基于人工智能與機(jī)器學(xué)習(xí)技術(shù)在智慧城市的應(yīng)用

鄭永亮， 李曉坤， 王琳琳， 陳虹旭， 楊 磊

(黑龍江恒訊科技有限公司， 哈爾濱 150090)

0 引 言

智慧城市是基于物聯(lián)網(wǎng)、云計(jì)算、人工智能等技術(shù)而形成的一種新型智能化、信息化的城市形態(tài)。在智慧城市建設(shè)中利用人工智能與機(jī)器學(xué)習(xí)建設(shè)智慧化、智能化、信息化的現(xiàn)代城市，不僅是一種技術(shù)手段，更是一種顛覆性思維。要想將中國建設(shè)成為網(wǎng)絡(luò)強(qiáng)國、數(shù)字中國和智慧社會(huì)，智慧城市便是重要抓手和綜合載體，而人工智能與機(jī)器學(xué)習(xí)技術(shù)在智能城市中的應(yīng)用則起著重要的支撐作用。

1 人工智能與機(jī)器學(xué)習(xí)概述

1.1 人工智能

隨著互聯(lián)網(wǎng)的普及，傳感器的普遍存在，大數(shù)據(jù)的出現(xiàn)，電子商務(wù)的發(fā)展，信息社區(qū)的興起，數(shù)據(jù)與知識(shí)在社會(huì)、物理空間和網(wǎng)絡(luò)空間的互聯(lián)與融合，圍繞人工智能發(fā)展的信息環(huán)境發(fā)生了深刻的變化，導(dǎo)致了一個(gè)新的進(jìn)化階段——人工智能2.0[1-2]?，F(xiàn)階段的人工智能更加側(cè)重于與人類生活緊密結(jié)合，并成為人類生活中的一部分。

新技術(shù)的出現(xiàn)將人工智能提升到了一個(gè)新的階段。人工智能的目標(biāo)也發(fā)生了巨大的變化，從追求使用計(jì)算機(jī)模擬人類智能轉(zhuǎn)變?yōu)椋?/p>

(1)結(jié)合機(jī)器和人類增強(qiáng)的混合智能系統(tǒng)；

(2)由機(jī)器、人類和網(wǎng)絡(luò)組織的新的人群智能系統(tǒng)；

(3)更復(fù)雜的智能系統(tǒng)，如融合人類、社會(huì)、物理和網(wǎng)絡(luò)系統(tǒng)的智能城市。

本文中所提及的人工智能是指人工智能中的圖像識(shí)別技術(shù)。

1.2 機(jī)器學(xué)習(xí)

通常，機(jī)器學(xué)習(xí)定義為計(jì)算機(jī)利用經(jīng)驗(yàn)自動(dòng)改善系統(tǒng)自身性能的行為。[3]機(jī)器學(xué)習(xí)其主要的工作就是提取出主要的特征后根據(jù)已有的經(jīng)驗(yàn)、數(shù)據(jù)或?qū)嵗龢?gòu)造從特征到標(biāo)簽的映射。機(jī)器學(xué)習(xí)是人工智能領(lǐng)域最能體現(xiàn)智能的一個(gè)分支，也許不是人工智能中最為高端的技術(shù)，但卻是人工智能領(lǐng)域最不可或缺的技術(shù)。機(jī)器學(xué)習(xí)擁有高度發(fā)達(dá)的感知能力和強(qiáng)大的并行信息處理能力,在智慧城市建設(shè)的應(yīng)用中取得了很大的進(jìn)展,運(yùn)用于圖像識(shí)別、語音識(shí)別等領(lǐng)域并取得了令人矚目的成就。

1.3 深度學(xué)習(xí)

