人臉識別正變得更具成本效益

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，利用計算能力已經取得了長足的進步，當時深度學習管道開始使用功率密集型 GPU 展示合法的圖像分類。但是今天的嵌入式開發人員可以設計管道以提高效率，并優先考慮那些對其應用程序功能最重要的特性，從而降低所需的處理能力。

它變得更容易了

當今可用的平臺可以抽象出機器學習的許多復雜性。在面部識別應用程序中從頭開始構建結構是乏味的，并且由于有了新的開發工具，因此沒有必要?；谝呀⒌臋C器學習管道構建的平臺可以非?？焖俚貛砀咝阅埽瑫r提供滿足不同市場所需的定制級別。

這是安全的

訪問控制是嵌入式系統中面部識別的最大用例之一。由于安全經常受到威脅，系統需要足夠強大，以免被將照片舉到相機前的人愚弄。與機器學習相結合的視覺在這里很重要，因為它們可以對圖像進行檢查，以確?？尚械臄祿M入管道。這也為管道帶來了靈活性，不僅可以考慮可見的內容 - 例如，使用紫外線傳感器可以通過將現實與照片或屏幕截圖區分開來進一步提高安全性。

數據是安全的

用戶最關心的一個問題是，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。沒有人希望他們的動作和活動在互聯網上傳播并可能被利用。但是有些平臺可以在本地執行圖像處理。恩智浦基于 MCU 的 EdgeReady 平臺是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在設計產品時著眼于隱私。

它在黑暗中工作

正如我們之前提到的，安全是面部識別的主要應用之一。因此，能夠全天候保護您的資產或訪問保護區非常重要。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，夜間覆蓋可以通過增加可見光圖像傳感器以及在紅外光譜上工作的輔助設備或使用飛行時間數據來構建 3D 地圖來實現范圍內的物體。這樣做可以消除黑暗作為障礙。

可以使用輕量級操作系統來完成

嵌入式商業系統與深度學習研究級工具的要求不同，后者通常作為為 Linux 編寫的開源工具包提供。但是基于 MCU 的解決方案不會承受 Linux 安裝的大量內存消耗或較長的啟動時間，并且可以在使用更少內存和功耗的更輕量級的操作系統上運行。

它的功率優化

人工智能和圖像處理的進步意味著面部識別可以在低功耗 MCU 上進行管理，而不是在耗電大的 GPU 上進行。此外，基于 MCU 的方法還具有大多數當前 MCU 支持的多種省電模式的額外優勢。由于 MCU 不需要啟動像 Linux 這樣的大型操作系統，因此可以在不需要時關閉主處理器。但是，如果傳感器確定了視野中必要的活動水平，您仍然可以在幾分之一秒內喚醒處理器以獲得全部功能。

教學設備可以很快

在嵌入式系統（如平板電腦和智能手機）中訓練人臉識別的早期實現需要用戶擺出一系列不同的姿勢，以便神經網絡有效地在新用戶的臉上進行訓練。遷移學習和其他技術使得他們可以只向相機展示一次他們的臉，以便將他們添加到批準的用戶列表中。

人臉識別應用正在擴展

越來越多的設備，包括面向消費者的物聯網智能產品，將被設計為以面部識別為核心功能。更重要的是，設備不僅可以識別面部，還可以識別表情。設備將能夠讀取情緒線索，如喜悅、沮喪和憤怒，并可能做出相應的反應。

審核編輯：郭婷