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

Ansiktsigenkänningsteknologi samlar först in ansiktsinformation och jämför den med ansiktsdatabasen när närvaro -maskinen kommer in och går ut från fotgängare. Om jämförelsen lyckas öppnas närvaro -maskinen; Om jämförelsen misslyckas öppnas inte närvaro -maskinen; Ledningen är baserad på datajämförelsen av användaren på ansiktsigenkänningens åtkomstkontrollutrustning, och datorn används som bakgrundsbehandlingsverktyg för att fullt ut realisera den automatiska hanteringen av personalen som kommer in och lämnar kanalens kontrollområde. Samtidigt kan den enligt användarregistreringsposterna snabbt och automatiskt generera åtkomstkontrollrapporter som kan exporteras enligt olika sorteringsförhållanden som tid, 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 få 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.
Geometribaserade metoder
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 i beskrivningen och erkännandet av profilen för det mänskliga ansiktet. Först bestämdes ett antal framstående punkter enligt profilkurvan, och en uppsättning funktionsmetriker för erkännande, såsom avstånd och vinkel, härleddes från dessa framträdande punkter. Det är en mycket innovativ metod som Jia et al. Simulera sidoprofilbilden med den integrerade projektionen nära linjen i den främre grå bilden.
Genom att använda geometriska funktioner för närvarosystem för frontala ansiktsigenkänning extraherar i allmänhet positionerna för viktiga funktionspunkter som ögon, mun och näsa och de geometriska formerna av viktiga organ som ögon som klassificeringsfunktioner, men prestandan för geometrisk funktion har testats testats experimentellt. Forskning, resultaten är inte optimistiska.
Den deformerbara mallmetoden kan betraktas som en förbättring av den geometriska funktionsmetoden. Dess grundläggande idé är att utforma en organmodell med justerbara parametrar (det vill säga en deformerbar mall), definiera en energifunktion och minimera energifunktionen genom att justera modellparametrarna. Modellparametrarna används för närvarande 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 empiriskt, vilket är svårt att popularisera. Den andra är att optimeringsprocessen för energifunktionen är mycket tidskrävande och svår att tillämpa i praktiken. Den parameterbaserade ansiktsrepresentationen kan uppnå en beskrivning av ansiktets framträdande funktioner, men det kräver mycket förbehandlings- och fina parameterval. Samtidigt beskriver användningen av allmänna geometriska funktioner endast den grundläggande formen och strukturella förhållandet mellan komponenter, ignorerar lokala subtila funktioner, vilket resulterar i förlusten av en del av informationen, vilket är mer lämpligt för grov klassificering