基于活體檢測和身份認(rèn)證的人臉識別安防系統(tǒng)

陳 放，劉曉瑞，楊明業(yè)

（1.青島大學(xué)自動化學(xué)院，山東青島 266071；2.青島大學(xué)未來研究院，山東青島 266071；3.電子科技大學(xué)機(jī)器人研究中心，成都 611731）

（?通信作者電子郵箱liuxiaorui@qdu.edu.cn）

0 引言

隨著硬件計算能力的提高，基于神經(jīng)網(wǎng)絡(luò)解決人臉識別問題的方法越來越多。人臉識別技術(shù)［1-2］被廣泛地應(yīng)用于生活和工作當(dāng)中。人臉識別的任務(wù)包括兩類：一類是將給定人臉進(jìn)行分類，作為分類問題識別給定人臉的特定身份；另一類是驗證一對人臉是否具有相同的身份。本文研究內(nèi)容聚焦于融合人臉識別與活體檢測算法，針對實時人臉活體檢測與識別的問題開展研究。

目前的主流技術(shù)路線是基于神經(jīng)網(wǎng)絡(luò)的人臉驗證。深度學(xué)習(xí)時代的人臉識別有兩種思想，即度量學(xué)習(xí)［3-4］和基于邊緣的分類［5-6］，而最近的一些工作包括探索更好的損失函數(shù)以及在遮擋、姿態(tài)變化下的人臉識別等，以提高人臉識別的性能。DeepID［7］利用深度卷積網(wǎng)絡(luò)，聯(lián)合識別信號和驗證信號，在LFW（Labled Faces in the Wild）數(shù)據(jù)集上實現(xiàn)了99.15%的人臉驗證精度，這也是人臉識別技術(shù)首次在無約束場景下超越人類眼睛的識別能力。從這之后，人臉識別算法不斷改進(jìn)，文獻(xiàn)［3］提出了一種基于三元組損失的無對齊大規(guī)模人臉圖像訓(xùn)練方法FaceNet，有效實現(xiàn)了對人臉數(shù)據(jù)的識別、驗證和聚類，該方法在LFW 和YouTubeFaces［8］數(shù)據(jù)集上達(dá)到了較高性能水平。文獻(xiàn)［7］提出了NormFace，通過對softmax 損失函數(shù)的修改，以優(yōu)化余弦相似度并重新制定度量學(xué)習(xí)。在SphereFace［9］中，提出了一種新的A-softmax（Angular softmax）損失函數(shù)，并在MageFace 挑戰(zhàn)中取得了很好的效果。文獻(xiàn)［6］在SphereFace 基礎(chǔ)上提出了ArcFace，改進(jìn)了對特征向量歸一化和加性角度間隔，提高了類間可分性，加強(qiáng)類內(nèi)緊度和類間差異。文獻(xiàn)［10］提出了分配蒸餾損失函數(shù)，用于提高困難樣本在一般任務(wù)上的性能。

雖然人臉識別技術(shù)在現(xiàn)實生活中已被廣泛應(yīng)用，但是其對欺詐攻擊的抗擾度仍亟待提高。通常，欺詐攻擊的方式包括照片攻擊［11-12］、視頻攻擊［13］、3D Mask 攻擊［14］和虛擬現(xiàn)實（Virtual Reality，VR）攻擊［15］。從理論上講，相機(jī)實時獲取的真實面部數(shù)據(jù)和欺詐攻擊所使用的人臉面部數(shù)據(jù)之間存在固有差異，包括圖像紋理、光譜信息、運動信息、深度信息等，這些差異在安全問題中都極具挑戰(zhàn)性。有關(guān)人臉活體檢測方面的研究主要集中在三個方面：基于手工設(shè)計特征表達(dá)的方法、基于深度學(xué)習(xí)的方法和基于融合策略的方法。文獻(xiàn)［12］提出了通過顏色紋理分析的方法進(jìn)行人臉反欺騙檢測。文獻(xiàn)［16］提出了互動式活體檢測算法，但該算法需要人機(jī)交互，對用戶并不友好。文獻(xiàn)［17］首次把人臉深度圖作為活體與非活體的判別依據(jù)，但獲取深度圖需要復(fù)雜昂貴的設(shè)備。FeatherNets［18］給出了輕量化神經(jīng)網(wǎng)絡(luò)的解決方案，但仍需要大量的多態(tài)數(shù)據(jù)集，并且實時檢測需要獲取深度圖和紅外圖，計算量大。

