¿Coñeces os tres algoritmos da tecnoloxía de asistencia de recoñecemento facial?

A tecnoloxía de asistencia de recoñecemento facial recolle primeiro información facial e compáraa coa base de datos facial ao entrar e saír da porta do paso peonil. Se a comparación é exitosa, ábrese a porta. A xestión baséase na comparación de datos do usuario no equipo de control de acceso de asistencia de recoñecemento facial, e o ordenador úsase como ferramenta de procesamento de fondo para realizar plenamente a xestión automática do persoal que entra e sae da área de control de canles e na área O mesmo tempo, pódese xerar de forma rápida e automática segundo o rexistro de rexistro de usuarios. Os rexistros e informes de control de acceso pódense exportar segundo varias condicións de ordenación como o tempo requirido polos usuarios, o que é conveniente para que os xestores poidan consultar rexistros, e tamén se poden usar como sistema de asistencia automática para persoal interno.

Os sistemas de asistencia de recoñecemento de caras principais pódense clasificar basicamente en tres categorías, concretamente: métodos baseados en características xeométricas, métodos baseados en modelos e métodos baseados en modelos.
1. O método baseado en características xeométricas é un método precoz e tradicional, e normalmente debe combinarse con outros algoritmos para obter mellores resultados.
2. Os métodos baseados en plantillas pódense dividir en métodos baseados na coincidencia de correlación, métodos Eigenface, métodos de análise de discriminantes lineais, métodos de descomposición de valor singular, métodos de rede neuronal, métodos de correspondencia de conexión dinámica, etc.
3. Os métodos baseados en modelos inclúen métodos baseados en modelos Markov ocultos, modelos de forma activa e modelos de aparencia activa.
A cara humana está composta por pezas como os ollos, o nariz, a boca e o queixo. Precisamente é debido ás diversas diferenzas na forma, tamaño e estrutura destas partes que cada cara humana do mundo é moi diferente. Polo tanto, a descrición xeométrica da forma e da relación estrutural destas partes, pode usarse como unha característica importante da asistencia de recoñecemento de caras.
As características xeométricas utilizáronse por primeira vez para describir e recoñecer o perfil da cara humana. En primeiro lugar, determináronse varios puntos salientables segundo a curva do perfil, e un conxunto de métricas de características para o recoñecemento como a distancia, o ángulo, etc. derivan destes puntos salientables. Jia et al. A proxección integral preto da liña no mapa de grao é un método moi novedoso para simular o mapa de perfil lateral.
Usando características xeométricas para os sistemas de recoñecemento e asistencia de cara frontal xeralmente extraen as posicións de importantes puntos de características como os ollos, a boca e o nariz, e as formas xeométricas de órganos importantes como os ollos como as características de clasificación, pero a precisión da extracción de características xeométricas foi foi probado experimentalmente. Investigación, os resultados non son optimistas.
O método de modelo deformable pode considerarse como unha mellora do método de característica xeométrica. A súa idea básica é: deseñar un modelo de órgano con parámetros axustables, definir unha función enerxética e minimizar a función enerxética axustando os parámetros do modelo. Neste momento, os parámetros do modelo son como as características xeométricas do órgano.
A idea deste método é moi boa, pero hai dous problemas. Un deles é que os coeficientes de ponderación de varios custos na función enerxética só se poden determinar por experiencia, que é difícil de promover. O outro é que o proceso de optimización de funcións enerxéticas leva moito tempo e é difícil de aplicar na práctica. A representación da cara pode conseguir unha descrición das características salientables da cara, pero require moita selección de parámetros preprocesantes e finos. Ao mesmo tempo, o uso de características xeométricas xerais só describe a forma básica e a relación estrutural das partes, ignorando as características sutís locais. Provoca a perda de parte da información, que é máis adecuada para a clasificación áspera, e a tecnoloxía de detección de puntos de características existente está lonxe de cumprir os requisitos en termos de eficiencia, e a cantidade de cálculo tamén é grande.