Känner du till de tre algoritmerna för närvaro -teknik för ansiktsigenkänning?

Ansiktsigenkänningstekniken samlar först in ansiktsinformation och jämför den med ansiktsdatabasen när man går in och går ut från porten till fotgängare. Om jämförelsen lyckas öppnas grinden. Ledningen är baserad på datajämförelsen av användaren på åtkomstkontrollutrustning för ansiktsigenkänning, och datorn används som bakgrundsbehandlingsverktyg för att fullt ut realisera den automatiska hanteringen av personalen som kommer in och lämnar kanalkontrollområdet och vid Samtidigt kan det snabbt och automatiskt genereras enligt användarregistreringsposten. Access Control -poster och rapporter kan exporteras enligt olika sorteringsförhållanden som tid som krävs av användare, vilket är bekvämt för chefer att fråga poster, och kan också användas som ett automatiskt närvarosystem för intern personal.

De mainstream -ansiktsigenkänningssystemen kan i princip klassificeras i tre kategorier, nämligen: metoder baserade på geometriska funktioner, metoder baserade på mallar och metoder baserade på modeller.
1. Metoden baserad på geometriska funktioner är en tidig och traditionell metod och måste vanligtvis kombineras med andra algoritmer för att uppnå bättre resultat.
2. Mallbaserade metoder kan delas in i metoder baserade på korrelationsmatchning, egenface-metoder, linjära diskriminerande analysmetoder, singulära värde Nedbrytningsmetoder, neurala nätverksmetoder, dynamiska anslutningsmatchningsmetoder etc.
3. Modellbaserade metoder inkluderar metoder baserade på dolda Markov-modeller, aktiva formmodeller och aktiva utseende-modeller.
Det mänskliga ansiktet består av delar som ögon, näsa, mun och haka. Det är just på grund av de olika skillnaderna i form, storlek och struktur för dessa delar som varje mänskligt ansikte i världen är mycket annorlunda. Därför kan den geometriska beskrivningen av formen och strukturella förhållandet mellan dessa delar användas som ett viktigt inslag i närvaro av ansiktsigenkänning.
Geometriska funktioner användes först för att beskriva och känna igen profilen för det mänskliga ansiktet. Först bestäms ett antal framstående punkter enligt profilkurvan, och en uppsättning funktionsmetriker för erkännande såsom avstånd, vinkel etc. härrör från dessa framträdande punkter. Jia et al. Den integrerade projektionen nära linjen i gradskartan är en mycket ny metod för att simulera sidoprofilkartan.
Att använda geometriska funktioner för frontala ansiktsigenkänning och närvarosystem extraherar vanligtvis positionerna för viktiga funktionspunkter som ögon, mun och näsa och geometriska former av viktiga organ som ögon som klassificeringsfunktioner, men noggrannheten för geometrisk funktion har varit extraktion har varit Experimentellt testat. Forskning, resultaten är inte optimistiska.
Den deformerbara mallmetoden kan betraktas som en förbättring av den geometriska funktionsmetoden. Dess grundidé är: utforma en organmodell med justerbara parametrar, definiera en energifunktion och minimera energifunktionen genom att justera modellparametrarna. För närvarande är modellparametrarna som de geometriska egenskaperna hos organet.
Idén med denna metod är mycket bra, men det finns två problem. Den ena är att viktningskoefficienterna för olika kostnader i energifunktionen endast kan bestämmas genom erfarenhet, vilket är svårt att främja. Den andra är att optimeringsprocessen för energifunktion är mycket tidskrävande och svår att tillämpa i praktiken. Ansiktsrepresentation kan uppnå en beskrivning av de framträdande egenskaperna i ansiktet, men det kräver mycket förbehandling och fin val av parameter. Samtidigt beskriver användningen av allmänna geometriska funktioner endast den grundläggande formen och strukturella förhållandet mellan delar och ignorerar lokala subtila funktioner. Det orsakar förlusten av en del av informationen, som är mer lämplig för grov klassificering, och den befintliga funktionspunktsdetekteringstekniken är långt ifrån att uppfylla kraven när det gäller effektivitet, och mängden beräkning är också stor.