DForum0809

人脸辨识技术市场需求日殷 仰赖AI、硬件加速强化实用价值

  • DIGITIMES企划
AI脸部辨识技术可以运用在广告、营销用途,市场发展潜力大。AdMobilize

AI人工智能其实并不是新技术,只是早期研究AI方案大多受限庞杂运算的软/硬件成本高,导致技术多用于高阶科学分析,商业化的步调走得较慢,但在半导体技术、先进算法集成后,AI已能搭配硬件深入生活应用…

早期的AI人工智能应用与技术方案,最大的发展瓶颈多半会落在应用处理器的运算效能,因为AI分析数值数据量大、才能提升智能应用的效益,但当数据量骤增后带来的便是处理数据的负荷骤增,在需要实时反馈的应用项目能给处理器的运算结果传回的等候时间更短、更趋近实时反馈,若使用通用处理器搭配软件演算、分析数值,该项AI应用通常无法满足系统回应时间的要求。

 点击图片放大观看

Apple Face ID脸部辨识技术,使用传统摄像机与大量传感器,增加脸部特征撷取的精细度与取样效率。Apple

运用半导体芯片技术加速AI运算分析反馈,可以让辨识系统可同时处理辨识结果大幅提升,大大增加系统实用价值。Xilinx

导入芯片运算技术  AI应用成本降低、效益提升

而在半导体科技技术优化、或使用新的材料,AI运算应用可以使用芯片运算方案透过硬件加速运算结果产出,甚至将算法优化使用半导体来实现,除了算法的迭代优化提升效率外,原先处理器需处理的庞大运算负载也能透过高效能处理器集成进一步优化运算结果的回传时间。发展AI产业的关键其实就落在研发高效率处理芯片方面,透过半导体在材料、制程、架构各方面技术方案优化,降低AI应用技术落实的成本、运算解决方案的体积等,AI算法的嵌入式运算解决方案也将成为半导体产业成长的新趋力。

虽然,AI技术核心仍是围绕在算法,但对于芯片业者来说,采行通用运算处理器进行效能提升在导入AI运算加速的目的上成效有限,反而是利用硬件进行算法加速、透过SoC集成协调处理算法与产出分析结果,会是现有发展AI、布局人工智能应用最有潜力的发展方向。但现况是,钻研AI算法的新创通常未能有底层芯片的集成资源、而具有SoC集成技术与生产能力的芯片厂在算法技术掌握有限,AI新创团队需能集成两方资源才能有机会在AI应用领域有突出表现。

智能手机AI应用  透过SoC嵌入式集成效益更高

AI应用市场另一趋势是发展手机用人工智能芯片,也是现有的重点应用领域,基本上在手机上运行的AI人工智能,其实是诸多人工智能应用中属于较低负荷型的应用型态,手机用AI芯片需考量智能手机的低功耗、小体积要求,芯片除需要具备高度集积微小化集成设计,耗电也需要同时考量;另在高耗能、高运算效能的AI应用,就属于高负荷型人工智能运算应用,但高效能运算如使用大量GPU的协同运算集成芯片,在扩展运算效能方面可能已遭遇架构、材料、技术的效能提升瓶颈,短时间难有大幅的效能提升成果。

反观,针对行动装置设计的低负荷型AI人工智能分析应用芯片,可以运用嵌入式芯片的SoC集成技术将AI运算关键模块集成进原有集成芯片,而在智能手机的应用场域也会对运算效能要求不会如高负载系统要求高,可能在集成应用、创意方面的发挥才是相关解决方案能否获得市场关注的重点。

AI脸辨技术成熟  优化特征撷取比对效用更大

在iPhone X导入人脸辨识AI技术方案后,也让手机产业开始追逐类似人脸辨识的AI芯片解决方案,基本上人脸辨识可以分如下几个流程运行,例如进行Facial Detection人脸侦测,透过连续摄录像像中进行查找每一张影格Frame把可能是人脸的影像挑拣出来、同时进行分析辨识标记;另一种是Facial Capture人脸撷取,透过人脸侦测依据辨识系统的图象需求将人脸图象存入系统。

Feature Extraction特征分析撷取则是透过人脸辨识算法将人脸影像建模后、转换为特征资料储存,将人脸图象转换成可数据化、可大量分析比对特征的资料库;最后是Matching比对技术,即透过筛选特征档案进行人脸比对,如利用身分验证技术进行比对后,应用于身分识别、验证等用途,而Apple热卖的iPhone X其实就使用了Facial Capture、Feature Extraction、Matching建构脸辨开机应用功能。

改善静态辨识缺点  提升特征建模、比对准确性

以往脸辨技术方案可能多采静态辨识,透过脸部转换成图象后才进行分析与辨识后续应用,但实际应用会因为特征来源资讯有限,导致辨识率表现差,甚至容易出现误判影响到实用性。新一代的脸部辨识技术会朝向动态集成技术,也就是脸部特征撷取可在连续动态影像中进行自动撷取,因为动态影像会有人员移动速度、光影、影像画质、角度等导致取样数值变动过高,撷取特征的难度大幅提升,运算负荷与对系统回应的速度要求下,基本上AI分析的运算负载相当重。

这种动态影像实时撷取、分析、辨识应用,就属于高负荷的人脸辨识AI分析应用;但若只是要透过人脸辨识作为智能手机的开机权限判断,其实分析数据量就大幅减少,对于人脸辨识的AI SoC芯片需求集成要求相对较低,左右人脸辨识应用效益的关键反而会是在特征撷取的技术方案差异,例如,iPhone X透过集成3D脸部建模处理脸部特征撷取资料应用,自然再搭配比对技术就能实践手机应用所需的AI脸部辨识应用技术。

除智能手机的低负荷AI运算应用外,在高负荷的人脸辨识应用用途也相当广泛,例如,透过机场、交通运输中心设置摄像机,透过AI人脸辨识快速自大量影像来源搜集集成、并同步进行辨识、特征撷取,除保留录像设备取得的动态影像外,当有关键影片调阅需求时,可利用人脸特征比对、车牌比对等快速找到重要人、时段的关键影像。以往不透过AI影像辨识技术查找关键影格,多半要透过人力查找,查找效率与成果通常不成比例,但有AI辨识技术加持,至少可以在投放人力进去系统翻找关键影格前先使用分析检索技术进行查找,少了不必要的人力耗损。

即便是低负荷的智能手机人脸辨识应用于开机验证方面,透过比对人脸特征,也可让手机资料安全性、便利性均可获得提升,改善手机用户体验的成效相当高。

 

更多关键字报导: 人脸辨识技术