Tiedätkö kasvojen tunnustamistekniikan kolme algoritmia?

Kasvojen tunnistamistekniikka kerää ensin kasvotietoja ja vertaa sitä kasvotietokantaan, kun syötetään ja poistuu jalankulkijoiden kohdan portista. Jos vertailu onnistuu, portti avataan. Hallinta perustuu käyttäjän tietojen vertailuun kasvojentunnistuksen osallistumisen kulunvalvontalaitteissa, ja tietokonetta käytetään taustatyökaluna täysin kanavanohjausalueelta tulevan ja poistuvan henkilöstön automaattisen hallinnan toteuttamiseen ja Samanaikaisesti se voidaan luoda nopeasti ja automaattisesti käyttäjän rekisteröintitietueen mukaan. Käyttöoikeustiedot ja raportit voidaan viedä erilaisten lajittelu -olosuhteiden, kuten käyttäjien edellyttämäksi, mukaan, mikä on kätevää johtajille kyselytietueista, ja sitä voidaan käyttää myös sisäisen henkilöstön automaattisen osallistumisjärjestelmänä.

Ylimääräiset kasvojentunnistusjärjestelmät voidaan periaatteessa luokitella kolmeen luokkaan, nimittäin: menetelmät, jotka perustuvat geometrisiin piirteisiin, malleihin perustuviin malleihin ja menetelmiin perustuviin menetelmiin.
1. Geometrisiin piirteisiin perustuva menetelmä on varhainen ja perinteinen menetelmä, ja se on yleensä yhdistettävä muihin algoritmeihin parempien tulosten saavuttamiseksi.
2. Mallipohjaiset menetelmät voidaan jakaa menetelmiin, jotka perustuvat korrelaation sovittamiseen, ominaispintamenetelmiin, lineaarisiin syrjiviin analyysimenetelmiin, yksikön arvon hajoamismenetelmiin, hermoverkkomenetelmiin, dynaamisiin yhteyksien sovittamismenetelmiin jne.
3. Mallipohjaiset menetelmät sisältävät piilotettuihin Markov-malleihin, aktiivisiin muotomalleihin ja aktiivisiin ulkonäkömalleihin perustuvat menetelmät.
Ihmisen kasvot koostuvat osista, kuten silmistä, nenästä, suusta ja leuasta. Juuri näiden osien muodon, koon ja rakenteen erilaisten erojen vuoksi jokainen ihmisen kasvot maailmassa ovat hyvin erilaisia. Siksi näiden osien muodon ja rakenteellisen suhteen geometristä kuvausta voidaan käyttää tärkeänä piirteenä kasvojen tunnistamisessa.
Geometrisia piirteitä käytettiin ensin kuvaamaan ja tunnistamaan ihmisen kasvojen profiili. Ensinnäkin useita houkuttelevia pisteitä määritetään profiilikäyrän mukaan ja joukko ominaisuusmittareita tunnistusta varten, kuten etäisyys, kulma jne. Jia et ai. Integraaliprojektio lähellä viivaa asekartta on erittäin uusi menetelmä sivuprofiilikartan simuloimiseksi.
Geometristen ominaisuuksien käyttäminen frontaalisten kasvojen tunnistus- ja läsnäolojärjestelmissä yleensä poimia tärkeiden ominaisuuspisteiden, kuten silmien, suun ja nenän ja tärkeiden elinten geometristen muotojen, kuten silmien, asemat luokitteluominaisuudet, mutta geometrisen ominaisuuksien uuttamisen tarkkuus on ollut kokeellisesti testattu. Tutkimus, tulokset eivät ole optimistisia.
Muodostavaa mallimenetelmää voidaan pitää geometrisen ominaisuusmenetelmän parantamisena. Sen perusajatus on: Suunnittele elinmalli säädettävillä parametreilla, määritä energiatoiminto ja minimoi energiatoiminto säätämällä malliparametreja. Tällä hetkellä malliparametrit ovat elimen geometrisia piirteitä.
Tämän menetelmän idea on erittäin hyvä, mutta ongelmia on kaksi. Yksi on, että energian toiminnan eri kustannusten painotuskertoimet voidaan määrittää vain kokemuksella, jota on vaikea edistää. Toinen on, että energiatoiminnon optimointiprosessi on erittäin aikaa vievä ja vaikea soveltaa käytännössä. Kasvojen esitys voi saavuttaa kuvauksen kasvojen houkuttelevista ominaisuuksista, mutta se vaatii paljon esikäsittelyä ja hienoa parametrien valintaa. Samanaikaisesti yleisten geometristen piirteiden käyttö kuvaa vain osien perusmuotoa ja rakenteellista suhdetta jättämättä huomiotta paikallisia hienovaraisia ​​piirteitä. Se aiheuttaa osan tiedon menettämisen, joka soveltuu paremmin karkeaan luokitteluun, ja nykyinen ominaisuuspisteen havaitsemistekniikka ei ole kaukana vaatimusten täyttämisestä tehokkuuden suhteen, ja myös laskelman määrä on suuri.