科葩慧眼人臉識(shí)別解決方案充分應(yīng)用人臉識(shí)別技術(shù)，將員工、業(yè)主、訪客、非法入侵人員通過針對(duì)性的子系統(tǒng)進(jìn)行有效地管理，不僅提高了管理效率，也真正實(shí)現(xiàn)了提前預(yù)防。
訪客管理子系統(tǒng)精準(zhǔn)控制訪問權(quán)限
相較于傳統(tǒng)的安全通行證，慧眼人臉識(shí)別系統(tǒng)下訪客管理子系統(tǒng)的優(yōu)點(diǎn)在于：不可竊取，無法借用和復(fù)制，就是說，臉部識(shí)別是無法被效仿的，在未來，人臉識(shí)別也會(huì)成為未來可靠的通行證。
科葩訪客子系統(tǒng)主要有v預(yù)約、訪客數(shù)據(jù)自動(dòng)下發(fā)功能，針對(duì)不同地點(diǎn)的安保等級(jí)，物業(yè)還可以選擇安保再確認(rèn)、遠(yuǎn)程開門等功能，全程數(shù)字化管理，為訪客、被訪公司、物業(yè)三方提升效率，提升用戶體驗(yàn)。
人臉通行子系統(tǒng)更準(zhǔn)確高效
傳統(tǒng)通行系統(tǒng)具有人卡不一、卡片丟失、卡片易被破解復(fù)制、信息準(zhǔn)確率沒有保障等問題，而慧眼人臉識(shí)別系統(tǒng)下的人臉通行子系統(tǒng)不僅可以解放雙手、速度快捷地完成通行管理任務(wù)，還能夠明確責(zé)任、準(zhǔn)確防偽，保證本人通行、不可替代的1性。
動(dòng)態(tài)布控子系統(tǒng)可事先預(yù)警
科葩慧眼人臉識(shí)別系統(tǒng)下的動(dòng)態(tài)布控子系統(tǒng)能高速抓拍，同時(shí)采集比對(duì)15張人臉，主要有陌生人預(yù)警、VIP迎賓等功能。
出現(xiàn)安全問題，傳統(tǒng)攝像頭只能事后排查，而科葩動(dòng)態(tài)布控子系統(tǒng)能做到陌生人預(yù)警，黑名單報(bào)警等功能，只要有非*人員或黑名單人員出現(xiàn)，后臺(tái)即會(huì)發(fā)出預(yù)警，讓安保人員能及時(shí)排查，防止安全事件發(fā)生。
VIP迎賓功能可以設(shè)置VIP名單，當(dāng)重要賓客到訪時(shí)，大屏幕上會(huì)彈出迎賓畫面，為重要嘉賓帶來尊貴的體驗(yàn)。
不得不承認(rèn)，人臉識(shí)別技術(shù)比現(xiàn)有的基于ID入口系統(tǒng)更快、更強(qiáng)大、更安全。憑借其靈活的設(shè)計(jì), 科葩慧眼人臉識(shí)別系統(tǒng)還為開發(fā)和整合更多的應(yīng)用程序和服務(wù)提供了充足的空間，以滿足您未來的安全訪問和管理需求。
科葩X-Face慧眼人臉識(shí)別，助力行業(yè)應(yīng)用智能化變革落地！
---------------------------------------------------
人臉識(shí)別方法的分類，根據(jù)研究角度的不同，可以有不同的分類方法。根據(jù)輸入圖像中人臉的角度，可以分為基于正面，側(cè)面，傾斜人臉圖像的人臉識(shí)別;根據(jù)圖像來源的不同，可以分為靜態(tài)和動(dòng)態(tài)的人臉識(shí)別;根據(jù)圖像的特點(diǎn)，可以分為灰度圖像和彩色圖像的人臉識(shí)別。本文的研究就是基于正面，靜態(tài)的灰度圖像的。根據(jù)對(duì)灰度圖像的特征提取方式的不同，人臉識(shí)別方法大致可以分成三種:基于局部特征的人臉識(shí)別方法，基于整體的人臉識(shí)別方法和基于將局部和整體結(jié)合起來的人臉識(shí)別方法。
1. 基于局部特征的人臉識(shí)別方法
(1)結(jié)構(gòu)匹配的方法
早期的人臉識(shí)別方法有檢測(cè)人臉的眼睛，眉毛，鼻子和嘴巴等各種幾何特征。特征點(diǎn)的位置，距離和角度等的各個(gè)特征和相互的系就用作人臉識(shí)別的描述符。這種方法的主要缺點(diǎn)在于識(shí)別效果取決于特征定位算法的準(zhǔn)確性。另外一種結(jié)構(gòu)匹配的方法是從人臉邊緣圖中提取一種線性邊緣圖(Line edge map簡(jiǎn)稱LEM)(來進(jìn)行特征提取。它是基于結(jié)合模板匹配和幾何特征匹配來進(jìn)行的。先利用Sobel邊緣算子來提取人臉二值圖象，然后用人臉幾何特征的提取方法來量度人臉之間的相似性。這種方法的優(yōu)點(diǎn)在于光照不變性，存儲(chǔ)量小和基于模板匹配的高識(shí)別率；主要缺點(diǎn)在于對(duì)于人臉面部的大的表情變化很敏感。
