人臉識(shí)別考勤有哪些特點(diǎn)？

人臉識(shí)別考勤系統(tǒng)具有以下幾大特點(diǎn)：

1.采用人臉關(guān)鍵區(qū)域定位的方法，具有唯1特征性，徹底杜絕代打卡行為發(fā)生。

2.方細(xì)菌傳播，更加健康衛(wèi)生，同時(shí)避免機(jī)器磨損有利于延長(zhǎng)機(jī)器的壽命。

3.不易丟失，解決了由于門禁卡丟失而被別人利用的事件發(fā)生。

4.適用性非常廣泛。充分展現(xiàn)使用單位的高科技形象，體現(xiàn)考勤制度的方便性、性、公正性。

人臉識(shí)別門禁一個(gè)很大的優(yōu)勢(shì)就是可以實(shí)現(xiàn)智能辦公。

中國(guó)有4300萬(wàn)企業(yè)，而大多數(shù)企業(yè)采用傳統(tǒng)刷咔門禁，只是單一的刷咔功能，不僅存在門卡易復(fù)刻易冒用的弊端，同時(shí)也并不具備物聯(lián)網(wǎng)屬性，無(wú)法滿足企業(yè)智能化辦公的需求。

如果人臉識(shí)別門禁只是一個(gè)端口，那么很難說(shuō)是智能硬件，而一旦搭配“云”屬性，則如虎添翼。說(shuō)了這么些，落實(shí)到實(shí)處，比如有兩點(diǎn)：

1.可以無(wú)縫對(duì)接考勤，這意味著刷臉開門的同時(shí)完成打卡。

2.所有的考勤流水記錄一鍵生成，解放人事統(tǒng)計(jì)人員的工作量。

人臉識(shí)別的發(fā)展歷史

第壹階段（1950s—1980s）初級(jí)階段

人臉識(shí)別被當(dāng)作一個(gè)一般性的模式識(shí)別問(wèn)題，主流技術(shù)基于人臉的幾何結(jié)構(gòu)特征。這集中體現(xiàn)在人們對(duì)于剪影（Profile）的研究上，人們對(duì)面部剪影曲線的結(jié)構(gòu)特征提取與分析方面進(jìn)行了大量研究。人工神經(jīng)網(wǎng)絡(luò)也一度曾經(jīng)被研究人員用于人臉識(shí)別問(wèn)題中。較早從事 AFR 研究的研究人員除了布萊索（Bledsoe）外還有戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等?？傮w而言，這一階段是人臉識(shí)別研究的初級(jí)階段，非常重要的成果不是很多，也基本沒有獲得實(shí)際應(yīng)用。

第二階段（1990s）高潮階段

這一階段盡管時(shí)間相對(duì)短暫，但人臉識(shí)別卻發(fā)展迅速，不但出現(xiàn)了很多經(jīng)典的方法，還出現(xiàn)了若干商業(yè)化運(yùn)作的人臉識(shí)別系統(tǒng)，比如為的 Visionics（現(xiàn)為 Identix）的 FaceIt 系統(tǒng)。 從技術(shù)方案上看， 2D人臉圖像線性子空間判別分析、統(tǒng)計(jì)表觀模型、統(tǒng)計(jì)模式識(shí)別方法是這一階段內(nèi)的主流技術(shù)。

第三階段（1990s末~現(xiàn)在）

人臉識(shí)別的研究不斷深入，研究者開始關(guān)注面向真實(shí)條件的人臉識(shí)別問(wèn)題，主要包括以下四個(gè)方面的研究：

1）提出不同的人臉空間模型，包括以線性判別分析為代表的線性建模方法，以Kernel方法為代表的非線性建模方法和基于3D信息的3D人臉識(shí)別方法。

2）深入分析和研究影響人臉識(shí)別的因素，包括光照不變?nèi)四樧R(shí)別、姿態(tài)不變?nèi)四樧R(shí)別和表情不變?nèi)四樧R(shí)別等。

3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度學(xué)習(xí)方法。

4）利用新的數(shù)據(jù)源，例如基于視頻的人臉識(shí)別和基于素描、近紅外圖像的人臉識(shí)別。

什么是人臉檢測(cè)？

人臉檢測(cè)是人臉識(shí)別的流程之一，在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小，并把其中有用的信息挑出來(lái)（如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及Haar特征等），然后利用信息來(lái)達(dá)到人臉檢測(cè)的目的。

人臉關(guān)鍵點(diǎn)檢測(cè)（人臉對(duì)齊）自動(dòng)估計(jì)人臉圖片上臉部特征點(diǎn)的坐標(biāo)。

基于檢測(cè)出的特征采用Adaboost學(xué)習(xí)算法（一種用來(lái)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）挑選出一些蕞能代表人臉的矩形特征（弱分類器），按照加權(quán)投僄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。

近人臉檢測(cè)算法模型的流派包括三類及其之間的組合：viola-jones框架（性能一般速度尚可，適合移動(dòng)端、嵌入式上使用），dpm（速度較慢），cnn（性能不錯(cuò)）。