深度學(xué)習(xí)，也就是英文中常說的Deep Learning，直觀地說，深度學(xué)習(xí)就是不需要人參與特征的選取過程。深度學(xué)習(xí)作為近年來研究的熱門領(lǐng)域，在圖像識(shí)別、目標(biāo)檢測、自然語言處理等領(lǐng)域取得了較大的成功[5]。深度學(xué)習(xí)較機(jī)器學(xué)習(xí)來說具有更寬廣的應(yīng)用領(lǐng)域，極大地拓展了人工智能的應(yīng)用范圍[6]。

深度學(xué)習(xí)的框架主要有3種:深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)、深度置信網(wǎng)絡(luò)(DBN)、堆棧自編碼器(SAE)[7]。深度學(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建包含多個(gè)隱層的機(jī)器學(xué)習(xí)模型[8]與大量的數(shù)據(jù)[9]進(jìn)行訓(xùn)練，從而來獲取更加有用的特征，使得預(yù)測和分類的準(zhǔn)確性得以提高。

2 人工智能與機(jī)器學(xué)習(xí)技術(shù)在智慧城市中的應(yīng)用

在建設(shè)智慧城市的進(jìn)程中，伴隨著人工智能領(lǐng)域中圖像識(shí)別技術(shù)運(yùn)用領(lǐng)域的不斷擴(kuò)展，圖像識(shí)別發(fā)揮著越來越重要的作用，人臉識(shí)別[11]、步態(tài)識(shí)別[12]、車牌識(shí)別[13]、指紋識(shí)別[14]等都屬于這一范圍。本文以圖像識(shí)別中較具代表性的人臉識(shí)別與步態(tài)識(shí)別為例，來闡述人工智能與機(jī)器學(xué)習(xí)技術(shù)在智慧城市中的應(yīng)用。

2.1 步態(tài)識(shí)別

2.1.1 步態(tài)識(shí)別概述

步態(tài)識(shí)別是通過對(duì)人走路的姿勢和形態(tài)可在遠(yuǎn)距離非受控狀態(tài)實(shí)現(xiàn)對(duì)個(gè)人身份的識(shí)別和認(rèn)證。早期的醫(yī)學(xué)研究表明：人的步態(tài)中有24種不同的成分，如果把這24種不同成分都考慮到，則步態(tài)是為個(gè)體所獨(dú)有的[15]，相互比于虹膜識(shí)別、指紋識(shí)別等傳統(tǒng)的識(shí)別方式來說，步態(tài)識(shí)別具有相對(duì)唯一、不易偽裝、不需客體配合、真實(shí)自然等優(yōu)點(diǎn)[16]。由于以上優(yōu)點(diǎn)，步態(tài)識(shí)別在智慧城市的諸多領(lǐng)域具有更加廣泛的應(yīng)用前景。

步態(tài)識(shí)別通常通過步態(tài)檢測、步態(tài)特征提取等過程來進(jìn)行個(gè)體識(shí)別，可以認(rèn)為步態(tài)識(shí)別就是通過對(duì)包含人體運(yùn)動(dòng)的圖像序列進(jìn)行分析與處理，從而來提取步態(tài)特征[17-18]。 步態(tài)識(shí)別流程如圖1所示。

2.1.2 步態(tài)識(shí)別的應(yīng)用

首先，步態(tài)識(shí)別應(yīng)用于安防領(lǐng)域。作為新興的生物特征識(shí)別技術(shù)，應(yīng)用于視頻監(jiān)控領(lǐng)域，將會(huì)在社會(huì)治安、案件偵查、反恐等領(lǐng)域發(fā)揮重大作用，可以更加快速地對(duì)嫌疑人進(jìn)行判斷。其次，步態(tài)識(shí)別應(yīng)用于財(cái)產(chǎn)安全領(lǐng)域。對(duì)于貴重物品的保管，在加入步態(tài)識(shí)別技術(shù)后，物品內(nèi)的傳感器將根據(jù)來者的步態(tài)判斷此人是否會(huì)對(duì)物品構(gòu)成威脅從而是否發(fā)出警報(bào)。最后，步態(tài)識(shí)別應(yīng)用于醫(yī)學(xué)領(lǐng)域。由于健康的人走路的姿態(tài)和不健康的人走路會(huì)有差別，通過步態(tài)識(shí)別，可以判斷出人的身體是否健康，若不健康，可以判斷出是身體哪個(gè)部位出現(xiàn)了問題。

