考勤人脸识别的行业须知

人脸识别技术这些年已经发生了重大的变化。传统方法依赖于人工设计的特征（比如边和纹理描述量）与机器学习技术（比如主成分分析、线性判别分析或支持向量机）的组合。人工设计在无约束环境中对不同变化情况稳健的特征是很困难的，这使得过去的研究者侧重研究针对每种变化类型的专用方法，比如能应对不同年龄的方法、能应对不同姿势的方法、能应对不同光照条件的方法等。

近段时间，传统的人脸识别方法已经被基于卷积***网络（CNN）的深度学习方法接替。深度学习方法的主要优势是它们可用非常大型的数据集进行训练，从而学习到表征这些数据的蕞佳特征。网络上可用的大量自然人脸图像已让研究者可收集到大规模的人脸数据集，这些图像包含了真实世界中的各种变化情况。使用这些数据集训练的基于 CNN 的人脸识别方法已经实现了非常高的准确度，因为它们能够学到人脸图像中稳健的特征，从而能够应对在训练过程中使用的人脸图像所呈现出的真实世界变化情况。

此外，深度学习方法在计算机视觉方面的不断普及也在加速人脸识别研究的发展，因为 CNN 也正被用于解决许多其它计算机视觉任务，比如目标检测和识别、分割、光学字符识别、面部表情分析、年龄估计等。

人脸识别技术的优劣势

人脸识别技术的优势

1、自然性，就是指通过观察人们所具有的自然性的脸部生物特征来进行身份的确认，识别方式十分便捷，用户不需要携带任何***或额外进行其他操作

2、不易察觉性，被识别的人脸图像信息能够主动获取，可以让被测个体不察觉，人脸识别是利用可见光获取人脸图像信息，或者是红外线与可见光融合的多光源人脸图像识别技术。这种特殊的采集方式可以不被人察觉，不会陷于被伪装欺骗的境地。

3、非接触性，相比较其他生物识别技术，人脸识别是具有非接触的，用户不需人脸与设备直接来接触的，可以同时满足多人连续进行人脸图像信息的识别和分拣。

4、非侵扰性，人脸识的非接触性也为被采集者带来非侵扰性的体验。对人脸的采集不需要被采集者配合也不用工作人员干预。而且人脸属于暴露在外的生物特征，对人脸的识别采集容易被大众接受。

人脸识别技术的劣势

因为人类脸部存在相似性，不同个体之间的区别不大，所有的人脸的结构都相似，在加上化妆的掩盖及双胞胎的天然相似性更增加识别的难度。还有就是人脸存在易变性，人脸的外形很不稳定，可以通过脸部的变化产生很多表情，而在不同观察角度人脸的视觉图像也不同。另外，人脸识别还受光照条件、人脸的很多遮盖物、年龄等多方面因素的影响。

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。下面宣城盛宇小编给大家介绍一下人脸图像预处理。

人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并蕞终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机 干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补 偿、灰度变换、直方图均衡化、几何校正、滤波以及锐化等。

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。下面宣城盛宇小编给大家介绍一下人脸图像匹配与识别。

人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输 出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份进行判断。这一过程又分为两类：一类是确认，是一对一 进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。