(2)隱馬爾可夫模型(Hidden Markov Model，簡(jiǎn)稱HMM)的方法
隱馬爾可夫模型是采用概率統(tǒng)計(jì)的方法描述時(shí)變信號(hào)。 HMM原來是應(yīng)用在語音識(shí)別領(lǐng)域的，并取得了相當(dāng)?shù)某晒?，但是由于語音信號(hào)是一維信號(hào)，而圖像是二維信號(hào)，為了把HMM應(yīng)用于二維的圖像，就要在圖像上取一個(gè)采樣窗口，該窗口的寬度就是圖像的寬度，高度可能只有幾個(gè)像素，然后將在圖像上由上至下滑動(dòng)，相鄰窗口之間允許重疊，這樣就把人臉垂直分成了五個(gè)區(qū)域:前額，眼睛，鼻子，嘴巴，下領(lǐng)，然后用一個(gè)五狀態(tài)的HMM模型來表達(dá)人臉?；陔x散馬爾可夫模型和奇異值特征的人臉檢測(cè)方法.其實(shí)質(zhì)是將奇異值特征轉(zhuǎn)化為向量序列.再利用HMM對(duì)其進(jìn)行識(shí)別，這種方法魯棒性較好，對(duì)不同角度和不同光照條件的人臉圖像都可以取得較好的識(shí)別效果。
(3)彈性圖匹配(Elastic Bunch Graph Matching簡(jiǎn)稱EBGM)的方法
該方法采用網(wǎng)格作為模板，將圖像間的比較變?yōu)榫W(wǎng)格間的比較。使用一種基于動(dòng)態(tài)鏈接結(jié)構(gòu)的彈性匹配法來定位人臉，并根據(jù)人臉數(shù)據(jù)庫(kù)進(jìn)行匹配識(shí)別。將人臉用格狀的稀疏圖形描述(圖1-3)，圖中的節(jié)點(diǎn)用圖像位置的Gabor小波分解得到的特征向量標(biāo)記，記錄人臉在該頂點(diǎn)位置的分布信息，圖的邊用連接節(jié)點(diǎn)的距離向量標(biāo)記，表示拓?fù)溥B接關(guān)系。匹配時(shí)，首先尋找與輸入圖像的相似的模型圖，再對(duì)圖中的每個(gè)節(jié)點(diǎn)位置進(jìn)行佳匹配，尋找近的己知圖形。彈性匹配方法提取了人臉圖像的局部特征，保留了人臉圖像的空間信息，可以在一定程度上容忍人臉從三維到二維投影引起的變形。因此，對(duì)人臉變形和光照變化等具有較好的適應(yīng)性，整體識(shí)別性能優(yōu)于特征臉法。但是計(jì)算量大，識(shí)別速度慢。
2. 基于整體的人臉識(shí)別方法
(1)基于主成分分析(Principal Component Analysis簡(jiǎn)稱PCA)的方法
PCA是一種經(jīng)典的算法，它根據(jù)圖像的統(tǒng)計(jì)特征進(jìn)行正交變換，以消除原有向量各個(gè)分量之間的相關(guān)性。變換得到對(duì)應(yīng)特征值依次遞減的特征向量。即特征臉。利用特征臉可以重建和識(shí)別人臉。PCA方法是統(tǒng)計(jì)優(yōu)的，速度快，實(shí)現(xiàn)方便，對(duì)正面圖像識(shí)別率高。但是容易受光照、人臉旋轉(zhuǎn)和小形變，光照改變及位移改變等因素的影響。因此許多學(xué)者在此基礎(chǔ)上又作了不少改進(jìn)。其中一種就是基于線性鑒別分析(LDA.Linear Discrirninant Analysis) , Belhumeur等的Fisherfaces方法。它能充分利用類別的信息。Bartlett等采用獨(dú)立分量分析(ICA, Independent Component Analysis)的方法識(shí)別人臉，獲得了比PCA方法更好的識(shí)別效果。與PCA相比，ICA有兩個(gè)優(yōu)勢(shì):一是ICA獲得的獨(dú)立分量不需要滿足正交關(guān)系，能夠消除象素間的高階統(tǒng)計(jì)相關(guān)性，而PCA只能消除象素間的二階統(tǒng)計(jì)相關(guān)性;二是ICA獲得的一組矢量比本征矢量更具空間局部描述性，具有更好的人臉描述能力?，F(xiàn)在還出現(xiàn)很多其他子空間的人臉識(shí)別方法。借鑒SVM的Kernel方法，PCA, LDA等都被擴(kuò)展到Kernel PCA和Kernel ICA。與線性子空間方法相比，基于Kernel的方法獲得了更好的識(shí)別效果，然而計(jì)算量較大。
(2)基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks簡(jiǎn)稱ANN)的方法
