能搭上人工智能的顺风车，生物识别技术可别自己搞砸了

尽管到目前为止人工智能还大多停留在美好的憧憬上，但人工智能的落地似乎比人们预想的要快了很多。两会的政府工作报告明确提出，加快培育壮大新兴产业，全面实施战略性新兴产业发展规划，加快新材料、人工智能、集成电路、生物制药、第五代移动通信等技术研发和转化，做大做强产业集群。这是人工智能第一次被正式写到《政府工作报告》之中，如果从政策角度看，这也是继去年科技部表态要大力支持人工智能后，政府对于这项新兴产业的认可和支持的最强音。中国家用电器研究院副院长曲宗峰先生也表示："智慧家庭产业进入下一个爆发期，标志就是人工智能在物联网平台的广泛应用。"在人工智能大热的情况下，生物识别技术作为人工智能的重要研究领域，能否借助人工智能热潮迎来爆发期呢？

人工智能的前世今生
人工智能是研究、开发用于模拟延伸和拓展人的理论、方法、技术及应用系统的一门新的技术科学。用这个概念创造者达特茅斯大学助理教授McCarthy的话来说，它是"制造智能机器、尤其是智能计算机程序的科学和工程。"

人工智能大体可分为三个阶段，其中最基础的是计算智能，即让机器能存会算，能够像人类一样会计算、传递信息，其主要价值在于帮助人类存储和快速处理海量数据，是认知和感知的基础；其次是感知智能，即让机器感知外界，能够看懂图像和听懂声音，并做出判断采取一些行动，包括人脸识别、指纹识别、语音识别等、图像识别、目标检测、序列分析等等，主要价值在于能够帮助人类高效地完成"看"和"听"相关的工作；人工智能的高级阶段是认知智能，期望机器有自主行动能力，能够像人一样思考并主动采取行动，包括完全独立驾驶的无人驾驶汽车、自主行动的机器人，目标在于全面辅助或替代人类工作。

人工智能并不是一项新的科技。早在1950年代，人工智能概念就被提出并确定为研究领域，至今已有60年的历史。近些年，处理器性能的大幅提升，机器学习算法的不断优化以及大数据、云技术的迅猛发展，都为人工智能的爆发注入了强大动力。无论是Google、Facebook、Amazon还是国内的百度、阿里巴巴等有影响力的技术公司，都表现出自己对人工智能的狂热。而在去年，AlphaGo战胜围棋世界冠军李世石后，人工智能这一概念更是变得家喻户晓。

人工智能的重要领域--生物识别
人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

生物识别是通过机器模拟人的智能，对采集的人体生物特征及行为特征与注册信息进行比对，从而实现对人员身份识别与鉴定。相比传统的身份鉴定方法，生物特征识别更具安全、保密和方便性。生物特征识别技术具备不易遗忘、防伪性能好、不易伪造或被盗、随身"携带"和随时随地可用等优点。近些年，通过深度学习、活体检测、多维验证提升识别性能，人脸识别等生物识别的准确率有了显著提高。

通过人脸识别看深度学习
人脸识别不同于一般的传统模式识别，人脸图像较为复杂，包含丰富的层次信息，数据空间的维数很高。同一个人在不同姿态、不同光照等条件下的图像之间的差别往往比不同人同一成像条件下的图像之间的差别还要大，所以准确区分不同人变得极为困难。

在基于传统的模式识别和机器学习方法的人脸识别算法中，对于质量较好的图像识别性能不错，但由于单一算法很容易受到光照、姿态、年龄等多种因素的影响，一般采用人脸形状特征、人脸灰度特征和人脸皮肤纹理特征等多种特征融合方法来有效解决这个问题。

1981年诺贝尔医学奖获得者David Hubel和Torsten Wiesel发现人的视觉系统的信息处理是分级的。从视网膜(Retina)出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标(如判定为一张人脸)，以及到更高层的PFC(前额叶皮层)进行分类判断等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，也即越来越能表现语义或者意图。

这个发现激发了人们对于神经系统的进一步思考。大脑的工作过程，或许是一个不断迭代、不断抽象概念化的过程。例如，从原始信号摄入开始(瞳孔摄入像素)，接着做初步处理(大脑皮层某些细胞发现边缘和方向)，然后抽象(大脑判定眼前物体的形状，比如是椭圆形的)，然后进一步抽象(大脑进一步判定该物体是张人脸)，最后识别眼前的这个人。

深度学习(Deep Learning)，就是力图通过分层组合很多非线性函数，来模拟人类神经系统的工作过程。例如，在计算机视觉领域，深度学习算法浅层是从原始图像去学习得到一个低层次表达，例如边缘检测器、小波滤波器等，然后在这些低层次表达的基础上，通过线性或者非线性组合，来获得一个高层次的表达，形成更加抽象的高层特征(或属性类别)。如果对应的类别是人脸的话，深度学习就实现了人脸识别的任务。

数据显示，基于深度学习的人脸识别技术，在常规误识率要求下，能将原拒识率再降低40%至60%，大幅提升了人脸识别的准确率，与此同时还降低了研发人员的工作强度。这些为人脸识别技术的大规模应用奠定了技术基础。