人脸识别正变得更具成本效益
与您的预期相反,将面部识别功能引入计算机并不需要高端硬件。自 2000 年代中期以来,利用计算能力已经取得了长足的进步,当时深度学习管道开始使用功率密集型 GPU 展示合法的图像分类。但是今天的嵌入式开发人员可以设计管道以提高效率,并优先考虑那些对其应用程序功能最重要的特性,从而降低所需的处理能力。
它变得更容易了
当今可用的平台可以抽象出机器学习的许多复杂性。在面部识别应用程序中从头开始构建结构是乏味的,并且由于有了新的开发工具,因此没有必要。基于已建立的机器学习管道构建的平台可以非常快速地带来高性能,同时提供满足不同市场所需的定制级别。
这是安全的
访问控制是嵌入式系统中面部识别的最大用例之一。由于安全经常受到威胁,系统需要足够强大,以免被将照片举到相机前的人愚弄。与机器学习相结合的视觉在这里很重要,因为它们可以对图像进行检查,以确保可行的数据进入管道。这也为管道带来了灵活性,不仅可以考虑可见的内容 - 例如,使用紫外线传感器可以通过将现实与照片或屏幕截图区分开来进一步提高安全性。
数据是安全的
用户最关心的一个问题是,我们在日常生活中接触到的大多数面部识别应用程序都会处理云中收集的数据。没有人希望他们的动作和活动在互联网上传播并可能被利用。但是有些平台可以在本地执行图像处理。恩智浦基于 MCU 的 EdgeReady 平台是现成的物联网边缘计算解决方案,可在本地执行所有分析和面部识别。这意味着开发人员可以在设计产品时着眼于隐私。
它在黑暗中工作
正如我们之前提到的,安全是面部识别的主要应用之一。因此,能够全天候保护您的资产或访问保护区非常重要。基于图像采集的技术似乎仅限于在可见光可用的情况下运行,夜间覆盖可以通过增加可见光图像传感器以及在红外光谱上工作的辅助设备或使用飞行时间数据来构建 3D 地图来实现范围内的物体。这样做可以消除黑暗作为障碍。
可以使用轻量级操作系统来完成
嵌入式商业系统与深度学习研究级工具的要求不同,后者通常作为为 Linux 编写的开源工具包提供。但是基于 MCU 的解决方案不会承受 Linux 安装的大量内存消耗或较长的启动时间,并且可以在使用更少内存和功耗的更轻量级的操作系统上运行。
它的功率优化
人工智能和图像处理的进步意味着面部识别可以在低功耗 MCU 上进行管理,而不是在耗电大的 GPU 上进行。此外,基于 MCU 的方法还具有大多数当前 MCU 支持的多种省电模式的额外优势。由于 MCU 不需要启动像 Linux 这样的大型操作系统,因此可以在不需要时关闭主处理器。但是,如果传感器确定了视野中必要的活动水平,您仍然可以在几分之一秒内唤醒处理器以获得全部功能。
教学设备可以很快
在嵌入式系统(如平板电脑和智能手机)中训练人脸识别的早期实现需要用户摆出一系列不同的姿势,以便神经网络有效地在新用户的脸上进行训练。迁移学习和其他技术使得他们可以只向相机展示一次他们的脸,以便将他们添加到批准的用户列表中。
人脸识别应用正在扩展
越来越多的设备,包括面向消费者的物联网智能产品,将被设计为以面部识别为核心功能。更重要的是,设备不仅可以识别面部,还可以识别表情。设备将能够读取情绪线索,如喜悦、沮丧和愤怒,并可能做出相应的反应。
审核编辑:郭婷
-
嵌入式
+关注
关注
4981文章
18272浏览量
288333 -
计算机
+关注
关注
19文章
6644浏览量
84479 -
人脸识别
+关注
关注
76文章
3954浏览量
80554
发布评论请先 登录
相关推荐
评论