五、人脸反欺诈
从技术角度来说，人脸是唯一不需要用户配合就可以采集的生物特征信息。人脸不同于指纹、掌纹、虹膜等，用户不愿意被采集信息就无法获得高质量的特征信息。人脸信息简单易得，而且质量还好，所以这引发了有关个人数据安全性的思考。而且在没有设计人脸反欺诈算法的人脸识别系统使用手机、ipad或是打印的图片等都能对轻松欺骗系统。
所以我们采用多传感器融合技术的方案，使用红外对管与图像传感器数据进行深度学习来判断是否存在欺诈。红外对管进行用户距离的判断，距离过近则怀疑欺诈行为。图像传感器用深度学习算法进行二分类，把正常用户行为与欺诈用户行为分为两类，对欺诈用户进行排除。
二分类算法能够有效抵抗一定距离的手机、ipad或是打印图片的欺诈攻击。对人脸欺诈数据集与普通人脸数据集预测如图所示：
本二分类算法在100万张图片中准确分类的概率为98．89％，所以并不会对整体系统的准确率进行影响，保障系统的可靠性。
六、算法优化
在使用神经网络算法解决问题的时候，算法效率问题是必要的考量的。特别是在资源与算力不足的嵌入式端，更是头等大问题。除了依托TensorFlow、Keras等开源框架，根据其前向传播的原理写成C＋＋程序，还有必要的编译优化外，模型权重参数的清洗和算法计算的向量化都是比较有效的手段。
1、模型权重参数清洗
权重参数清洗对神经网络算法的效率影响相当大，没有进行清洗的权重参数访问与操作非常低效，与清洗后的权重参数相比往往能效率相差6－8倍。这差距在算力不足的嵌入式端非常明显，往往决定一个算法是否能落地。具体的方法就是先读取原模型进行重组，让参数变得紧凑且能在计算时连续访问计算，最后获得重组后的模型与对应的重组模型的计算方法。这个步骤需要一定的优化实践经验以达到满意的效果，对模型读取效率与运算效率都会有显著的提高。
2、算法计算向量化
对于算法的向量化的做法就是让算法的计算能够使用向量乘加等运算，而特别是在使用神经网络算法情况下，大量的计算没有前后相关性且执行相类似的步骤，所以向量化计算会对算法有明显的提升，一般能把算法效率提升三倍左右。
使用NEON指令集的SIMD指令取代ARM通用的SISD指令，是一个常用的算法向量化方法。在基于ARMV7－A和ARMV7－R的体系架构上基本采用了NEON技术，ARMV8也支持并与ARMV7兼容。
以IMX6ULL芯片为例，可以通过查阅官方的参考手册查看其NEON相关信息：
下面举例说明普通的编程写法与NEON instrinsics编程、NEON assembly编程区别。以下为普通的编程写法：
以下为转化为NEON instrinsics的编程：
以为转为NEON assembly的编程：
一般NEON instrinsics已经能做到三倍的提速效果，而NEON assembly效果会更好一些。但是程序向量化需要特殊访存规则，如果不符合则会对导致提速效果大打折扣。
访存特征详细分类如表所示：
其中，无冗余饱和顺序模式是理想的访问模式，能够发挥算法计算向量化的效果。但是我们神经网络算法的最基本的卷积、全连接等计算却是冗余饱和非顺序模式的计算，这要如何解决呢？
查阅相关论文、期刊对这程序向量化非规则访存的研究，可以发现程序向量化有以下步骤：
如上图所示，需要对卷积、全连接等冗余饱和非顺序模式计算通过向量混洗为无冗余饱和顺序的模式，以达到优化的效果。
七、人脸识别效果展示
基于PC的人脸识别展示demo如下视频所示：
ZLG的人脸识别算法已成功移植到了cortex－a7的EPC－6Y2C－L平台，且还能根据实际应用做进一步的优化。人脸检测效率为166ms左右，人脸定位效率为125ms左右，人脸比对的效率为493ms左右，合计人脸识别总耗时788．3ms左右。下面是在EPC－6Y2C－L的实测效果：
最后附上EPC－6Y2C－L产品图片：
八、关于算法库获取
关于算法库的获取可以咨询ZLG的销售人员。
