脸识别应用开发人员而言，并不需要如此复杂的机器学习流程。设计高效率的算法，侧重于检测人脸、将人脸与已注册的图像进行匹配，所需的处理能力将远低于研究级别的算力。

2） 人脸识别非常困难

机器学习的一大关键难点是将设计流程与应用相匹配，以便能够在训练时产生有用的结果。但在人脸学习等应用中，不需要从头开始构建这些结构。我们可以使用基于经过验证的机器学习过程构建的平台，它们不仅能快速提供高性能，而且提供一定程度的定制能力，满足不同目标市场的需要。

3） 人脸识别需要高性能处理

很多人看到，在云计算环境中，我们将高性能硬件用于机器学习，于是他们想当然地假定机器学习都是重量级进程。但是，这些系统需要能够适应很多不同应用，而且它们可以充分利用支持所有深度学习架构的开源工具。因而，即便对于推理应用，当使用网络来分析实际数据时，模型具有高度的数据和计算冗余。  嵌入式解决方案可以显著减少这些开销，因而能够在32位MCU上运行复杂的人脸识别算法。

4） 人脸识别不太安全

人脸识别在嵌入式系统中的一大重要应用是门禁控制，如果有人手持自拍照靠近摄像头企图蒙混过关，需要确保门锁不会被打开，也无法越过报警系统。正因为如此，采用机器学习技术的集成式视觉平台非常重要。这些技术能够对图像执行检查，确保将可用数据馈送到机器学习算法。灵活确保管道可以处理可见光数据以及更多内容。在这种情况下，使用红外传感器或图像传感器可以帮助系统能够辨别真伪。

5） 人脸识别侵犯隐私

公众熟悉的众多应用需要将原始数据上传至云服务器，然后在云服务器上处理数据。这是很多消费者担忧的问题，他们不希望自己在住宅及周边区域的活动在互联网上传播，甚至可能在服务器遭受恶意攻击后被披露。有些平台可在本地执行所有图像处理和人脸识别功能，例如恩智浦基于MCU的EdgeReady解决方案。数据自始至终不会离开平台，从而确保最终产品可以最大程度地保护用户隐私。