现在AI发展的风起云涌，我们已逐步进入智能时期。虽然人工智能偏技能类，学习和理解须要一定的技能背景和数学做支撑。但拆开看，其事理、方法、思路并不繁芜，「不懂技能」的产品经理也能理解。
人工智能牵扯很多学科，知识点盘根错节，须要具备多学科的知识储备。从学习路径上看，比较适宜做成系列，从浅入深，从根本到运用，逐渐深入。但无形中提高了学习门槛，降落了学习的兴趣，导致很难坚持。
有感于此，我想以一种轻松、探索的视角，跟大家一起摸索，用大略、直白的办法来学习AI。这样，虽然会有缺点、遗漏等，但学习难度会降落，那就在过程中完善吧，毕竟「模糊的精确大于精确的缺点」。
一、人脸识别产品
我们从人脸识别开始，逐步理解其技能路径的演化和事理等，本日先从最大略的事理讲起。
人脸识别实在很早就有了，多年前就以人脸考勤的办法涌现，但由于利用效果不好，用户体验不佳，逐步被市场淘汰。
而这一波人工智能的火热，打算能力、模型等都是其主要推动力，但更主要的是产品能够落地，能够在实际业务场景中利用。
尤其是人脸识别，产品在识别精度、速率、用户友好度等多个方面都有明显提升，用户和市场的接管度明显上升。
二、图像表示
理解人脸识别，先要从图像表示讲起。
大家都知道，打算机能够识别和处理的是二进制，不管我们输入的是文本、图像、声音，打算机都是用一定长度的二进制串进行存储和处理。
我们先以黑白图片为例，看看打算机是怎么表示的。
打算机程序可以将黑白图片可以表示为灰度图像。在灰度图像中，一个像素利用8个比特位，从而可以表示256个灰度阶，表示范围是0-255。个中0代表纯玄色，255代表纯白色。
一个字节可以表示一个像素，那怎么表示一张图片呢，用矩阵进行表示。
大略来说，便是表格，比如可以利用8行8列来表示一张88的灰度图片。
这样我们就办理了图像的表示问题，建立了图像和矩阵的等价关系。图片可以转化为矩阵，通过矩阵也可以恢复原始图片。
大家能算出来下面的矩阵表示什么吗？
对的，一眼就看出来了数字1，看来大家都有搞AI的天赋，加油。
三、图像识别
通过矩阵表示图像后，图像的各种处理就转化为数学问题，可以利用数学的理论和方法进行办理，而这正是打算机所善于的。
我们输入图片，希望打算机能够将内容识别出来，将结果输出。
仍以数字为例，当输入图片并用矩阵表示后，通过将灰度值转化为灰度，可以轻松辨识其所表示的内容。
但在打算机的天下里，只有0和1。想要通过辨识矩阵内容并将结果输出，就必须建立矩阵到结果的映射。这样，输入一张图片，经由处理和打算后，才能输出一个数字。
很朴素的想法便是将各个数字所代表的矩阵提前存放在打算机内，当输入一张图片后，打算机通过打算，从而找到最适宜的数字进行输出。
举个例子，更随意马虎理解一些。比如，打算机内部已经存放了包含数字1和7以及它们所对应的灰度矩阵。
数字1
数字7
当新输入一张图像后，程序会自动打算它的矩阵与这些矩阵的相似度。相似度打算可利用的公式很多，比如可以利用百分比，间隔等。
大略起见，就利用两个矩阵对应元素之差的绝对值之和或者平方和等，打算机进行快速运算，找到最相似的矩阵，然后将其所代表的数字进行输出。
当输入以下内容时，经由大略打算，可以知道输出结果为 7。
四、人脸表示
既然可以用矩阵来表示图片，人脸也是照片，那么也可以用同样的方法来进行表示，下面的这张人脸可以表示为：
人脸照片
矩阵表示
五、人脸识别
虽然被叫做人脸识别，但更准确的名字该当是「人脸比对」。人脸识别的背后，是一张待比对图片和人脸底库中的所有照片进行比对，从而判别图片中职员的身份。
一样平常来说，待比对照片便是我们在日常生活中被各种设备所采集的照片，比如通过人脸识别考勤机抓拍的照片。
由于环境、姿势等缘故原由，采集的照片具有很大的差异，导致比对成功率不高。为了提升比对的成功率和速率，很多时候会同时抓拍多张人脸进行识别，但每次比对的时候输入照片只有一张。
所谓的人脸底库便是我们在系统中提前录入的人脸照片，照片和我们的名字逐一对应。根据人脸底库中照片数量的不同，可以将人脸比对分为1:1和1：N，由于数量不同这两种方法的打算量和打算方法也不尽相同。
1. 1:1
1:1最常见的场景便是人证比对，比如我们在乘高铁时所碰着的这种设备。
前面的1代表我们从设备中采集的照片，而后面的1代表身份证中的照片，通过将现场采集的照片和身份证中存放的照片进行比对，通过判别持证人是否为本人。
这种情形下只涉及到两张图片的比对，打算量相对较小。
可能用在火车票安检等场景中，以是哀求的精度较高。
身份证中的照片像素较小，通过市情上的身份证读卡器读取出来的照片仅为100100像素旁边，给精度带来了一定的寻衅。
目前这个领域相对成熟，利用场景正在逐步铺开。
2. 1:N
1:N是1张人脸和底库中的N张人脸进行比对。
比如在考勤机中，我们的人脸底库中包含全公司的所有人脸照片。当上班打卡时，考勤机采集到人脸输入系统，经由比对后输出员工身份。
这种情形下打算量相对较大，时效性和识别精度太低又会影响用户体验，以是厂商一样平常会综合考虑权衡，在设备的参数中标注所支持的人脸数量。
这一波人工智能的发展，带动了1：N领域人脸识别技能的进步，更多的产品能够在各个场景中落地。比如聪慧城市、聪慧家居等。
海内厂商也借着这一波东风，加快技能研发和产品落地，出身了著名的AI视觉四小龙等独角兽。
本日梳理了人脸识别的基本事理，全体实现过程虽然看起来很大略，但技能却在基本事理的根本上持续完善和进步，终极达到比较好的效果。
下次我们将谈论在繁芜场景下人脸识别碰着的寻衅及办理方案。
作者：AIoT产品，10年B端产品设计履历；微信"大众年夜众号：AIoT产品
本文由@AIoT产品 原创发布于大家都是产品经理。未经容许，禁止转载
题图来自Unsplash，基于CC0协议