圖1 步態(tài)識(shí)別流程

2.2 人臉識(shí)別

2.2.1 人臉識(shí)別的應(yīng)用

人臉識(shí)別作為一種重要的身份鑒別方法，在許多領(lǐng)域都有著廣泛的應(yīng)用。首先，人臉識(shí)別應(yīng)用于安防領(lǐng)域。目前，社會(huì)中大量監(jiān)控的高清普及，為人臉識(shí)別應(yīng)用提供基礎(chǔ)。在案發(fā)之后利用視頻錄像對(duì)嫌疑人面部特征進(jìn)行提取，通過酒店、網(wǎng)吧、出租屋、汽車站、火車站、廣場、交通要道等場所進(jìn)行在逃犯實(shí)時(shí)布控需求，利用人臉卡口軌跡線索分析能有效定位嫌疑人員。其次，人臉識(shí)別應(yīng)用于金融領(lǐng)域[19]。隨著支付方式日新月異，二維碼等收付款方式有可能存在不安全，或者不能滿足人們需求等的缺點(diǎn)。相比之下，刷臉支付[20]的支付方式具有的安全性、唯一性的優(yōu)點(diǎn)被人們逐漸重視起來，在將來，刷臉支付可能會(huì)成為新的支付方式。再次，人臉識(shí)別應(yīng)用于門禁管理[21]。門禁系統(tǒng)對(duì)于安全的居住環(huán)境至關(guān)重要，由于人臉識(shí)別具備的唯一性和不易被復(fù)制的特性為身份鑒別提供了良好的前提，通過對(duì)人臉的識(shí)別作為開門的前提，小區(qū)住戶可通過門禁系統(tǒng)對(duì)人臉的識(shí)別作為開門的鑰匙，保證了住戶的安全，同時(shí)也免去了忘記帶鑰匙的不便。最后,人臉識(shí)別應(yīng)用于考勤管理。人臉識(shí)別可以提高考勤管理的效率，通過事先的信息采集，在員工上下班的過程中，考勤機(jī)會(huì)自動(dòng)對(duì)其進(jìn)行記錄，節(jié)省了員工排隊(duì)打卡的時(shí)間，同時(shí)也可以避免弄虛作假情況的發(fā)生。

2.2.2 人臉識(shí)別的應(yīng)用模式

當(dāng)前人臉識(shí)別有3種應(yīng)用模式：1∶1人臉識(shí)別、1∶N人臉識(shí)別、M∶N動(dòng)態(tài)布控。1∶1識(shí)別就是對(duì)目前所出現(xiàn)的人臉與數(shù)據(jù)庫中的人像進(jìn)行快速對(duì)比，進(jìn)而得出匹配的過程， “刷臉”登機(jī)、驗(yàn)票、支付都屬此類；1∶N是在海量的人像數(shù)據(jù)庫中找出當(dāng)前用戶的人臉數(shù)據(jù)并進(jìn)行匹配，即從N個(gè)人臉中找出1個(gè)目標(biāo)；M∶N是通過計(jì)算機(jī)對(duì)目標(biāo)區(qū)域內(nèi)的所有個(gè)體進(jìn)行人臉對(duì)比，并與人像數(shù)據(jù)庫中的樣本進(jìn)行動(dòng)態(tài)人臉對(duì)比，可以應(yīng)用于黑名單監(jiān)控、VIP客戶管理系統(tǒng)、校園人臉識(shí)別系統(tǒng)等多種場景。

