Kent u de drie algoritmen van de aanwezigheidstechnologie van gezichtsherkenning?

De aanwezigheidstechnologie van het gezichtherkenning verzamelt eerst gezichtsinformatie en vergelijkt deze met de gezichtsdatabase bij het betreden en verlaten van de poort van de voetgangerspassage. Als de vergelijking succesvol is, wordt de poort geopend. Het management is gebaseerd op de gegevensvergelijking van de gebruiker op de gezichtsherkenning Apparatuur voor toegangscontrole van de herkenning, en de computer wordt gebruikt als de achtergrondverwerkingstool om het automatische beheer van het personeel dat het kanaalbesturingsgebied binnenkomt en verlaat, en op de Tijdens dezelfde tijd kan het snel en automatisch worden gegenereerd volgens het gebruikersregistratierecord. Toegangscontroles en rapporten kunnen worden geëxporteerd volgens verschillende sorteeromstandigheden, zoals de tijd die vereist is door gebruikers, wat handig is voor managers om records op te vragen en kan ook worden gebruikt als een automatisch aanwezigheidssysteem voor intern personeel.

De reguliere aanwezigheidssystemen voor gezichtsherkenning kunnen in principe worden ingedeeld in drie categorieën, namelijk: methoden op basis van geometrische functies, methoden op basis van sjablonen en methoden op basis van modellen.
1. De methode op basis van geometrische kenmerken is een vroege en traditionele methode en moet meestal worden gecombineerd met andere algoritmen om betere resultaten te bereiken.
2. Template-gebaseerde methoden kunnen worden onderverdeeld in methoden op basis van correlatie-matching, Eigenface-methoden, lineaire discriminantanalysemethoden, methoden voor singulaire waarde, neurale netwerkmethoden, dynamische verbindingsafwijkingsmethoden, enz.
3. Modelgebaseerde methoden omvatten methoden op basis van verborgen Markov-modellen, actieve vormmodellen en actieve uiterlijkmodellen.
Het menselijke gezicht bestaat uit delen zoals ogen, neus, mond en kin. Het is juist vanwege de verschillende verschillen in de vorm, grootte en structuur van deze delen die elk menselijk gezicht in de wereld heel anders is. Daarom kan de geometrische beschrijving van de vorm en structurele relatie van deze delen worden gebruikt als een belangrijk kenmerk van aanwezigheid van gezichtsherkenning.
Geometrische kenmerken werden eerst gebruikt om het profiel van het menselijke gezicht te beschrijven en te herkennen. Ten eerste worden een aantal opvallende punten bepaald volgens de profielcurve, en een set functiestatistieken voor herkenning zoals afstand, hoek, enz. Zijn afgeleid van deze opvallende punten. Jia et al. De integrale projectie nabij de lijn in de graadkaart is een zeer nieuwe methode om de zijprofielkaart te simuleren.
Het gebruik van geometrische kenmerken voor frontale gezichtsherkenning en aanwezigheidssystemen extraheren in het algemeen de posities van belangrijke kenmerkpunten zoals ogen, mond en neus, en de geometrische vormen van belangrijke organen zoals ogen als classificatiefuncties, maar de nauwkeurigheid van geometrische functie -extractie is geweest experimenteel getest. Onderzoek, de resultaten zijn niet optimistisch.
De vervormbare sjabloonmethode kan worden beschouwd als een verbetering van de geometrische kenmerkmethode. Het basisidee is: ontwerp een orgelmodel met instelbare parameters, definieer een energiefunctie en minimaliseer de energiefunctie door de modelparameters aan te passen. Op dit moment zijn de modelparameters als de geometrische kenmerken van het orgel.
Het idee van deze methode is erg goed, maar er zijn twee problemen. Een daarvan is dat de wegingscoëfficiënten van verschillende kosten in de energiefunctie alleen kunnen worden bepaald door ervaring, wat moeilijk te promoten is. De andere is dat het energiefunctie-optimalisatieproces in de praktijk zeer tijdrovend is en moeilijk toe te passen is. Face-representatie kan een beschrijving bereiken van de opvallende kenmerken van het gezicht, maar het vereist veel voorverwerking en fijne parameterselectie. Tegelijkertijd beschrijft het gebruik van algemene geometrische kenmerken alleen de basisvorm en de structurele relatie van onderdelen, waarbij lokale subtiele kenmerken worden genegeerd. Het veroorzaakt het verlies van een deel van de informatie, dat meer geschikt is voor ruwe classificatie, en de bestaande functie -puntdetectietechnologie is verre van aan de vereisten in termen van efficiëntie, en de hoeveelheid berekening is ook groot.