針對欺騙攻擊，3D 人臉識別的優(yōu)勢是高識別率和高安全性，但是設(shè)備復(fù)雜昂貴，計算工作量大，需要用戶的協(xié)作。而2D 人臉識別方法采集所需硬件簡單，算法計算工作量少，用戶不需要根據(jù)活體檢測的提示作出相應(yīng)的動作。這使得2D人臉識別方法成為適用于嵌入式和移動設(shè)備生物識別的解決方案。

輕量級神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，在保證模型準(zhǔn)確率的同時，體積更小，速度更快。文獻(xiàn)［19］提出了SqueezeNet，在大幅降低模型參數(shù)量的前提下，最大限度地提高運算速度，它能夠在ImageNet 數(shù)據(jù)集上達(dá)到與AlexNet近似的效果，但是參數(shù)量只是AlexNet 的2%。在ImageNet 上，Xception［20］比InceptionV3的準(zhǔn)確率稍高，同時參數(shù)量有所下降，并加入類似ResNet 的殘差連接機(jī)制，顯著加快了收斂過程。MobileNetV2［21］提出了新的倒殘塊結(jié)構(gòu)，可以用較少的運算量得到較高的精度。ShuffleNetV2［22］通過多種評估指標(biāo)建立新架構(gòu)，并在速度和準(zhǔn)確性權(quán)衡方面稍優(yōu)于其他模型。MobileNetV3［23］利用組合互補(bǔ)搜索技術(shù)并對網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)，在ImageNet 分類實驗取得不錯的效果。

針對目前人臉活體檢測算法存在的計算量大、對用戶不友好、不易應(yīng)用于嵌入式系統(tǒng)的問題，本文提出了一種在無需用戶配合的單目攝像頭場景下實現(xiàn)活體檢測和人臉驗證的方法。該方法具有計算量低、識別率高、簡單高效、魯棒性好的特點，并可嵌入式應(yīng)用到門禁安防系統(tǒng)。

本文工作主要包含兩方面：

1）通過融合活體檢測算法和人臉識別算法設(shè)計了一種低成本且精確度可行的2D人臉反欺騙安防系統(tǒng)。

2）在CASIA-FASD（Chinese Academy of Sciences Institute of Automation-Face Anti-Spoofing Datasets）數(shù)據(jù)集以及Replay-Attack數(shù)據(jù)集上，對實時輕量級活體檢測模型［19-23］的性能進(jìn)行驗證，獲得了較好的結(jié)果。

1 人臉反欺騙認(rèn)證系統(tǒng)

人臉反欺騙認(rèn)證系統(tǒng)的總體架構(gòu)由三部分組成：MTCNN（Multi-Task Convolutional Neural Network）人臉檢測裁剪模塊，人臉反欺騙模塊和FaceNet 人臉認(rèn)證模塊，如圖1 所示。通過單目攝像頭提取用戶的面部信息，利用MTCNN模塊進(jìn)行人臉檢測和人臉對齊。對齊的面部信息輸入到人臉反欺騙模塊中，人臉反欺騙算法將判斷面部的真實性。判定面部信息為偽造，則面部識別結(jié)束；判定面部信息為真實時，F(xiàn)aceNet允許身份驗證成功的用戶通過安防系統(tǒng)。

1.1 MTCNN

文獻(xiàn)［1］提出了人臉檢測對齊算法，該算法設(shè)計了一種輕量級的卷積神經(jīng)網(wǎng)絡(luò)以確保良好的實時性能，并提出了一種在線硬樣本挖掘策略以進(jìn)一步提高性能。

MTCNN 的網(wǎng)絡(luò)結(jié)構(gòu)分為三層：P-Net（Proposal Network）、R-Net（Refine Network）、O-Net（Output Network）。圖像由三個網(wǎng)絡(luò)處理以獲取面部信息。首先，連續(xù)調(diào)整輸入圖像的大小以獲取圖像金字塔；其次，將其輸入P-Net 以獲取大量候選對象；最后，R-Net 更精確地過濾許多候選對象，并將其輸入O-Net以獲取面部坐標(biāo)的位置。

