校園人臉識別門禁機與深度學習

　　校園人臉識別門禁機面部識別技術是生物識別的相關技術之一，比起較早開發的指紋、掌紋、虹膜識別等，面部識別可以更精細地擷取一個人的容貌特點與比例，大幅提升識別身份的準確度，難以造假，成為近年來生物識別領域中受矚目的科技。

 

　　之所以要有人臉檢測，不光是為了檢測出照片上是否有人臉，更重要的是把照片中人臉無關的部分刪掉，否則整張照片的像素都傳給f(x)識別函數肯定就不可用了。校園人臉識別門禁機不一定會使用深度學習技術，因為這里的技術要求相對低一些，只需要知道有沒有人臉以及人臉在照片中的大致位置即可。

 

　　判斷兩張照片是否為同一個人，通常應用在人證匹配上，例如證件與實時抓拍照是否為同一個人，常見于各種營業廳以及后面介紹的1：N場景中的注冊環節。而1：N應用場景，則是首先執行注冊環節，給定N個輸入包括人臉照片以及其ID標識，再執行識別環節，給定人臉照片作為輸入，輸出則是注冊環節中的某個ID標識或者不在注冊照片中。

 

　　如果本身含有的數據太少，即圖片非常不清晰，例如28*28像素的照片，那么誰也無法準確的分辨出是哪個人。可以想見，必然像素數越多識別也越準，但像素數越多導致的計算、傳輸、存儲消耗也越大，我們需要有根據的找到合適的閾值。

 

　　深度學習只是受到神經科學的啟發，所以稱為神經網絡，但實質上就是上面提到的多層函數前向運算得到分類值，訓練時根據實際標簽分類取損失函數小化后，根據隨機梯度下降法來優化各層函數的權重參數。