3 人臉識(shí)別與步態(tài)識(shí)別融合相關(guān)技術(shù)介紹

3.1 DBN深度置信網(wǎng)

DBN是由多個(gè)限制波爾茲曼機(jī)(RBM)堆疊而成[22]。RBM作為深度信念網(wǎng)絡(luò)的組成元素，由2層結(jié)構(gòu)組合而成，分別稱之為顯層和隱層，層與層之間網(wǎng)絡(luò)單元是互相連接的，但是層內(nèi)單元并無連接，其結(jié)構(gòu)如圖2所示。通常假設(shè)其所有節(jié)點(diǎn)的取值都是0或1,同時(shí)假設(shè)全概率分布滿足Boltzmann分布，則該模型為限制波爾茲曼機(jī)模型[23-25]。

圖2 RBM結(jié)構(gòu)示意圖

RBM模型顯層和隱層都服從伯努利分布，因此，其能量表達(dá)式為:

其中，θ={W，a，b}為該模型的參數(shù)。

RBM的聯(lián)合分布可以表示為：

RBM的顯層和隱層對(duì)應(yīng)的條件概率可表示為：

深度置信網(wǎng)是由多個(gè)RBM和一個(gè)BP網(wǎng)絡(luò)堆疊而成，輸入數(shù)據(jù)在DBN模型中逐層進(jìn)行數(shù)據(jù)轉(zhuǎn)換的同時(shí)，不斷地對(duì)數(shù)據(jù)的特征進(jìn)行提取和抽象，并且剔除冗余的信息，最后將經(jīng)過多層數(shù)據(jù)轉(zhuǎn)換后的特征信息輸入頂層BP層，通過BP網(wǎng)絡(luò)利用反向傳播算法進(jìn)行有監(jiān)督的訓(xùn)練學(xué)習(xí)，對(duì)整個(gè)DBN模型進(jìn)行微調(diào)，從而優(yōu)化整個(gè)模型，提高DBN模型數(shù)據(jù)抽象的能力，學(xué)習(xí)到更精確的特征。深度信念網(wǎng)絡(luò)示意如圖3所示。

圖3 深度信念網(wǎng)絡(luò)示意圖

3.2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別

神經(jīng)網(wǎng)絡(luò)是將多個(gè)神經(jīng)元連接起來后，將某個(gè)神經(jīng)元的輸出作為下一層神經(jīng)元的輸入，圖4是一個(gè)具有一層隱藏層的神經(jīng)網(wǎng)絡(luò)。其中x，L，xj，L，xd表示輸入向量X的每一維，Wi，j(1)表示輸入層的第j個(gè)元素與第一隱層的第i個(gè)神經(jīng)元連接的權(quán)值，o(g)表示輸出層的激發(fā)函數(shù)，對(duì)于隱層的每個(gè)神經(jīng)元有：

a(x)i=bi(1)+∑jWi，j(1)xj

圖4 深度卷積神經(jīng)網(wǎng)絡(luò)框架圖

寫成矩陣式即：

a(x)=b(1)+W(1)X

隱層的激發(fā)函數(shù)：

h(X)=g(a(X))

因此,可以計(jì)算出輸出層的結(jié)果：

f(X)=o(b(2)+W(2)rh(1)(X))

由此可以推廣到具有多層隱層的神經(jīng)網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、池化層和全連接層，并具有稀疏連接和權(quán)值共享的特征。

在圖像采集的過程中，步態(tài)圖像或人臉圖像的某些部分的特征也許會(huì)出現(xiàn)于其它位置，為了得到新的特征映圖，通常使用一個(gè)卷積核對(duì)輸入的一張圖片進(jìn)行卷積操作。相對(duì)應(yīng)的利用圖像局部相關(guān)性原理，實(shí)現(xiàn)下采樣操作。

卷積的計(jì)算公式為：

yi=f(∑ieMxi*ki+bp)

f(x)=max(x，0)

池化的計(jì)算公式為：

Yi=downieM(Xi)