1.2 活體檢測

本文選擇了兩種可行的方案實現(xiàn)人臉反欺騙功能：基于色彩紋理分析方法和利用輕量級卷積神經(jīng)網(wǎng)絡(luò)的方法。所提方法可以在視頻中單獨一幀或者視頻序列上運行，因此可以實現(xiàn)實時檢測。

1.2.1 基于色彩紋理分析的人臉反欺騙

局部二值特征（Local Binary Pattern，LBP）是文獻(xiàn)［24］提出的灰度圖像局部紋理特征描述符。傳統(tǒng)的特征描述符LBP的提取方法是將原始圖像劃分為n×n個block，每個block 又劃分為a×a個cell。每個cell 的大小為3×3，通過LBP 提取每個cell 的特征。將中心像素的值作為閾值，并與中心像素點臨近的8個cell像素的值進(jìn)行比較，計算式如下：

其中：xc、yc為3×3 區(qū)域的中心點，其像素的值為ic；ip表示區(qū)域內(nèi)其他像素的值；p為第p個像素點。s(x)為符號函數(shù)，定義如下：

得到各個像素點的編碼值，將其連接成一個二進(jìn)制值并轉(zhuǎn)化成一個十進(jìn)制的值，用十進(jìn)制值代替原來中心點的閾值，即LBP 描述符的值。這種方法可以生成的結(jié)果為256 種，結(jié)果過于復(fù)雜，不利于面部特征的提取。因此，文獻(xiàn)［25］提出了Uniform LBP，它優(yōu)化了傳統(tǒng)的LBP 描述符，通過過渡方法實現(xiàn)降維。從圖像帶i提取像素(x，y)的Uniform LBP 描述符編寫如下：

其中：（x，y）是鄰域的中心點；rn(n=0，1，…，P-1)為周圍鄰域點的像素值；rc為中心點的像素值；R為周圍鄰域的半徑；P為周圍鄰域點的個數(shù)。

式（3）中的U(i)定義如下：

式中的δ(x)為符號函數(shù)，定義如下：

基于色彩紋理分析的人臉反欺騙方法（如圖2 所示），利用Uniform LBP 和支持向量機(jī)（Support Vector Machine，SVM），提取數(shù)據(jù)集中的人臉并裁剪為224×224的圖像，分別轉(zhuǎn)換為HSV（Hue，Saturation，Value）和YCbCr的顏色空間，提取各個顏色空間的LBP 特征直方圖，并串聯(lián)特征直方圖，在SVM中對真假人臉進(jìn)行分類。

圖1 人臉反欺騙認(rèn)證系統(tǒng)整體架構(gòu)Fig.1 Overall architecture of face anti-spoofing authentication system

圖2 人臉反欺騙過程Fig.2 Face anti-spoofing process

1.2.2 輕量級神經(jīng)網(wǎng)絡(luò)

輕量級神經(jīng)網(wǎng)絡(luò)［19-23］在保證模型準(zhǔn)確率的同時，體積更小，速度更快，能更好地應(yīng)用于實時檢測安防系統(tǒng)。本文將活體檢測定義為二分類問題，使用尺寸為224×224的面部數(shù)據(jù)集訓(xùn)練輕量級神經(jīng)網(wǎng)絡(luò)，并將網(wǎng)絡(luò)結(jié)構(gòu)最后一層的線性激活函數(shù)改為Tanh 激活函數(shù)。因為多類型圖像分類與活體檢測二分類的權(quán)重著重點不同，采用適用于活體檢測的二分類模型進(jìn)行預(yù)訓(xùn)練，加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的收斂。超參數(shù)選擇方面，Epoch 為150，Batch Size 為64，采用交叉熵?fù)p失函數(shù)，優(yōu)化器選擇隨機(jī)梯度下降，權(quán)重衰減為4×10-5，Momentum 為0.9。根據(jù)上述條件對輕量級神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

