Tiedätkö kasvojen tunnustamistekniikan kolme algoritmia?

Kasvojen tunnustamistekniikka kerää ensin kasvotietoja ja vertaa sitä kasvotietokantaan, kun läsnäolokone tulee ja poistuu jalankulkijoiden käytävästä. Jos vertailu onnistuu, läsnäolokone avautuu; Jos vertailu epäonnistuu, läsnäolokone ei aukea; Hallinta perustuu käyttäjän tietovertailuun kasvojen tunnistamisen osallistumisen kulunvalvontalaitteissa, ja tietokonetta käytetään taustakäsittelytyökaluna täysin kanavanohjausalueelta tulevan ja poistuvan henkilöstön automaattisen hallinnan toteuttamiseksi. Samanaikaisesti käyttäjän rekisteröintitietojen mukaan se voi luoda nopeasti ja automaattisesti kulunvalvontatietueiden raportteja, jotka voidaan viedä erilaisten lajitteluolosuhteiden, kuten ajan mukaan Automaattinen läsnäolojärjestelmä sisäiselle henkilöstölle.

Ylimääräiset kasvojentunnistusjärjestelmät voidaan periaatteessa luokitella kolmeen luokkaan, nimittäin: menetelmät, jotka perustuvat geometrisiin piirteisiin, malleihin perustuviin malleihin ja menetelmiin perustuviin menetelmiin.
1. Geometrisiin ominaisuuksiin perustuva menetelmä on varhainen ja perinteinen menetelmä, ja se on yleensä yhdistettävä muihin algoritmeihin parempia tuloksia;
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.
Geometriapohjaiset 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 ominaisuuksia käytettiin ensin ihmisen kasvojen profiilin kuvauksessa ja tunnistamisessa. Ensinnäkin useita houkuttelevia pisteitä määritettiin profiilikäyrän mukaan, ja näistä houkuttelevista kohdista johdettiin joukko ominaisuusmittareita, kuten etäisyys ja kulma. Se on erittäin innovatiivinen menetelmä, jonka Jia et ai. Simuloi sivuprofiilikuva integraaliprojektiolla lähellä viivaa etumaassa.
Geometristen ominaisuuksien käyttäminen frontaalisten kasvojen tunnistamisjärjestelmään yleensä poimii tärkeiden ominaisuuspisteiden, kuten silmien, suun ja nenän, ja tärkeiden elinten, kuten silmien, geometriset muodot luokitteluominaisuuksina, mutta geometrisen ominaisuuksien uuttamisen suorituskyky on testattu kokeellisesti. Tutkimus, tulokset eivät ole optimistisia.
Muodostavaa mallimenetelmää voidaan pitää geometrisen ominaisuusmenetelmän parantamisena. Sen perusajatuksena on suunnitella elinmalli, jolla on säädettävät parametrit (ts. Muodostava malli), määritellä energiafunktio ja minimoida energiafunktio säätämällä malliparametreja. Malliparametreja tällä hetkellä käytetään elimen geometrisinä piirteinä.
Tämän menetelmän idea on erittäin hyvä, mutta ongelmia on kaksi. Yksi on, että energiafunktion erilaisten kustannusten painotuskertoimet voidaan määrittää vain empiirisesti, jota on vaikea populorisoida. Toinen on, että energiafunktion optimointiprosessi on erittäin aikaa vievä ja vaikea soveltaa käytännössä. Parametripohjainen kasvojen esitys voi saavuttaa kuvauksen kasvojen houkuttelevista ominaisuuksista, mutta se vaatii paljon esikäsittelyä ja hienoa parametrien valintaa. Samanaikaisesti yleisten geometristen ominaisuuksien käyttö kuvaa vain komponenttien perusmuotoa ja rakenteellista suhdetta, jättämättä huomiotta paikallisia hienovaraisia ​​piirteitä, mikä johtaa tiedon osan menettämiseen, mikä sopii paremmin karkealle luokittelulle