其中，down是下采樣操作。

全連接的計(jì)算公式為：

Y=f(P*x+b)

其中，P是一個(gè)矩陣，x是輸入二維特征圖的一維向量形式。而且通過全連接能夠?qū)⑻卣鲌D映射到任意維度的向量中。

在網(wǎng)絡(luò)訓(xùn)練過程中，SoftmaxLoss函數(shù)通過損失值的反饋不斷對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，迭代次數(shù)不斷增加的同時(shí)，其損失值也在不斷的降低，而訓(xùn)練數(shù)據(jù)中的類別在實(shí)驗(yàn)中也會(huì)被慢慢地分離開來。由于人臉具有復(fù)雜多變的特性，對(duì)人臉識(shí)別來說，SoftmaxLoss存在的一個(gè)明顯的缺點(diǎn)就是對(duì)于人臉識(shí)別性能來說，雖然能夠提高人臉識(shí)別的精度，但卻不能減少同類別中人臉間的距離，這就易使在某些非限定條件下的人臉識(shí)別產(chǎn)生誤差。對(duì)于此問題，中心損失函數(shù)(CenterLoss)[26]可以實(shí)現(xiàn)減少類內(nèi)距離，使類內(nèi)距離小于肋間距離。計(jì)算公式如下：

其中，N代表訓(xùn)練批次;xi表示第j類中第i個(gè)樣本的特征向量;cj是第j類的中心特征向量。每次迭代，cj都會(huì)進(jìn)行更新，通過不斷進(jìn)行訓(xùn)練，可以有效減少類間距離，從而實(shí)現(xiàn)減少類內(nèi)距離的目標(biāo)。

在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，CenterLoss對(duì)類別無法區(qū)分，只能縮小類內(nèi)距離。由于這點(diǎn)原因本文將SoftmaxLoss和CenterLoss共同使用，從而聯(lián)合監(jiān)督網(wǎng)絡(luò)訓(xùn)練，以期實(shí)現(xiàn)減小類內(nèi)距離的目標(biāo)。本文中的實(shí)驗(yàn)方法是將SoftmaxLoss和CenterLoss進(jìn)行加權(quán)，運(yùn)算公式如下：

The normalized specific acoustic impedance of a perforated liner of single degree of freedom can be formulated as below:

L=Softmax+λCenterLoss=

其中，前半部分為SoftmaxLoss函數(shù);F代表訓(xùn)練數(shù)據(jù)的類別總數(shù);w是最后一個(gè)全連接層的權(quán)重集合;a為偏置值;λ為用來平衡這2個(gè)損失的CenterLoss的權(quán)重值。在本文所提出的網(wǎng)絡(luò)中，SoftmaxLoss層和CenterLoss層的具體使用方式如圖5所示[27]。

圖5 Center Loss與Softmax Loss在網(wǎng)絡(luò)中的具體使用方法示意圖

Fig.5SketchdiagramofspecificusemethodofCenterLossandSoftmaxLossinthenetwork

基于卷積神經(jīng)網(wǎng)絡(luò)，通過使用CenterLoss與SoftmaxLoss，來平衡人臉識(shí)別與步態(tài)識(shí)別中的偏差，提取出更具區(qū)分能力的人臉特征與步態(tài)特征，使得人臉識(shí)別與步態(tài)識(shí)別能夠更為精準(zhǔn)。

