Kennen Sie die drei Algorithmen der Anerkennungstechnologie der Gesichtserkennung?

Die Besucherzahlen für die Gesichtserkennung sammelt zunächst Gesichtsinformationen und vergleicht sie mit der Gesichtsdatenbank, wenn die Anwesenheitsmaschine eintritt und den Fußgängerübergang verlässt. Wenn der Vergleich erfolgreich ist, öffnet sich die Anwesenheitsmaschine. Wenn der Vergleich fehlschlägt, öffnet sich die Anwesenheitsmaschine nicht. Das Management basiert auf dem Datenvergleich des Benutzers in der Face Recognition Viewance Access Control -Geräte, und der Computer wird als Hintergrundverarbeitungswerkzeug verwendet, um die automatische Verwaltung des Personals, das in den Bereich der Kanalsteuerung eintritt und sie beendet, vollständig zu realisieren. Gleichzeitig kann sie gemäß den Registrierungsdatensätzen der Benutzer schnell und automatisch Zugriffsregelungsdatensätze generieren, die gemäß verschiedenen Sortierbedingungen wie der Zeit exportiert werden können, was für Manager bei Abfragen von Aufzeichnungen zweckmäßig ist und auch als als verwendet werden kann als Ein automatisches Anwesenheitssystem für interne Mitarbeiter.

Die Anwesenheitssysteme der Mainstream -Gesichtserkennung können grundsätzlich in drei Kategorien eingeteilt werden: Methoden, die auf geometrischen Merkmalen basieren, Methoden basierend auf Vorlagen und Methoden, die auf Modellen basieren.
1. Die Methode, die auf geometrischen Merkmalen basiert, ist eine frühe und traditionelle Methode und muss normalerweise mit anderen Algorithmen kombiniert werden, um bessere Ergebnisse zu erzielen.
2. Template-basierte Methoden können in Methoden unterteilt werden, die auf Korrelationsanpassungen, Eigenschaftenmethoden, linearen Diskriminanzanalysemethoden, Methoden zur Zerlegung von singulären Wert, Methoden für neuronale Netzwerke, Methoden für dynamische Verbindungsanalyse usw. unterteilt werden.
3. Modellbasierte Methoden umfassen Methoden, die auf versteckten Markov-Modellen, aktiven Formmodellen und aktiven Erscheinungsmodellen basieren.
Geometrische Methoden
Das menschliche Gesicht besteht aus Teilen wie Augen, Nase, Mund und Kinn. Genau aufgrund der verschiedenen Unterschiede in der Form, Größe und Struktur dieser Teile ist jedes menschliche Gesicht in der Welt sehr unterschiedlich. Daher kann die geometrische Beschreibung der Form und der strukturellen Beziehung dieser Teile als wichtiges Merkmal der Besucherzahl der Gesichtserkennung verwendet werden.
Geometrische Merkmale wurden zuerst in der Beschreibung und Erkennung des Profils des menschlichen Gesichts verwendet. Zunächst wurden eine Reihe von hervorstechenden Punkten gemäß der Profilkurve bestimmt, und eine Reihe von Merkmalsmetriken für die Erkennung, wie z. B. Entfernung und Winkel, wurden aus diesen herausragenden Punkten abgeleitet. Es ist eine sehr innovative Methode, die Jia et al. Simulieren Sie das Seitenprofilbild durch die integrale Projektion in der Nähe der Linie im frontalen grauen Bild.
Die Verwendung geometrischer Merkmale für das Anwesenheitssystem der Frontal -Face -Erkennung extrahiert im Allgemeinen die Positionen wichtiger Merkmalspunkte wie Augen, Mund und Nase sowie die geometrischen Formen wichtiger Organe wie Augen als Klassifizierungsmerkmale, aber die Leistung der geometrischen Merkmalextraktion wurde getestet experimentell. Forschung, die Ergebnisse sind nicht optimistisch.
Die verformbare Vorlagenmethode kann als Verbesserung der geometrischen Merkmalsmethode angesehen werden. Seine Grundidee besteht darin, ein Organmodell mit einstellbaren Parametern (dh einer deformierbaren Vorlage) zu entwerfen, eine Energiefunktion zu definieren und die Energiefunktion zu minimieren, indem die Modellparameter eingestellt werden. Die Modellparameter zu diesem Zeitpunkt werden als geometrische Merkmale des Organs verwendet.
Die Idee dieser Methode ist sehr gut, aber es gibt zwei Probleme. Eine davon ist, dass die Gewichtungskoeffizienten verschiedener Kosten in der Energiefunktion nur empirisch bestimmt werden können, was schwer zu populär ist. Das andere ist, dass der Optimierungsprozess der Energiefunktion sehr zeitaufwändig und in der Praxis schwer zu bewerben ist. Die parameterbasierte Gesichtsdarstellung kann eine Beschreibung der herausragenden Merkmale des Gesichts erreichen, erfordert jedoch eine Menge Vorverarbeitung und feiner Parameterauswahl. Gleichzeitig beschreibt die Verwendung allgemeiner geometrischer Merkmale nur die grundlegende Form und die strukturelle Beziehung von Komponenten und ignoriert lokale subtile Merkmale, was zum Verlust eines Teils der Informationen führt, was eher für die grobe Klassifizierung geeignet ist