AI是怎么测试图像识别的，与 有何不同？

哈尔滨汉王E点笔带您了解 一般分三步：

(1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。

(2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。

(3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的"面纹编码"方式是根据人脸脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中快速地辨认出某个人。人脸的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。

哈尔滨汉王E点笔带您了解 和AI的关系

先了解AI两个基本概念。

a)计算机视觉

也称为机器视觉，是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

理解的场景，比如拍一个花的照片，通过机器学习自动告知用户这是什么花。拍一个店铺的照片，机器学习自动分析出店铺的名字，以及店铺的位置。

b)生物识别

通过计算机，与光学、声学、生物传感器、统计学的概念手段结合，利用人体固有的生理特性和行为特征进行个人身份的鉴定。比如通过人的指纹，和数据库录入的指纹比较，判断是否是同一个人。

机器视觉和生物识别都属于AI的应用领域，机器视觉和生物识别的本质，都在于对于图像图像的识别和比对。 ，则是将机器视觉与生物识别结合，对人类的面部特征应用计算机视觉的一个典型场景。

怎么测试图像识别

结合AI的架构和核心来分析。

1.数据收集和处理

既然是视觉，必然是人肉眼所能看到的内容，动态和静态的景、人、建筑、动植物、书本等等，归根结底可以认为是图片。数据收集的过程是，在安装拍照摄像设备之后，从动态的场景与复杂的背景中判断是否存在识别的对象，并分离出对象。采集到照片。因此测试需要从至少这两方面来考虑。

a)采集的素材

图片的像素、大小、清晰度、色彩、复杂度、噪声等，会直接影响到计算机识别的结果。

举个例子来说，下方的三个图，对于肉眼和计算机学习去区分的难度是明显不一样的。识别的难度A一定小于B和C。

b)采集的器材

一般是用摄像头拍摄获得的，那么不同品牌和参数的摄像头，拍摄出来的照片像素、清晰度、色彩，甚至是层次都会有差异。

2.数据理解和特征提取

数据理解的目的在于，获取到原始数据之后，分析数据的有效性，并且将数据里有用的，并且将有典型特征的抽取出来。比如我们拍摄的各种照片，需要从中识别出是包含一朵花的，还是包含一个人的，是一辆自行车还是一辆小汽车。

这个的解决方案是，让机器拿到足够多的样本进行训练，训练的越多，模型将越准确。

测试模型的准确性，也要针对性的找足够多足够全的样本。假设识别的对象是花，那么就尽可能的测试到各地、各类、各种颜色、各种角度的花，真实材质非真实材质等等。假设识别的对象是车，那么就尽可能的测试到各种类别、各种品牌、各种款式的车。

3.模型构建、训练和评估

计算机只会告诉我们比对的两张图片的相似程度，是80%或者是20%，但不会告诉我们这两张图里的内容是否是同一个东西。因此图片比对一定会有一个阈值的概念。设置相似度大于x%的时候，视为比对通过，小于x%的时候，视为比对不通过。

设定阈值的过程就是模型评估。阈值设定过低，则比对通过率高，误报率可能也会升高。阈值设定过高，则比对通过率低，误报率可能也会降低也可能会增高。

测试时，需要不断的尝试不同的阈值，找一个通过率和误报率的平衡点。要针对算法的优劣进行针对性的测试，因为有的算法过于严苛，有的算法不够精准。