重庆人脸识别系统、人脸识别、莱誉机电

人脸识别门禁系统应用目的

　　目前针对门禁系统的身份识别大多是以某种“物”为介质的识别或手指、虹膜、人脸等生物识别。其主要区别如下：

1、以射频卡为代表的系统，主要是以“物”为介质的识别，从本质上来说，这种方法验证是该人持有的某种“物”而不是验证该人本身。只要“物”的有效性得到确认，则持有该“物”的人的身份也随之得到确认。这种以“物”认人的办法存在的漏洞显而易见：“物”的丢失会导致合法的人无法被认证，“物”被盗用将反使非法的人得到合法的验证。

2、生物特征识别：如指纹、虹膜、人脸、声音等，主要采用自动化技术测量其身体特征或个人行为特点，并将这些特征或特点与数据库的模版数据进行比较，完成认证的一种解决方案。

A、指纹识别：在所有用于个体辨识的人体生物特征中，指纹特征是**早被发现和应用的。但每次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制的可能性；另外因某些人或某些群体指纹特征很少，故而很难成像，所以需要多次识别或不能识别；

B、虹膜识别：目前的虹膜识别没有进行过任何的测试，只是用统计学原理进行过小规模的试验，没有进行过现实世界的认证实验；同时对光源的要求非常高，设备所需材质昂贵，性价比低，同时黑眼睛极难读取；

C、声音识别：声音因为变化的范围太大，故而很难进行一些精准的匹配；声音会随着音量、速度和音质的变化（例如当你感冒时）而影响到采集和对比的结果；同时声音识别容易用录在磁带上的声音来欺骗声音识别系统；

D、人脸识别：是利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，具备自然性、非强制性和非接触性等特点。同时人脸识别利用的是人脸的特性，重庆人脸识别器，不易被复制，重庆人脸识别系统，识别率高，识别速度快；另外人脸识别成功通过双胞胎的测试，在应用性能上能得到测试认可；

人脸识别技术——人脸检测和人脸校准

人脸检测（detection）在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法。但是毕竟是老掉牙的技术，Precision/Recall曲线渣到不行，在实际工程中根本没法给boss看，作为MSRA脑残粉，这里介绍一种MSRA在14年的较新技术：Joint Cascade Face Detection and Alignment（ECCV14)。这篇文章直接在30ms的时间里把detection和alignment都给做了，PR曲线彪到很高，时效性高，内存占用却非常低，在一些库上虐了Face++和Google Picasa，正好契合这篇想讲的东西。可以作为本节的主线。

人脸校准（alignment）是给你一张脸，你给我找出我需要的特征点的位置，比如鼻子左侧，鼻孔下侧，重庆人脸识别门禁，瞳孔位置，上嘴唇下侧等等点的位置。

**的强分类器是通过多个基分类器联合得到的，因此在**联合时各个基分类器所起的作用对联合结果有很大的影响，因为不同基分类器的识别率不同，他的作用就应该不同，这里通过权值体现他的作用，因此识别率越高的基分类器权重越高，识别率越低的基分类器权重越低。权值计算如下: 基分类器的错误率: e = ∑( ht ( x i) ≠yi) Di (1) 基分类器的权重:W t = F( e) ，由基分类器的错误率计算他的权重。2.3 算法流程及伪码描述 算法流程描述 算法流程可用结构图 1 描述，如图 1 所示 AdaBoost重复调用弱学习算法(多轮调用产生多个分类器) ，垫江人脸识别，首轮调用弱学习算法时，按均匀分布从样本集中选取子集作为该次训练集，以后每轮对前一轮训练失败的样本，赋予较大的分布权值( Di 为第i 轮各个样本在样本集中参与训练的概率) ，使其在这一轮训练出现的概率增加，即在后面的训练学习中集中对比较难训练的样本进行学习，从而得到 T个弱的基分类器， h1 ， h2 ， …， ht ，其中 ht 有相应的权值 w t ，并且其权值大小根据该分类器的效果而定。**的分类器由生成的多个分类器加权联合产生。