主流的人臉檢測(cè)方法基于以上特征采用Adaboost學(xué)習(xí)算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強(qiáng)的分類方法。以人臉識(shí)別和深度學(xué)習(xí)為核心，為政企商客戶提供計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)領(lǐng)域的各項(xiàng)專業(yè)技術(shù)服務(wù)、軟硬件一體化解決方案，助力各行業(yè)客戶在人工智能時(shí)代獲得自主迭代和自我學(xué)習(xí)的人工智能創(chuàng)新和應(yīng)用能力。人臉檢測(cè)過程中使用Adaboost算法挑選出一些能代表人臉的矩形特征(弱分類器)，按照加權(quán)投1票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器，再將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，有效地提高分類器的檢測(cè)速度。

基于知識(shí)的表征方法主要是根據(jù)人臉器1官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數(shù)據(jù)，其特征分量通常包括特征點(diǎn)間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構(gòu)成，對(duì)這些局部和它們之間結(jié)構(gòu)關(guān)系的幾何描述，可作為識(shí)別人臉的重要特征，這些特征被稱為幾何特征。算法工程師通常需要一定的可視化手段才能知道機(jī)器到底學(xué)習(xí)到了哪些利于區(qū)分不同人的特征，當(dāng)然這部分不是本節(jié)重點(diǎn)。基于知識(shí)的人臉表征主要包括基于幾何特征的方法和模板匹配法。

　基于統(tǒng)計(jì)的人臉檢測(cè)技術(shù)——通過對(duì)于“人臉”和“非人臉”的圖像大量搜集構(gòu)成的人臉正、負(fù)樣本庫，采用統(tǒng)計(jì)方法強(qiáng)化訓(xùn)練該系統(tǒng)，從而實(shí)現(xiàn)對(duì)人臉和非人臉的模式進(jìn)行檢測(cè)和分類。

　　從技術(shù)層面，人臉識(shí)別改進(jìn)的辦法可從上述三個(gè)方面。任何一個(gè)細(xì)節(jié)技術(shù)的突破都可能帶來識(shí)別率的提升改進(jìn)。

除了上述三個(gè)技術(shù)層面改進(jìn)人臉識(shí)別，也有很多上游企業(yè)在做人臉識(shí)別技術(shù)改進(jìn)的研究，如通過在元器件上的改進(jìn)，提升人臉識(shí)別準(zhǔn)確率。

人臉識(shí)別主要功能：

圖片抓拍：對(duì)進(jìn)入的人員實(shí)時(shí)圖片抓拍。

名單同步：系統(tǒng)連接了客戶端后，自動(dòng)更新同步客戶端的白名單庫、黑名單庫。

自動(dòng)預(yù)警：當(dāng)黑名單人員刷身1份證，系統(tǒng)讀取身1份證信息完成后，與黑名單庫人員進(jìn)行比對(duì)，當(dāng)判定此身1份證是黑名單后，則系統(tǒng)進(jìn)行黑名單預(yù)警，系統(tǒng)提示比對(duì)失敗。

記錄查詢：對(duì)進(jìn)入的人員可進(jìn)行后臺(tái)記錄查詢。

事件查詢：對(duì)事件發(fā)生時(shí)間段人員進(jìn)出進(jìn)行報(bào)表輸出，方便事件人員確認(rèn)和事件確認(rèn)。

門禁控制：當(dāng)陌生人或白名單人員刷身1份證比對(duì)成功或白名單人員刷臉自動(dòng)識(shí)別通過后，系統(tǒng)控制門禁自動(dòng)開門；若比對(duì)失敗，則系統(tǒng)不會(huì)控制門禁自動(dòng)開門。

主動(dòng)式補(bǔ)光功能：在弱光條件下，可以手動(dòng)打開前置補(bǔ)光燈。