4 實(shí)驗(yàn)結(jié)果與分析

本文的實(shí)驗(yàn)平臺(tái)配置為Intel2.67 GHz CPU、8 GB內(nèi)存、操作系統(tǒng)為Ubuntu 14.04。

4.1 步態(tài)識(shí)別實(shí)驗(yàn)結(jié)果及分析

4.1.1 實(shí)驗(yàn)樣本

實(shí)驗(yàn)選取中科院的步態(tài)數(shù)據(jù)庫 CASIA-B 和CASIA-C[28]等公開數(shù)據(jù)集對(duì)本文中所提出的方法進(jìn)行驗(yàn)證。CASIA-B 數(shù)據(jù)集中包含124個(gè)個(gè)體的行走數(shù)據(jù)，包括正常的行走、背包行走和穿外套行走。CASIA-C 數(shù)據(jù)集是夜間拍攝的紅外步態(tài)圖像，包含153個(gè)個(gè)體正常行走、快走、慢走和背包的行走狀態(tài)。本文從中隨機(jī)選取了16個(gè)人正常情況下的水平向左步行數(shù)據(jù)和 10 個(gè)人的背包情況下水平向左步行的行走數(shù)據(jù)，前者用“Gait-nm”表示，后者用“Gait-bg”表示。

4.1.2 實(shí)驗(yàn)細(xì)節(jié)

在實(shí)驗(yàn)中，首先對(duì)320×240像素的原始圖像生成歸一化的步態(tài)輪廓圖像，并且將尺寸放縮至64×64像素來計(jì)算步態(tài)周期。

本文中所提及的實(shí)驗(yàn)訓(xùn)練過程包括全連階層網(wǎng)絡(luò)與受限玻爾茲曼機(jī)。每一DBN網(wǎng)絡(luò)含有輸入層、頂層輸出與3個(gè)隱藏層，時(shí)序模型包含3層網(wǎng)絡(luò)。在實(shí)驗(yàn)中，輸入層的數(shù)據(jù)維度為15 000，頂層的數(shù)據(jù)維度為100，3個(gè)隱藏層結(jié)點(diǎn)數(shù)分別是5 000、1 000與500，輸入層、隱層、輸出層均是100個(gè)節(jié)點(diǎn)。所有深網(wǎng)中，RBM在預(yù)測階段的迭代次數(shù)是300次，BP神經(jīng)網(wǎng)絡(luò)微調(diào)次數(shù)為200，訓(xùn)練時(shí)序模型時(shí)，對(duì)其中GRBM和CRBM的訓(xùn)練迭代次數(shù)均為2 000次。

4.1.3 實(shí)驗(yàn)結(jié)論

本文中的實(shí)驗(yàn)數(shù)據(jù)與其它幾種方法對(duì)比結(jié)果見表1。可以看到，SVM和DBN+RBF的步態(tài)序列識(shí)別情況較為紊亂，識(shí)別率偏低;DBN+SVM的步態(tài)識(shí)別率則相對(duì)較高;而集成深網(wǎng)相比于其它效果則具有更加明顯的優(yōu)勢。

表1幾種方法的步態(tài)序列類識(shí)別對(duì)比

Tab.1Gaitsequenceclassidentificationcomparisonofseveralmethods

方法Gnit-nm(16類)識(shí)別類/個(gè)識(shí)別率/%Gnit-bg(10類)識(shí)別類/個(gè)識(shí)別率/%SVM1167.75770DBN+RBF532.25330DBN+SVM1592.7510100集成深網(wǎng)1610010100

4.2 人臉識(shí)別實(shí)驗(yàn)結(jié)果及分析

4.2.1 實(shí)驗(yàn)樣本

選取 CASIA-WebFace[29]作為訓(xùn)練樣本，其中包含10 575人的約500 000張圖片。使用此訓(xùn)練庫來訓(xùn)練網(wǎng)絡(luò)，本文在實(shí)驗(yàn)中使用公開人臉庫LFW數(shù)據(jù)庫進(jìn)行測試，實(shí)驗(yàn)測試結(jié)果是基于LFW數(shù)據(jù)庫中人臉驗(yàn)證任務(wù)的1 000對(duì)正樣本和1 000對(duì)負(fù)樣本。

4.2.2 實(shí)驗(yàn)細(xì)節(jié)

