report
活動+

人臉辨識技術市場需求日殷 仰賴AI、硬體加速強化實用價值

  • DIGITIMES企劃
AI臉部辨識技術可以運用在廣告、行銷用途,市場發展潛力大。AdMobilize

AI人工智慧其實並不是新技術,只是早期研究AI方案大多受限龐雜運算的軟/硬體成本高,導致技術多用於高階科學分析,商業化的步調走得較慢,但在半導體技術、先進演算法整合後,AI已能搭配硬體深入生活應用…

早期的AI人工智慧應用與技術方案,最大的發展瓶頸多半會落在應用處理器的運算效能,因為AI分析數值數據量大、才能提升智能應用的效益,但當數據量驟增後帶來的便是處理數據的負荷驟增,在需要即時反饋的應用項目能給處理器的運算結果傳回的等候時間更短、更趨近即時反饋,若使用通用處理器搭配軟體演算、分析數值,該項AI應用通常無法滿足系統回應時間的要求。

 點擊圖片放大觀看

Apple Face ID臉部辨識技術,使用傳統攝像機與大量感測器,增加臉部特徵擷取的精細度與取樣效率。Apple

運用半導體晶片技術加速AI運算分析反饋,可以讓辨識系統可同時處理辨識結果大幅提升,大大增加系統實用價值。Xilinx

導入晶片運算技術  AI應用成本降低、效益提升

而在半導體科技技術優化、或使用新的材料,AI運算應用可以使用晶片運算方案透過硬體加速運算結果產出,甚至將演算法優化使用半導體來實現,除了演算法的迭代優化提升效率外,原先處理器需處理的龐大運算負載也能透過高效能處理器整合進一步優化運算結果的回傳時間。發展AI產業的關鍵其實就落在研發高效率處理晶片方面,透過半導體在材料、製程、架構各方面技術方案優化,降低AI應用技術落實的成本、運算解決方案的體積等,AI算法的嵌入式運算解決方案也將成為半導體產業成長的新趨力。

雖然,AI技術核心仍是圍繞在演算法,但對於晶片業者來說,採行通用運算處理器進行效能提升在導入AI運算加速的目的上成效有限,反而是利用硬體進行演算法加速、透過SoC整合協調處理演算法與產出分析結果,會是現有發展AI、佈局人工智能應用最有潛力的發展方向。但現況是,鑽研AI演算法的新創通常未能有底層晶片的整合資源、而具有SoC整合技術與生產能力的晶片廠在演算法技術掌握有限,AI新創團隊需能整合兩方資源才能有機會在AI應用領域有突出表現。

智慧手機AI應用  透過SoC嵌入式整合效益更高

AI應用市場另一趨勢是發展手機用人工智慧晶片,也是現有的重點應用領域,基本上在手機上運行的AI人工智慧,其實是諸多人工智慧應用中屬於較低負荷型的應用型態,手機用AI晶片需考量智慧手機的低功耗、小體積要求,晶片除需要具備高度集積微小化整合設計,耗電也需要同時考量;另在高耗能、高運算效能的AI應用,就屬於高負荷型人工智能運算應用,但高效能運算如使用大量GPU的協同運算整合晶片,在擴展運算效能方面可能已遭遇架構、材料、技術的效能提升瓶頸,短時間難有大幅的效能提升成果。

反觀,針對行動裝置設計的低負荷型AI人工智能分析應用晶片,可以運用嵌入式晶片的SoC整合技術將AI運算關鍵模組整合進原有整合晶片,而在智能手機的應用場域也會對運算效能要求不會如高負載系統要求高,可能在整合應用、創意方面的發揮才是相關解決方案能否獲得市場關注的重點。

AI臉辨技術成熟  優化特徵擷取比對效用更大

在iPhone X導入人臉辨識AI技術方案後,也讓手機產業開始追逐類似人臉辨識的AI晶片解決方案,基本上人臉辨識可以分如下幾個流程運作,例如進行Facial Detection人臉偵測,透過連續攝錄影像中進行搜尋每一張影格Frame把可能是人臉的影像挑揀出來、同時進行分析辨識標記;另一種是Facial Capture人臉擷取,透過人臉偵測依據辨識系統的圖像需求將人臉圖像存入系統。

Feature Extraction特徵分析擷取則是透過人臉辨識演算法將人臉影像建模後、轉換為特徵資料儲存,將人臉圖像轉換成可數據化、可大量分析比對特徵的資料庫;最後是Matching比對技術,即透過篩選特徵檔案進行人臉比對,如利用身分驗證技術進行比對後,應用於身分識別、驗證等用途,而Apple熱賣的iPhone X其實就使用了Facial Capture、Feature Extraction、Matching建構臉辨開機應用功能。

改善靜態辨識缺點  提升特徵建模、比對準確性

以往臉辨技術方案可能多採靜態辨識,透過臉部轉換成圖像後才進行分析與辨識後續應用,但實際應用會因為特徵來源資訊有限,導致辨識率表現差,甚至容易出現誤判影響到實用性。新一代的臉部辨識技術會朝向動態整合技術,也就是臉部特徵擷取可在連續動態影像中進行自動擷取,因為動態影像會有人員移動速度、光影、影像畫質、角度等導致取樣數值變動過高,擷取特徵的難度大幅提升,運算負荷與對系統回應的速度要求下,基本上AI分析的運算負載相當重。

這種動態影像即時擷取、分析、辨識應用,就屬於高負荷的人臉辨識AI分析應用;但若只是要透過人臉辨識作為智慧手機的開機權限判斷,其實分析數據量就大幅減少,對於人臉辨識的AI SoC晶片需求整合要求相對較低,左右人臉辨識應用效益的關鍵反而會是在特徵擷取的技術方案差異,例如,iPhone X透過整合3D臉部建模處理臉部特徵擷取資料應用,自然再搭配比對技術就能實踐手機應用所需的AI臉部辨識應用技術。

除智慧手機的低負荷AI運算應用外,在高負荷的人臉辨識應用用途也相當廣泛,例如,透過機場、交通運輸中心設置攝像機,透過AI人臉辨識快速自大量影像來源蒐集整合、並同步進行辨識、特徵擷取,除保留錄像設備取得的動態影像外,當有關鍵影片調閱需求時,可利用人臉特徵比對、車牌比對等快速找到重要人、時段的關鍵影像。以往不透過AI影像辨識技術查找關鍵影格,多半要透過人力查找,查找效率與成果通常不成比例,但有AI辨識技術加持,至少可以在投放人力進去系統翻找關鍵影格前先使用分析檢索技術進行查找,少了不必要的人力耗損。

即便是低負荷的智能手機人臉辨識應用於開機驗證方面,透過比對人臉特徵,也可讓手機資料安全性、便利性均可獲得提升,改善手機用戶體驗的成效相當高。

 

更多關鍵字報導: 人臉辨識技術