1.3 FaceNet

1.3.1 FaceNet結(jié)構(gòu)

在FaceNet進(jìn)行人臉識別時，從網(wǎng)絡(luò)中提取一層作為輸出特征，并使用輸出特征向量訓(xùn)練分類器。FaceNet模型的結(jié)構(gòu)如圖1所示，batch處理是指輸入的人臉圖像樣本，樣本通過面部檢測并裁剪為160×160的圖像。FaceNet 的深度框架采用GoogleNet，在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了多個Inception 結(jié)構(gòu)，在此基礎(chǔ)上進(jìn)行優(yōu)化，將GoogleNet 最后一層的softmax 分類器去掉，替換成一個L2 特征歸一化的嵌入層，經(jīng)過L2 的歸一化，輸出一個128 維的特征向量，并用Triplet Loss進(jìn)行優(yōu)化。

1.3.2 Triplet Loss

從包含樣本的三元組計算出三元組損失。其中，三元組由Anchor（A）、Negative（N）和Positive（P）組成。設(shè)一個樣本為A，與A 是同一類的樣本為P，與A 不同類的樣本為N，三重?fù)p失的學(xué)習(xí)過程如圖1所示。

A和P之間的歐氏距離可能非常大，而A和N之間的歐氏距離可能很小。在網(wǎng)絡(luò)學(xué)習(xí)過程中，A 和P 之間的歐氏距離將逐漸減小，而A 與N 之間的歐氏距離將逐漸增大。網(wǎng)絡(luò)將直接學(xué)習(xí)特征之間的可分離性：同一類樣本特征之間的距離應(yīng)盡可能小，而不同類樣本特征之間的距離應(yīng)盡可能大。其公式化表示如式（6）所示：

其中：f(x)∈Rd表示一張照片x嵌入到d維歐氏空間；第一項2 范數(shù)表示類內(nèi)距離，第二項2 范數(shù)表示類間的距離；α為常數(shù)；+表示中括號內(nèi)的值大于零的時候，取該值為損失，小于零的時候，損失為零；M為基數(shù)。

畢業(yè)生是指在學(xué)校學(xué)習(xí)期滿，達(dá)到規(guī)定的要求，準(zhǔn)予畢業(yè)的學(xué)生。在計劃經(jīng)濟(jì)市場下，畢業(yè)生直接分配到企業(yè)就業(yè)，沒有機(jī)會進(jìn)行自主選擇。現(xiàn)如今的就業(yè)環(huán)境下，畢業(yè)生在取得畢業(yè)證和學(xué)位證后，可以結(jié)合自己的興趣、性格、價值觀和所學(xué)專業(yè)知識，進(jìn)行自我推銷，從而進(jìn)入心儀的企業(yè)工作，可以將自己的所學(xué)真正應(yīng)用到生產(chǎn)實踐中，降低了跳槽的幾率，增加了畢業(yè)生自我效能感和成就感。

2 基準(zhǔn)數(shù)據(jù)集和實驗驗證

本章將對所提出的人臉反欺騙身份認(rèn)證系統(tǒng)方法進(jìn)行實驗評估。

2.1 數(shù)據(jù)集

為了使實驗更加客觀和公正，并重現(xiàn)結(jié)果，本文選擇了被廣泛接受的數(shù)據(jù)集CASIA-FASD［26］和Replay-Attack［27］。

2.1.1 CASIA-FASD

CASIA-FASD 數(shù)據(jù)集由600 個視頻組成，包括50 個對象，每個對象都有12個視頻，其中，3個視頻有訪問權(quán)限，9個視頻沒有訪問權(quán)限。數(shù)據(jù)集有3 種不同類型的視頻，質(zhì)量分別為低、普通、高。非法訪問視頻具有3 種不同類型的攻擊方法，包括彎曲照片攻擊、剪切照片攻擊和視頻攻擊。數(shù)據(jù)集包含訓(xùn)練數(shù)據(jù)集和開發(fā)數(shù)據(jù)集兩個部分，訓(xùn)練數(shù)據(jù)集有240 個視頻，開發(fā)數(shù)據(jù)集有360 個視頻。CASIA-FASD 數(shù)據(jù)集如圖3所示。

