與您的預期相反，將面部識別功能引入計算機并不需要高端硬件。自2000年代中期以來，計算能力已經取得了長足的進步，那時，深度學習開始利用GPU進行圖像分類。今天，嵌入式工程師就可以開發深度學習和人工智能應用，并將功能劃分優先級，從而降低所需的處理能力。

越來越容易了

今天有很多平臺可以用來抽象機器學習的復雜性，在面部識別應用程序中從頭開始構建結構是非常困難的，而且由于新的開發工具，可在已知算法和平臺上迅速搭建高性能的應用，同時滿足不同市場的需求。

系統的安全

訪問控制是嵌入式系統中人臉識別的最大用例之一，由于安全性經常受到威脅，系統需要足夠健壯，以免被假人臉所破解。集成視覺和機器學習在這里很重要，因為它們可以對圖像進行檢查，以確保可行的數據進入管道。這也為管道帶來了靈活性，使其不僅能解釋可見的東西——例如，使用紫外線傳感器，可以通過區分照片或截圖中的真實情況，進一步提高安全性。

數據的安全

用戶最擔心的是，我們在日常生活中接觸到的大多數面部識別應用程序都會處理云中收集的數據。沒有人希望他們的行動和活動通過互聯網傳播，并可能被利用。但也有一些平臺在本地執行圖像處理。NXP基于MCU的EdgeReady平臺是一個現成的物聯網邊緣計算解決方案，可在本地執行所有分析和面部識別。這意味著開發人員可以更可靠的保護隱私。

支持夜視

如前所述，安全性是面部識別的主要應用之一。因此，能夠24小時保護你的資產是很重要的，基于圖像采集的技術似乎僅限于在可見光可用的情況下運行，夜間覆蓋可以通過使用對紅外光譜工作的輔助設備增強，可見光圖像傳感器或使用飛行時間數據構建范圍內物體的三維地圖來實現，這樣可以實現夜視。

輕量級操作系統

嵌入式商業系統對深度學習的要求與研究級工具不同，后者通常是Linux編寫的開源工具包，但是基于MCU的解決方案不能承受Linux安裝的沉重的內存開銷或長的啟動時間，并且可以在使用更少內存和功耗的輕量級操作系統上運行。

本地優化

人工智能和圖像處理技術的進步意味著面部識別可以在低功耗的微處理器上進行，而不是在耗電的GPU上進行，另外，基于MCU的方法還具有當前大多數MCU支持的多種節能模式的額外優點。由于MCU不需要啟動像Linux這樣的大型操作系統，因此主處理器可以在不需要時關閉。但是，一旦傳感器需要工作，您仍然可以在幾秒鐘內喚醒處理器以獲得全部功能。

教學設備

在平板電腦和智能手機等嵌入式系統中，早期實現人臉識別的訓練要求用戶擺出一系列不同的姿勢，這樣神經網絡才能有效地訓練新用戶的臉。而如今只向攝像機記錄一次面部信息即可。

人臉識別應用擴展

越來越多的設備，包括面向消費者的物聯網智能產品，將以人臉識別為核心功能進行設計。更重要的是，這些設備不僅能夠辨別人臉，還能辨別表情。設備將能夠讀取諸如高興、沮喪和憤怒等情緒暗示，并可能做出相應的反應。

編輯：jq