人臉識別和AI的關(guān)系

隨著AI 的浪潮發(fā)展，AI 的應用場景越來越廣泛，其中計算機視覺更是運用到我們生活中的方方面面。

作為一個測試人員，需要緊跟上 AI 的步伐，快速從傳統(tǒng)業(yè)務測試，轉(zhuǎn)型到 AI 的測試上來。而人臉識別作為機器視覺應用場景里最普及常見的一環(huán)，因此這一篇結(jié)合AI 的架構(gòu)和核心，以及人臉識別來講一講，AI 怎么測試，以及 AI 測試與傳統(tǒng)測試的區(qū)別和共同點。

人臉識別和AI的關(guān)系

先了解 AI兩個基本概念。

a)計算機視覺

也稱為機器視覺，是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖像處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。

最好理解的場景，比如拍一個花的照片，通過機器學習自動告知用戶這是什么花。拍一個店鋪的照片，機器學習自動分析出店鋪的名字，以及店鋪的位置。

b)生物識別

通過計算機，與光學、聲學、生物傳感器、統(tǒng)計學的概念手段結(jié)合，利用人體固有的生理特性和行為特征進行個人身份的鑒定。比如通過人的指紋，和數(shù)據(jù)庫錄入的指紋比較，判斷是否是同一個人。

機器視覺和生物識別都屬于AI 的應用領(lǐng)域，機器視覺和生物識別的本質(zhì)，都在于對于圖像圖像的識別和比對。人臉識別，則是將機器視覺與生物識別結(jié)合，對人類的面部特征應用計算機視覺的一個典型場景。

怎么測試圖像識別

結(jié)合 AI 的架構(gòu)和核心來分析。

1.數(shù)據(jù)收集和處理

既然是視覺，必然是人肉眼所能看到的內(nèi)容，動態(tài)和靜態(tài)的景、人、建筑、動植物、書本等等，歸根結(jié)底可以認為是圖片。數(shù)據(jù)收集的過程是，在安裝拍照攝像設備之后，從動態(tài)的場景與復雜的背景中判斷是否存在識別的對象，并分離出對象。采集到照片。因此測試需要從至少這兩方面來考慮。

a)采集的素材

圖片的像素、大小、清晰度、色彩、復雜度、噪聲等，會直接影響到計算機識別的結(jié)果。

舉個例子來說，下方的三個圖，對于肉眼和計算機學習去區(qū)分的難度是明顯不一樣的。識別的難度A一定小于B和C。

圖a、圖b和圖c

b)采集的器材

圖片一般是用攝像頭拍攝獲得的，那么不同品牌和參數(shù)的攝像頭，拍攝出來的照片像素、清晰度、色彩，甚至是層次都會有差異。

2.數(shù)據(jù)理解和特征提取

數(shù)據(jù)理解的目的在于，獲取到原始數(shù)據(jù)之后，分析數(shù)據(jù)的有效性，并且將數(shù)據(jù)里有用的， 并且將有典型特征的抽取出來。比如我們拍攝的各種照片，需要從中識別出是包含一朵花的，還是包含一個人的，是一輛自行車還是一輛小汽車。

這個唯一的解決方案是，讓機器拿到足夠多的樣本進行訓練，訓練的越多，模型將越準確。

測試模型的準確性，也要針對性的找足夠多足夠全的樣本。假設識別的對象是花，那么就盡可能的測試到各地、各類、各種顏色、各種角度的花，真實材質(zhì)非真實材質(zhì)等等。假設識別的對象是車，那么就盡可能的測試到各種類別、各種品牌、各種款式的車。

3.模型構(gòu)建、訓練和評估

計算機只會告訴我們比對的兩張圖片的相似程度，是80%或者是20%，但不會告訴我們這兩張圖里的內(nèi)容是否是同一個東西。因此圖片比對一定會有一個閾值的概念。設置相似度大于x%的時候，視為比對通過，小于x%的時候，視為比對不通過。

