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(lái)分類(lèi)的方法，它把一些比較弱的分類(lèi)方法合在一起，組合出新的很強(qiáng)的分類(lèi)方法。以人臉識(shí)別和深度學(xué)習(xí)為核心，為政企商客戶(hù)提供計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)領(lǐng)域的各項(xiàng)專(zhuān)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(hù)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(guò)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(lèi)器)，按照加權(quán)投1票的方式將弱分類(lèi)器構(gòu)造為一個(gè)強(qiáng)分類(lèi)器，再將訓(xùn)練得到的若干強(qiáng)分類(lèi)器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類(lèi)器，有效地提高分類(lèi)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(lái)獲得有助于人臉?lè)诸?lèi)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(chēng)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)?；谥R(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(guò)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(kù)，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(lèi)。

　　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(lái)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(guò)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(hù)端后，自動(dòng)更新同步客戶(hù)端的白名單庫(kù)、黑名單庫(kù)。

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

事件查詢(xún)：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(mén)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(guò)后，系統(tǒng)控制門(mén)禁自動(dòng)開(kāi)門(mén)；若比對(duì)失敗，則系統(tǒng)不會(huì)控制門(mén)禁自動(dòng)開(kāi)門(mén)。

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