Você conhece os três algoritmos da tecnologia de participação no reconhecimento de rosto?

A tecnologia de atendimento de reconhecimento de rosto coleta primeiro informações de face e as compara ao banco de dados do rosto ao entrar e sair do portão da passagem de pedestres. Se a comparação for bem -sucedida, o portão será aberto. A gerência é baseada na comparação de dados do usuário no equipamento de controle de acesso ao reconhecimento de rosto, e o computador é usado como a ferramenta de processamento de fundo para realizar completamente o gerenciamento automático do pessoal que entra e sai da área de controle de canais e no Ao mesmo tempo, pode ser gerado de maneira rápida e automática de acordo com o registro de registro do usuário. Os registros e relatórios de controle de acesso podem ser exportados de acordo com várias condições de classificação, como o tempo exigido pelos usuários, o que é conveniente para os gerentes consultar registros e também podem ser usados ​​como um sistema de atendimento automático para a equipe interna.

Os sistemas de atendimento ao reconhecimento de rosto convencional podem basicamente ser classificados em três categorias, a saber: métodos baseados em recursos geométricos, métodos baseados em modelos e métodos baseados em modelos.
1. O método baseado em recursos geométricos é um método precoce e tradicional e geralmente precisa ser combinado com outros algoritmos para obter melhores resultados.
2. Métodos baseados em modelos podem ser divididos em métodos com base na correspondência de correlação, métodos de eigenface, métodos de análise discriminante linear, métodos de decomposição de valor singular, métodos de rede neural, métodos de correspondência de conexão dinâmica etc.
3. Os métodos baseados em modelos incluem métodos baseados em modelos de Markov ocultos, modelos de formas ativos e modelos de aparência ativa.
O rosto humano é composto de peças como olhos, nariz, boca e queixo. É precisamente por causa das várias diferenças na forma, tamanho e estrutura dessas partes que todo rosto humano no mundo é muito diferente. Portanto, a descrição geométrica da forma e da relação estrutural dessas partes pode ser usada como uma característica importante da participação no reconhecimento de rosto.
As características geométricas foram usadas pela primeira vez para descrever e reconhecer o perfil da face humana. Primeiro, vários pontos salientes são determinados de acordo com a curva de perfil, e um conjunto de métricas de recurso para reconhecimento como distância, ângulo etc. são derivadas desses pontos salientes. Jia et al. A projeção integral próxima à linha no mapa de graus é um método muito novo para simular o mapa do perfil lateral.
Usando recursos geométricos para o reconhecimento de rosto frontal e os sistemas de presença geralmente extraem as posições de pontos importantes de características, como olhos, boca e nariz, e as formas geométricas de órgãos importantes, como olhos como características de classificação, mas a precisão da extração de recursos geométricos foi testado experimentalmente. Pesquisa, os resultados não são otimistas.
O método de modelo deformável pode ser considerado como uma melhoria do método de recurso geométrico. Sua idéia básica é: projetar um modelo de órgão com parâmetros ajustáveis, definir uma função de energia e minimizar a função de energia ajustando os parâmetros do modelo. Neste momento, os parâmetros do modelo são como as características geométricas do órgão.
A idéia desse método é muito boa, mas há dois problemas. Uma é que os coeficientes de ponderação de vários custos na função energética só podem ser determinados pela experiência, o que é difícil de promover. O outro é que o processo de otimização da função de energia é muito demorado e difícil de aplicar na prática. A representação do rosto pode obter uma descrição dos recursos salientes da face, mas requer muito pré-processamento e seleção de parâmetros finos. Ao mesmo tempo, o uso de recursos geométricos gerais descreve apenas a forma básica e a relação estrutural das peças, ignorando recursos sutis locais. Isso causa a perda de parte das informações, que é mais adequada para a classificação aproximada, e a tecnologia de detecção de pontos de característica existente está longe de atender aos requisitos em termos de eficiência, e a quantidade de cálculo também é grande.