設定閾值的過程就是模型評估。閾值設定過低，則比對通過率高，誤報率可能也會升高。閾值設定過高，則比對通過率低，誤報率可能也會降低也可能會增高。

測試時，需要不斷的嘗試不同的閾值，找一個通過率和誤報率的平衡點。要針對算法的優(yōu)劣進行針對性的測試，因為有的算法過于嚴苛，有的算法不夠精準。

人臉識別和圖像識別的差異

1.人臉 VS 普通圖像

對于人臉來說，最大的問題在于面部特征部位多、可改變性強、面部表情豐富，并且具有動態(tài)變化的特性。

因此在數(shù)據(jù)收集的時候要考慮：
λ不同性別、年齡、人種、民族的人臉，因為五官的特征差異度很大。
λ人臉正對攝像頭的，上傾、下傾、左傾和右傾不同角度的
λ環(huán)境亮度正常和黑暗的時候，逆光、向光、弱光和強光的情況
λ有佩戴黑框眼鏡或墨鏡的情況
λ頭發(fā)正常色和染色的情況
λ人臉和非人臉的表現(xiàn)，尤其是跟人臉最相似的動物，比如猩猩、猿猴。

2.人臉識別應用場景 VS 普通圖像識別應用場景

人臉識別主要用于銀行、機場、出入境的安防，因此相比一般的機器視覺來講，安全方面顯得更加重要，需要重點測試人臉識別的抗攻擊能力。

在上一篇文章里講過，人臉識別的流程主要存在四個環(huán)節(jié)：人臉捕獲、活體檢測、人臉采集、人臉比對。

攻擊的行為一般是照片、面具和視頻，比如：
λ翻拍后的照片攻擊。
λ人臉面具，高仿真面具。
λ長相相似度很高的人臉，軟件合成的虛擬人臉等等。

λ GIF 圖像和錄制拼接的視頻等等。

AI 測試和傳統(tǒng)測試的異同點

綜合來說，AI 測試，需要結(jié)合 AI 的架構(gòu)、算法和應用場景做針對性的測試。除此以外，一般性的功能、性能、兼容和傳統(tǒng)業(yè)務測試無異。

為了帶來更直觀深刻的印象，編者準備了一則基于LabVIEW深度學習卷積神經(jīng)網(wǎng)絡的實例視頻展示，手把手教大家AI視覺系統(tǒng)安裝，缺陷檢測。

↓AI視覺快速學習基礎應用實際↓

視頻看得還不夠過癮嗎？別急！

為了幫助學員更深入了解傳統(tǒng)視覺，掌握AI人工智能深度學習的機器視覺項目開發(fā)，編者將免費提供大家一套基于NI VBAI開發(fā)平臺的視覺視頻教程，你不僅可以通過實操，利用VBAI工具快速地完成常規(guī)的視覺檢測，還可以利用LV算子，自定義玩轉(zhuǎn)更多復雜的視覺實際應用。

以下為課程大綱：

P1 導學

P2 安裝與缺陷檢測實例演示

P3 界面的介紹_Trim

P4 獲取采集圖像方式

P5 讀寫相機的屬性

P6 模擬循環(huán)采集圖片

P7 選擇哪副圖像進行檢測

P8 視覺助手-圖像旋轉(zhuǎn)&矯正&處理

P9 查找表-進行完美視覺定位

P10 圖像的濾波器

P11 灰度形態(tài)學

P12 練習-圖像處理后找Mark點

P13 灰度形態(tài)學重構(gòu)的原理

P14 通過案例解釋圖像的二值化

P15 基礎形態(tài)學

P16 透過滾珠實驗解釋高級形態(tài)學用處

P17 圖像的二值化反轉(zhuǎn)

P18 圖像分類訓練實現(xiàn)顏色精確識別

視頻課程內(nèi)容截圖

一、傳統(tǒng)視覺

二、人工智能-深度學習卷積神經(jīng)網(wǎng)絡

責任編輯：xj

原文標題：AI是怎么測試圖像識別的，與人臉識別有何不同？

文章出處：【微信公眾號：電子發(fā)燒友網(wǎng)】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。