图片88
目前,随着人工智能的快速发展,基于算法深入优化的识别技术越来越可靠。但现在使用人工智能终端来识别和测量戴口罩的行人的人脸温度,以确保和过去“裸脸”同样的检测精度,在技术上提出了更高的挑战。
一般来说,人脸识别算法是根据面部特征的关键点来识别的。因此,算法包含的关键点越多,识别结果就越准确。行人戴口罩后,鼻梁以下的面部特征完全被掩盖,可供检测设备识别的面部特征关键点显著降低,相应地,检测终端之前学习的特征识别能力也降低。戴上口罩遮住脸后,机器在识别人脸时肯定会比他不戴更受影响。
具体来说,在算法校准方面,针对面部下得的关键经验是关注眼睛,优化注意力模型。具体来说,首先需要将眼睛、眉毛等局部特征与整体面部特征相结合,结合注意机制增强眼部特征,通过训练眼部关键点模型,最终提高面罩下模型的面部识别率。
记者了解到,目前人脸识别市场规模不断扩大,算法广泛应用于人脸大门、社区门禁、医疗归档、购物中心客户群分析等场景。虽然人脸识别与其他人工智能技术相比应用广泛,但门槛仍然存在,主要表现在研发部署成本高、长期缺乏后续服务等方面。因此,作为最近最热门的视觉应用程序AI产品、人脸识别测温设备在实际工作环境中仍需适应更多硬件,以便更好地工作在火车站、机场等人流密集、光照变化频繁的常用场所。
人脸识别和温度测量场景的应用在促进疫情防治的规范化方面发挥了重要作用。基于人工智能浪潮的识别技术,以身份验证为主要目标,最根本的解决方案是效率问题。随着深度应用场景的不断扩展,从不同的应用场景、研发到测试、登陆渠道正在开放,未来仍有很大的想象力空间。但与此同时,对于人工智能识别技术的扩展和应用,用户数据的安全性和隐私问题仍需要更加关注。从研发企业的角度来看,我们可能觉得保护数据管理是安全的,但我们也应该考虑这些数据在收集和运输过程中是否存在泄露的风险。登陆识别技术收集用户数据的相关方应从加强第三方认证入手,通过第三方机构论证数据安全,借助外部力量检查整个数据链是否存在泄露风险,使用户更加放心。