圖3 CASIA-FASD數(shù)據(jù)集Fig.3 CASIA-FASD datasets

活體檢測利用人臉區(qū)域的高頻信息判別人臉真假，而高頻信息高度依賴于圖像質(zhì)量。對于欺詐攻擊，例如剪切照片攻擊、視頻攻擊等復(fù)制過程中不可避免地會降低面部紋理的質(zhì)量。通過對人臉紋理信息的分析和學(xué)習(xí)，可以對真假人臉進(jìn)行正確的分類。這里的紋理代表人臉圖像中的高頻細(xì)節(jié)。剪切照片攻擊是指照片的眼睛部分被切斷，攻擊者可以隱藏在后面，并通過孔顯示面部運動。在彎曲照片攻擊中，攻擊者故意彎曲完整的照片，試圖模擬面部運動。視頻攻擊是通過錄制合法用戶人像的視頻，攻擊安防系統(tǒng)。其中剪切照片和彎曲照片攻擊會受到環(huán)境光照影響；二次錄制的視頻攻擊會引入諸如模糊和混疊之類的失真。因此欺詐攻擊與真實人臉存在差異。

2.1.2 Replay-Attack 數(shù)據(jù)集

Replay-Attack 數(shù)據(jù)集包含1 200 個具有50 個對象的視頻。每個對象都有24 個視頻，其中包括4 個有訪問權(quán)限的視頻和20 個非法訪問的視頻，每個視頻大約10 s。所有視頻均在3 種不同的背景和2 種不同的照明條件下制作。數(shù)據(jù)集包含3 個部分，包括訓(xùn)練數(shù)據(jù)集、開發(fā)數(shù)據(jù)集和測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集和開發(fā)數(shù)據(jù)集的數(shù)量分別為360 個視頻，測試數(shù)據(jù)集中存在480個視頻。

2.2 實驗步驟

為了得到計算量低、識別率高、活體檢測對用戶更友好的人臉識別安防系統(tǒng)，本文通過比較模型參數(shù)量大小、識別精確度、系統(tǒng)經(jīng)過整個流程處理一幀圖像所需時間，以及CPU 占用率來驗證算法的性能。

本文將實驗的重點放在驗證算法反欺騙的性能上，利用CASIA-FASD 和Replay-Attack 數(shù)據(jù)集進(jìn)行實驗，數(shù)據(jù)集如表1所示。

CASIA-FASD 和Replay-Attack 數(shù)據(jù)集包含的視頻被Opencv 讀取并保存30 幀，對得到的圖像幀通過MTCNN 人臉對齊裁剪后將圖像幀尺寸歸一化為224×224的RGB圖像。

表1 數(shù)據(jù)集CASIA-FASD和Replay-Attack說明Tab.1 Dataset description of CASIA-FASD and Replay-Attack

本文使用數(shù)據(jù)集分別進(jìn)行訓(xùn)練和測試。在定量分析時，實驗采用準(zhǔn)確率（Accuracy，Acc）、等錯誤率（Equal Error Rate，EER）、半錯誤率（Half Total Error Rate，HTER）、接收者操作特征（Receiver Operating Characteristic，ROC）曲線作為算法的評價指標(biāo)。

在定量分析人臉安防系統(tǒng)的實時性時，本文通過系統(tǒng)處理一幀圖像所需時間以及CPU占用率來驗證算法的性能。

所有實驗均已在Windows 10 中安裝了Pycharm 的計算機(jī)上完成，處理器型號為Intel Core i5-8250U@ 1.60 GHz，內(nèi)存為8 GB。本文算法基于Pytorch 1.5 和TensorFlow 1.12 深度學(xué)習(xí)框架、使用Python 3.7語言實現(xiàn)。

3 實驗與結(jié)果分析

本章使用CASIA-FASD 和Replay-Attack 數(shù)據(jù)集對比不同算法的EER、HTER、ROC 曲線、系統(tǒng)處理一幀圖像所需時間以及CPU 占用率的實驗結(jié)果，分析算法的優(yōu)缺點并選取計算量低、識別率高、魯棒性更好的算法。

