人脸识别-一路机电人脸识别门禁-人脸识别一体机

伴随着科技的飞速发展，人脸识别的技术也越来越好，近来有一种通过神经网络的方法进行识别，人工神经网络是一种非线性动力学系统，具有良好的自组织、自适应能力。目前神经网络方法在人脸识别中的研究方兴未艾。Valentin提出一种方法，人脸识别认证，**提取人脸的 50个主元，然后用自相关神经网络将它映射到 5维空间中，再用一个普通的多层感知器进行判别，对一些简单的测试图像效果较好；有人提出了一种混合型神经网络来进行人脸识别，其中非监督神经网络用于特征提取，而监督神经网络用于分类。Lee等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的定位，将五官之间的几何距离输入模糊神经网络进行识别，效果较一般的基于欧氏距离的方法有较大改善，Laurence等采用卷积神经网络方法进行人脸识别，由于卷积神经网络中集成了相邻像素之间的相关性知识，从而在一定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到非常理想的识别结果，Lin等提出了基于概率决策的神经网络方法 (PDBNN)，其主要思想是采用虚拟 (正反例 )样本进行强化和反强化学习，从而得到较为理想的概率估计结果，并采用模块化的网络结构 (OCON)加快网络的学习。这种方法在人脸检测、人脸定位和人脸识别的各个步骤上都得到了较好的应用，其它研究还有 :Dai等提出用Hopfield网络进行低分辨率人脸联想与识别，Gutta等提出将RBF与树型分类器结合起来进行人脸识别的混合分类器模型，Phillips等人将MatchingPursuit滤波器用于人脸识别，国内则采用统计学习理论中的支撑向量机进行人脸分类。

神经网络方法在人脸识别上的应用比起传统的方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较*实现。因此人工神经网络识别速度快，人脸识别门禁识别，但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

“刷脸”，顾名思义，背后是一项关键技术：人脸识别。

别看这两年因为在智能手机上的使用而大热，其实人脸识别技术较早的研究还要追溯到20世纪50年代，当时已经有科学家在研究人脸轮廓的提取方法，但受限于技术水平，这项技术的相关研究一度停滞，直到20世纪80年代，人脸识别的方法才有了新的突破，神经生理学、脑神经学、视觉等相关知识被引入，人脸识别进入了新的发展阶段。

所以，当前阶段的人脸识别不是单一的技术，而是融合了神经生理学、脑神经学、计算机视觉等多方面学科的技术。不过，本质上它还是一项计算机视觉技术。

近年来，“刷脸”成为网络热搜词，人脸识别，刷脸进站、刷脸取款、刷脸支付……“刷脸”时代正在到来，人脸识别技术不断进入大众视野。

人脸识别作为一项互联网领域热门的技术，在互联网产品很多领域都有着广泛的应用。比如吃饭刷脸、支付购物刷脸、手机开机刷脸等等，就连寄递邮、快件也可以进行人脸识别。目前人脸识别系统已经在100多座城市落地，覆盖了交通、**部门、学校、医院、企业等多个行业。