能力 搜索 這不 誰的 bbb pca 系統 情況下 困難

人臉識別是一種基於人的臉部特征信息進行身份認證的生物特征識別技術。

靜態人臉識別和動態人臉識別
靜態人臉識別是在特定的區域或者範圍內來采集人臉照片並進行識別，如當前常見的門禁考勤應用。又或者是輸入一張照片到人臉識別系統，如Facebook應用中采集用戶的標簽照片。又如警察輸入照片並搜索數據庫查看他/她是誰。在這兩種情況下，我們都是輸入一張照片來進行人臉識別。
靜態人臉識別的工作流程包括檢測人臉、人臉對齊、提取特征向量（我們在後文也會談及），然後將提取的特征向量與數據庫中的特征向量進行比較，以確定他/她是誰。
在動態人臉識別中，我們要識別身份的對象為攝像頭中一組正在行進的人，或者是視頻文件中一組正在行進的人。動態人臉識別的過程包括人臉檢測、人臉跟蹤、選擇最佳可用的人臉，人臉對齊，提取每個人臉的特征向量，並將特征向量與數據庫中的特征向量進行比較。
1:1，1:N，小N，大N
身份核驗是1:1。它通過對比輸入的人臉特征向量與數據庫中的人臉特征向量來解決你是不是你的問題。

身份識別是1:N。它是通過輸入的人臉與數據庫的N人臉進行比對，以解決他是誰的問題。

N越大，人臉識別會變得越困難。
當N很小時，比如50，我們可以使用一個相對簡單的特征提取模型來提取特征向量。當N在10000級別時，我們需要相對復雜的特征提取模型。當N達到數百萬甚至數十億時，我們需要一個非常復雜的特征提取模型，它具有很高的識別能力。

當前，為了提升人臉識別的處理能力，當N小於20000時，我們可以在邊緣設備上實現人臉特征向量的提取，這些硬件被稱為邊緣計算，如下即為一個邊緣計算設備。

deepcam 7〃門禁平板

deepcam 7〃門禁平板可以在本地人臉識別，可存儲/識別50000人。當N大於50000時，我們需要基於PC或雲端進行人臉特征提取。這不僅僅是基於存儲數據庫的內存空間考慮，也是基於計算特征提取模型的計算資源要求。

大姿態

理想情況下，我們希望通過正面人臉完成人臉識別。人臉的外觀在不同的角度有很大的不同，給人臉識別準確性帶來挑戰。即使是人眼有時也很難在人臉不同的角度下識別出同一個人。關於人臉大姿態的術語如下圖所示。

人臉姿態術語

人臉68個關鍵點
對於人臉的其他大姿態，可以使用三維建模和三維定位關鍵點來重建正面人臉。
遮擋人臉識別
在人臉識別很多場景中，我們會遇到識別對象戴太陽鏡或口罩的情況。這就需要更多的算法步驟來清除遮擋物，重建人臉。神目deepcam人臉識別算法在大姿態及遮擋人臉識別方面極具優勢。如下圖展示了通過deepcam的人臉識別技術，將戴或不戴口罩，甚至大姿態情況下的同一個人，準確進行了聚類。

抗欺騙及活體測試
在人臉識別各種應用中，我們需要采用防欺騙即活體檢測技術，來防止來自照片或視頻重播的***。當前人臉活體檢測措施有不同的形式。一個傳統的方式即需要用戶眨眼、微笑或搖頭等主動配合。這種方式既耗時，對用戶也不夠友好。還有一種活體檢測方式被稱為靜默活體檢測，也就是說，不需要用戶移動頭部來進行主動配合。在靜默活體檢測技術中，有一種成本比較高的方式就是增加一個結構化的深度攝像頭，來感知攝像頭前人臉的三維深度信息，以判斷這是不是真人。還有一種方式為紅外攝像機，基本上，它使用額外的波長來檢驗人臉是否為活體。近來，行業越來越偏向一種活體檢測技術，即使用普通RGB相機來完成活體人臉識別。神目deepcam擁有領先的的基於RGB的活體檢測技術，您甚至可以在神目開放人工智能平臺免費獲取https://ai.deepcam.cn/。

人臉識別技術探討：1:1,1：小N/大N，大姿態識別，活體識別