CASIA-FASD 數(shù)據(jù)集共有18 000 張圖像，其中包含低質(zhì)量、正常質(zhì)量、高質(zhì)量圖像的欺詐攻擊以及彎曲照片攻擊、剪切照片攻擊和視頻攻擊，攻擊手段豐富，數(shù)據(jù)集復(fù)雜。而Replay-Attack 數(shù)據(jù)集共有25 200 張圖像，攻擊手段為視頻攻擊，控制變量為光照，數(shù)據(jù)集攻擊手段較為單一。由圖4～5可知：在攻擊手段單一的Replay-Attack數(shù)據(jù)集上，各個算法均能很好地進(jìn)行分類；而在復(fù)雜的CASIA-FASD 數(shù)據(jù)集上，LBP 算法仍能夠保持良好的分類性能。

圖4 在CASIA-FASD數(shù)據(jù)集上活體檢測算法的ROC曲線Fig.4 ROC curves of liveness detection algorithms on CASIA-FASD dataset

輕量級神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集規(guī)模受限制的情況下，一方面受制于模型參數(shù)較少，即使在活體檢測模型下進(jìn)行預(yù)訓(xùn)練，網(wǎng)絡(luò)收斂過程仍然較慢；另一方面，在多圖像分類下能夠取得不錯的準(zhǔn)確率，但活體檢測更關(guān)注真實人臉和欺詐人臉之間的圖像紋理、光譜信息、運動信息、深度信息等細(xì)微差別，這對輕量級神經(jīng)網(wǎng)絡(luò)在活體檢測上提出了更高的要求。

圖5 在Replay-Attack數(shù)據(jù)集上活體檢測算法ROC曲線Fig.5 ROC curves of liveness detection algorithms on Replay-Attack dataset

由表2 可知，雖然LBP 算法在EER、HTER 的實驗結(jié)果上優(yōu)于其他算法，但本文通過與傳統(tǒng)活體檢測算法做實驗對比驗證了輕量級神經(jīng)網(wǎng)絡(luò)在活體檢測中的可行性，如表3 所示，其中M??tt? 等［28］提出了MLBP（Multi-scale Local Binary Pattern）的方法，通過分析人臉照片的紋理進(jìn)行人臉反欺騙檢測。由圖4～5、表2 可知，模型參數(shù)的大小也在一定程度上影響了活體檢測的精確度。

表2 在CASIA-FASD和Replay-Attack數(shù)據(jù)集上不同算法的性能比較Tab.2 Performance comparison of different algorithms on CASIA-FASD and Replay-Attack datasets

表3 不同算法在Replay-Attack數(shù)據(jù)集上的準(zhǔn)確率和誤判率 單位：%Tab.3 True positive rate and false positive rate of different algorithms on Replay-Attack dataset unit：%

圖6～7 驗證了LBP 算法在使用LBP 進(jìn)行人臉特征分類時花費時間最少，并且CPU 占用率較低。因為LBP 對于小樣本數(shù)據(jù)具有較好的分類效果，并且有較快的計算速度。

實驗的總體結(jié)果表明，LBP 算法與FaceNet算法融合的系統(tǒng)能夠在實時檢測效率高的同時，有效地識別偽造人臉對人臉識別安防系統(tǒng)的攻擊，并且輕量級神經(jīng)網(wǎng)絡(luò)在實時活體檢測中存在可行性。

圖6 人臉活體檢測身份認(rèn)證系統(tǒng)花費時間Fig.6 Time cost of authentication system with face liveness detection

圖7 不同算法的CPU占用率Fig.7 CPU usage for different algorithms

4 結(jié)語

本文提出一種融合MTCNN、人臉反欺騙算法和FaceNet算法的人臉識別安防系統(tǒng)。通過在兩個具有挑戰(zhàn)性的人臉欺騙數(shù)據(jù)集CASIA-FASD 和Replay-Attack 上進(jìn)行實驗，驗證了實時輕量級活體檢測算法的性能較好。在實驗中，基于顏色紋理的人臉反欺騙方法在實時檢測環(huán)境下具有更高精確度和魯棒性，表明了該方法的可行性。在人臉識別安防系統(tǒng)的測試過程中，數(shù)據(jù)集和實際應(yīng)用場景會影響實時檢測的穩(wěn)定性和精確度。本文工作的后續(xù)計劃是對人臉識別系統(tǒng)進(jìn)行更多的實驗，進(jìn)一步提高實時檢測的魯棒性，在融合更先進(jìn)的人臉識別算法的同時建立適用于多維應(yīng)用場景的數(shù)據(jù)集。