人臉識別的工作原理是什麼？

1樓：科學闢謠

人臉識別和人類認臉有很多相似之處，都是對人臉影象進行「分層的資訊提取」，辨別出特徵之後再和記錄/記憶中的人臉做比對。至於怎樣「分層」提取資訊，就要用到深度神經網路了。

2樓：邪希德Shohdi

計算機識別一張圖時會將其轉化為數字，通過「訓練」計算機可以知道這些數字代表的含義，但早期影象識別技術還不夠發達，識別很容易因影象發生微小的變化而失靈。

得益於上世紀80年代提出的卷積神經網路（簡稱CNN）演算法，影象識別技術得到了質的飛躍。

這個卷積神經網路演算法的簡單原理如下

要進行影象識別，我們首先依然需要提取影象的特徵，提取影象特徵也即對其進行資料化分析，這一過程中需要借助的數學方法稱為卷積。

以乙個最簡單的一維圖形C為例，計算機在識別任何影象之前都需要將其轉化為數字，如下

那麼計算機是如何做到僅憑那些數字就認出原影象的呢？

這裡就需要借助「卷積核」進行卷積運算，提取「影象」（即圖右的數位化「影象」）的特徵。

卷積核類似於計算機最初將影象轉化成的數字方塊，但卷積核一般都是3×3或5×5的方塊，3×3方塊中有三個方塊是有值的（即值為1），卷積核是計算機在學習的過程中，根據所得資料調節卷積核，卷積核可以有很多個。

有了卷積核，我們就能通過在圖形數字方塊與卷積核之間做卷積運算，計算並得到特徵圖。

卷積大致過程如上

第一步卷積完成，得到初步的特徵圖。之後通過「池化」與「啟用」，對特徵圖進行簡化，也即對特徵圖中有特徵部分（即有值部分）進行放大，這一步顯然是為精準識別圖形特徵服務的。

要識別的圖形越複雜，特徵圖得越精準，因此需要多次卷積、池化與啟用。經過上述這些步驟，我們可以得到影象在各平面與維度中的特徵，也可以得到輪廓、顏色等方面的特徵。我們把這些特徵資訊接入計算機進行訓練，就能判斷這些眾多特徵圖代表的圖形是什麼了。

當我們把那些特徵資訊/資料傳輸到計算機上，讓它通過不斷的「機器學習」，不斷自行調整卷積核和引數，最終就能分辨出物體。這也是為什麼，我們戴著口罩或眼睛，或者蓋住一些臉部器官也能被機器所識別，這還是因為計算機早就收集到了我們足夠多的面部特徵。