Знаете ли вы три алгоритма технологии посещаемости распознавания лица?

Технология посещаемости лица в первую очередь собирает информацию о лице и сравнивает ее с базой данных Face, когда машина посещаемости входит и выходит из пешеходного прохода. Если сравнение будет успешным, откроется машина посещаемости; Если сравнение не удается, машина посещаемости не откроется; Руководство основано на сравнении данных пользователя на оборудовании для контроля доступа к распознаванию лиц, а компьютер используется в качестве инструмента обработки фоновой обработки для полного реализации автоматического управления персоналом, входящим и выходящим из области управления каналом. В то же время, согласно записям регистрации пользователей, он может быстро и автоматически генерировать отчеты о записи управления доступом, которые можно экспортировать в соответствии с различными условиями сортировки, такими как время, что удобно для менеджеров для запросов, а также может использоваться как Автоматическая система посещаемости для внутреннего персонала.

Основные системы посещаемости распознавания лица могут быть в основном классифицированы на три категории, а именно: методы, основанные на геометрических особенностях, методах, основанных на шаблонах и методах, основанных на моделях.
1. Метод, основанный на геометрических особенностях, является ранним и традиционным методом, и обычно необходимо объединить с другими алгоритмами, чтобы иметь лучшие результаты;
2. Методы, основанные на шаблонах, можно разделить на методы, основанные на сопоставлении корреляции, методах собственных значений, методах линейного дискриминантного анализа, методах разложения единственного значения, методов нейронной сети, методов динамического сопоставления соединений и т. Д.
3. Методы на основе моделей включают методы, основанные на скрытых моделях Маркова, моделях активной формы и моделях активного внешнего вида.
Методы на основе геометрии
Человеческое лицо состоит из таких частей, как глаза, нос, рот и подбородок. Именно из -за различных различий в форме, размере и структуре этих частей каждое человеческое лицо в мире сильно отличается. Следовательно, геометрическое описание формы и структурной связи этих частей может использоваться в качестве важной особенности посещаемости распознавания лица.
Геометрические особенности были впервые использованы в описании и распознавании профиля человеческого лица. Во -первых, ряд существенных точек был определен в соответствии с кривой профиля, и из этих существенных точек был получен набор показателей признаков, таких как расстояние и угол. Это очень инновационный метод, который Jia et al. Моделируйте изображение профиля бокового профиля с помощью интегральной проекции вблизи линии на фронтальном сером изображении.
Использование геометрических особенностей для системы посещаемости распознавания лобных лиц обычно извлекает позиции важных точек, таких как глаза, рты и нос, и геометрические формы важных органов, таких как глаза в качестве особенностей классификации, но производительность геометрической извлечения была протестирована экспериментально. Исследования, результаты не оптимистичны.
Метод деформируемого шаблона может рассматриваться как улучшение метода геометрической функции. Его основная идея состоит в том, чтобы разработать модель органа с регулируемыми параметрами (то есть деформируемый шаблон), определить энергетическую функцию и минимизировать функцию энергии, настраивая параметры модели. Параметры модели в это время используются в качестве геометрических особенностей органа.
Идея этого метода очень хороша, но есть две проблемы. Одним из них является то, что весовые коэффициенты различных затрат в энергетической функции могут быть определены только эмпирически, что трудно популяризировать. Другим является то, что процесс оптимизации энергетической функции очень трудоемкий и трудно применять на практике. Репрезентация на основе параметров может достичь описания важных особенностей лица, но оно требует большого количества предварительной обработки и выбора параметров. В то же время использование общих геометрических особенностей описывает только основную форму и структурную связь компонентов, игнорируя локальные тонкие функции, что приводит к потере части информации, которая больше подходит для грубой классификации