目前来看，人工智能中深度学习的运行，不外乎分为两个部分。一个是通过大量的数据样本来训练神经网络，第二个是训练好后在系统中进行推理。在推理的过程中，不断积累一些数据，反过来再不断修改神经网络，进一步把结果提升。
生物识别技术为人工智能提供大数据来源
生物识别通过高科技手段利用人体固有的生理特性，如指纹、人脸、虹膜等以及行为特征包括笔迹、声音、步态等进行身份鉴定，身份识别的前提是信息收集。百度深度研究院专家指出，没有数据采集，数据整理、研究和分析，人工智能无从谈起。
因此可以说生物识别作为生物特征收集和感知的重要载体，通过生物识别采集数据是人工智能应用的重要一环。随着数据库的不断积累、算法进一步优化，人工智能将拓展到更多应用领域，并带动多个产业发展。
另外，一直以来，行业内都存在质疑算法能力的说法，都认为算法最终会遇到天花板，未来发展会有瓶颈期。但事实证明，这种说法是站不住脚的。以AlphaGo与Alphazero的比较来看，算法的前景是无法估量。随着数据库的积累、算法将不断优化。
人工智能算法演进拓展生物特征识别的应用领域
正如依图科技罗忆所言“正是由于算法性能的不断深入，针对安防行业带来的变化以及应用场景都在呈现几何级数的增长。以前由于算法精度达不到，某些场景下应用是无法实现的，随着算法技术越深入，能应用场景就会越多。”也正是由于算法的精进，生物特征识别技术的识别能力不断提升，其应用的领域也将不断拓展。
以人脸识别为例，早期的人脸识别探索主要依靠一些手工标定的几何特征(比如眼镜、嘴巴等器官的位置、距离)进行分类，实用的成果较少。目前，随着算法性能的不断深入，国内外大部分的人脸识别团队算法识别准确率(在LFW数据集上)超过99%，其中既有百度、Google、腾讯这样的互联网巨头，也有安防监控领域硬件制造商海康威视、大华股份、天地伟业等，也有人工智能初创企业依图科技、云天励飞以及云从科技等，这些团队的结果都得益于深度学习算法。毫无疑问，深度学习成为目前人脸识别领域最主流的研究方向。
这其中数据成为提升人脸识别算法性能的关键因素，很多应用更加关注低误报条件下的识别性能，比如支人脸支付需要控制错误接受率在0.00001之内，因此以后的算法改进也将着重于提升低误报下的识别率。对于安防监控而言，可能需要控制在0.00000001之内(比如几十万人的注册库)。
随着技术的日益进步，人脸识别必将更多的走进每个人的日常生活，比如越来越多的银行与券商借助人脸识别进行身份核实，大大提高了工作效率；基于人脸识别的社保领取，方便了大批行动不便的老人；证件照查重、嫌疑犯检索协助公安机关破案。然而必须认识到的是，目前的人脸识别技术远远没有达到足以应用到任意场景的程度，尤其是对安全性要求、识别率要求很高的场景下。过度宣传“识别率达到99%”“识别率超过人类”之类的内容并不利于人脸识别的长远发展。
该文观点仅代表作者，本站仅提供信息存储空间服务，转载请注明出处。若需了解详细的安防行业方案，或有其它建议反馈，欢迎联系我们。
