Connaissez-vous les trois algorithmes de la technologie de fréquentation de la reconnaissance faciale?

La technologie de fréquentation de la reconnaissance faciale recueille d'abord les informations du visage et la compare à la base de données du visage lors de l'entrée et de la sortie de la porte du passage pour piétons. Si la comparaison est réussie, la porte est ouverte. La direction est basée sur la comparaison des données de l'utilisateur sur l'équipement de contrôle d'accès à la reconnaissance de la face, et l'ordinateur est utilisé comme outil de traitement de fond pour réaliser pleinement la gestion automatique du personnel entrant et sortant de la zone de contrôle des canaux, et au niveau du En même temps, il peut être généré rapidement et automatiquement en fonction de l'enregistrement d'enregistrement de l'utilisateur. Les enregistrements et les rapports de contrôle d'accès peuvent être exportés en fonction de diverses conditions de tri telles que le temps requis par les utilisateurs, ce qui est pratique pour les gestionnaires pour interroger les enregistrements, et peut également être utilisé comme système de fréquentation automatique pour le personnel interne.

Les systèmes de participation à la reconnaissance du visage grand public peuvent essentiellement être classés en trois catégories, à savoir: des méthodes basées sur des caractéristiques géométriques, des méthodes basées sur des modèles et des méthodes basées sur des modèles.
1. La méthode basée sur les caractéristiques géométriques est une méthode précoce et traditionnelle, et doit généralement être combinée avec d'autres algorithmes pour obtenir de meilleurs résultats.
2. Les méthodes basées sur les modèles peuvent être divisées en méthodes basées sur l'appariement de corrélation, les méthodes Eigenface, les méthodes d'analyse discriminante linéaires, les méthodes de décomposition de valeur singulière, les méthodes de réseau neuronal, les méthodes de correspondance de connexion dynamiques, etc.
3. Les méthodes basées sur le modèle incluent des méthodes basées sur des modèles de Markov cachés, des modèles de forme active et des modèles d'apparence actifs.
Le visage humain est composé de parties telles que les yeux, le nez, la bouche et le menton. C'est précisément en raison des différentes différences de forme, de taille et de structure de ces parties que chaque visage humain dans le monde est très différent. Par conséquent, la description géométrique de la forme et de la relation structurelle de ces parties peut être utilisée comme une caractéristique importante de la présence de reconnaissance faciale.
Des caractéristiques géométriques ont d'abord été utilisées pour décrire et reconnaître le profil du visage humain. Premièrement, un certain nombre de points saillants sont déterminés en fonction de la courbe de profil, et un ensemble de mesures de fonctionnalité pour la reconnaissance tels que la distance, l'angle, etc. est dérivée de ces points saillants. Jia et al. La projection intégrale près de la ligne dans la carte de degré est une méthode très nouvelle pour simuler la carte du profil latéral.
L'utilisation de caractéristiques géométriques pour la reconnaissance frontale de la reconnaissance et de la présence extrait généralement les positions des points de caractéristiques importants tels que les yeux, la bouche et le nez, et les formes géométriques d'organes importants tels que les yeux comme caractéristiques de classification, mais la précision de l'extraction des caractéristiques géométriques a été testé expérimentalement. Recherche, les résultats ne sont pas optimistes.
La méthode de modèle déformable peut être considérée comme une amélioration de la méthode de fonctionnalité géométrique. Son idée de base est: Concevoir un modèle d'organe avec des paramètres réglables, définir une fonction énergétique et minimiser la fonction énergétique en ajustant les paramètres du modèle. À l'heure actuelle, les paramètres du modèle sont les caractéristiques géométriques de l'organe.
L'idée de cette méthode est très bonne, mais il y a deux problèmes. La première est que les coefficients de pondération de divers coûts dans la fonction énergétique ne peuvent être déterminés que par l'expérience, ce qui est difficile à promouvoir. L'autre est que le processus d'optimisation de la fonction énergétique prend beaucoup de temps et difficile à appliquer dans la pratique. La représentation du visage peut réaliser une description des caractéristiques saillantes du visage, mais elle nécessite beaucoup de prétraitement et de sélection de paramètres fins. Dans le même temps, l'utilisation de caractéristiques géométriques générales ne décrit que la forme de base et la relation structurelle des parties, ignorant les caractéristiques subtiles locales. Il provoque la perte d'une partie des informations, ce qui convient plus à la classification approximative, et la technologie de détection des points de fonction existante est loin de répondre aux exigences en termes d'efficacité, et la quantité de calcul est également importante.