人工神經(jīng)網(wǎng)絡(luò)(ANN)是以對(duì)大腦的生理研究成果為基礎(chǔ)，用機(jī)器來模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某方面功能的方法，具有強(qiáng)大的非線性逼近能力，它既是特征提取器，又是分類器。神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元是人類大腦神經(jīng)單元的簡(jiǎn)化，神經(jīng)網(wǎng)絡(luò)以這些具有非線性映射能力的神經(jīng)元為節(jié)點(diǎn)，神經(jīng)元之間通過加權(quán)系數(shù)連接。目前比較有代表性的方法有:混合型神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、基于概率決策的神經(jīng)網(wǎng)絡(luò)，主元神經(jīng)網(wǎng)絡(luò)等。與前幾類方法比起來，由于對(duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述相當(dāng)困難，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，因此它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。但是由于人類對(duì)自身思維機(jī)理認(rèn)識(shí)的不足及對(duì)人工神經(jīng)元作了極度的簡(jiǎn)化，這種模擬還是極其膚淺和簡(jiǎn)單的。
(3) 支持向量機(jī)(Support Vector Machine簡(jiǎn)稱SVM)的方法
SVM起源于統(tǒng)計(jì)學(xué)習(xí)理論，它研究如何構(gòu)造學(xué)習(xí)機(jī)，實(shí)現(xiàn)模式分類問題。其基本思想是通過非線性變換將輸入空間變換到一個(gè)高維空間，在高維空間求取優(yōu)線性分類面，以解決那些線性不可分的分類問題。而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)(即核函數(shù))來實(shí)現(xiàn)的。SVM技術(shù)中核函數(shù)及其參數(shù)的選取難度較大。由于它基于結(jié)構(gòu)風(fēng)險(xiǎn)小化原理，而不是傳統(tǒng)計(jì)學(xué)的經(jīng)驗(yàn)風(fēng)險(xiǎn)小化，因而表現(xiàn)出很多優(yōu)于己有方法的性能。由于SVM的訓(xùn)練需要大量的存儲(chǔ)空問，非線性SVM 分類器需要較多的支持向量，所以速度很慢。
(4) 小波變換(Wavelet Transform)的方法
小波變換是一種時(shí)間和頻率的局域變換，通過伸縮、平移等運(yùn)算對(duì)圖像作多尺度細(xì)化分析，可以有效地從圖像中提取信息，其作用原理是使用一系列不同帶寬的濾波函數(shù)，將圖分為4個(gè)子圖:LL, LH, HL, HH.小波變換中，將圖像“主信息”映射成低頻分量LL，將噪音和細(xì)節(jié)映射成高頻分量HH，通過對(duì)高頻分量的舍棄和對(duì)低頻分量的分析實(shí)現(xiàn)降維和圖像濾波。同時(shí)過濾掉人臉的表情因數(shù)，可以提高識(shí)別精度。小波變換的優(yōu)點(diǎn)是能同時(shí)在時(shí)域和頻域描述人臉的局部信息，并能逐步聚焦到分析對(duì)象的任何細(xì)節(jié)。同時(shí)對(duì)細(xì)微的表情不敏感，可以在一定程度上容忍光線和角度的干擾。還可以考慮人臉的局部細(xì)節(jié)，保留人臉的空間信息。國(guó)內(nèi)外應(yīng)用該方法取得了眾多的研究成果。
3. 基于結(jié)合局部特征和整體的方法
現(xiàn)有的每一種方法都是針對(duì)某一類問題提出的，都有自己的優(yōu)缺點(diǎn)?；诰植刻卣髯R(shí)別方法的識(shí)別結(jié)果取決于特征定位的準(zhǔn)確性，這類的方法現(xiàn)在已經(jīng)發(fā)展到了彈性圖匹配，總體來說識(shí)別率較高。然而，其缺點(diǎn)在于要求圖像的像素較高，一般要128*128的像素大小。因此，只有在人臉與攝像機(jī)離得很近時(shí)才可能利用這種方法?；谡w的識(shí)別方法中，每一種都有自己的特點(diǎn)。近年來，很多研究者嘗試采取將多分類器結(jié)合的方法來提取較穩(wěn)定、受人臉姿態(tài)變化和光照條件等因素影響小的識(shí)別特征，取得了良好的識(shí)別效果。雖然多分類器組合還有很多問題值得進(jìn)一步深入研究，但是卻預(yù)示了人臉識(shí)別技術(shù)今后的發(fā)展方向