在實(shí)驗(yàn)中，對(duì)訓(xùn)練樣本和測試樣本作同樣的預(yù)處理。首先，采用MTCNN算法進(jìn)行人臉檢測和關(guān)鍵點(diǎn)定位；其次，根據(jù)關(guān)鍵點(diǎn)的位置進(jìn)行相似性變換。在進(jìn)行完以上操作后，對(duì)實(shí)驗(yàn)中所有的人臉圖像裁剪為112×96的RGB圖片。

實(shí)驗(yàn)的訓(xùn)練參數(shù)設(shè)定為：初始學(xué)習(xí)率設(shè)置為0.02，訓(xùn)練批次為50，權(quán)重衰減設(shè)置為0.005，總的迭代次數(shù)為10萬次，最大迭代次數(shù)為5萬次。在實(shí)驗(yàn)過程中，對(duì)測試原圖進(jìn)行提取，與水平翻轉(zhuǎn)圖的特征進(jìn)行比對(duì)，并提取出最終的比對(duì)特征，同時(shí)，采用Cosine距離計(jì)算出相似度。在此過程中與其它方法進(jìn)行對(duì)比和實(shí)驗(yàn)。結(jié)果數(shù)據(jù)見表2。

表2 其它方法在LFW庫上的結(jié)果對(duì)比

4.2.3 實(shí)驗(yàn)結(jié)論

與傳統(tǒng)的人臉識(shí)別算法相比，本文中所提及的人臉識(shí)別算法具有更高、更精準(zhǔn)的識(shí)別度；同時(shí)，將度量學(xué)習(xí)算法融合其中，提取到了更為精準(zhǔn)的人臉特征。本文方法使用了更少的人臉關(guān)鍵點(diǎn)，且有更高的驗(yàn)證識(shí)別準(zhǔn)確率。

5 步態(tài)識(shí)別與人臉識(shí)別共同運(yùn)用的優(yōu)勢

人臉識(shí)別只有當(dāng)個(gè)體與攝像機(jī)距離足夠近時(shí)才能提取到有效的面部特征。而由于人的步態(tài)具有唯一性的特征，即使攝像機(jī)只能捕捉到分辨率較低的圖像，也可以獲取足夠的步態(tài)信息。將人臉識(shí)別與步態(tài)識(shí)別共同運(yùn)用，可以有效地應(yīng)對(duì)個(gè)體與攝像機(jī)距離的問題。而且，由于步態(tài)與人臉通過攝像機(jī)來收集身份信息對(duì)傳感設(shè)備的要求相對(duì)較低，同時(shí)，步態(tài)識(shí)別受穿著、負(fù)荷的影響較大，但這些因素對(duì)人臉識(shí)別的影響較小；而人臉識(shí)別受化妝、表情、發(fā)型的影響較大，但這些因素對(duì)步態(tài)識(shí)別卻無甚影響?？梢哉f，步態(tài)識(shí)別與人臉識(shí)別是可以互補(bǔ)的。所以，將步態(tài)識(shí)別與人臉識(shí)別共同運(yùn)用，可以提高識(shí)別的精準(zhǔn)度，對(duì)建設(shè)智慧城市是一項(xiàng)極其有利的舉措[30]。

6 結(jié)束語

智慧城市是未來城市發(fā)展的主要方向，人工智能和機(jī)器學(xué)習(xí)技術(shù)必將在智慧城市中發(fā)揮越來越重要的作用，人工智能與機(jī)器學(xué)習(xí)技術(shù)在智慧城市各領(lǐng)域的應(yīng)用必將隨著技術(shù)的進(jìn)步和人們對(duì)智慧城市間認(rèn)識(shí)的深入而更加廣泛地應(yīng)用，智慧城市、人工智能技術(shù)各自蓬勃發(fā)展，必將催生新的經(jīng)濟(jì)增長點(diǎn)，促進(jìn)物質(zhì)文明和精神文明的進(jìn)步，使中國新型城鎮(zhèn)化向著健康、有序的方向發(fā)展[31]。