人臉識別的難點

1、圖像光線：識別的視頻和圖片面臨各種環(huán)境光源的考驗，可能出現(xiàn)側(cè)光、頂光、背光和高光等現(xiàn)象，而且有可能出現(xiàn)各個時段的光照不同，甚至在監(jiān)控區(qū)域內(nèi)各個位置的光照都不同。

2、人臉姿態(tài)和飾物：因為監(jiān)控是非配合型的，監(jiān)控人員通過監(jiān)控區(qū)域時以自然的姿態(tài)通過，因此可能出現(xiàn)側(cè)臉、低頭、抬頭等各種非正臉的姿態(tài)和佩戴帽子、黑框眼鏡、口罩等飾物現(xiàn)象。

3、人的臉部存在相似性：不同個體之間特別是同一民族的區(qū)別不大，所有人臉的結(jié)構(gòu)都相似，甚至人臉的結(jié)構(gòu)外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區(qū)分個體是不利的。再加上化妝的掩蓋及雙胞胎的天然相似性更增加了識別的難度。

4、人臉存在易變性：人臉的外形很不穩(wěn)定，人可以通過臉部的變化產(chǎn)生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大。

人臉識別技術(shù)這些年已經(jīng)發(fā)生了重大的變化。傳統(tǒng)方法依賴于人工設(shè)計的特征（比如邊和紋理描述量）與機器學習技術(shù)（比如主成分分析、線性判別分析或支持向量機）的組合。人工設(shè)計在無約束環(huán)境中對不同變化情況穩(wěn)健的特征是很困難的，這使得過去的研究者側(cè)重研究針對每種變化類型的專用方法，比如能應對不同年齡的方法、能應對不同姿勢的方法、能應對不同光照條件的方法等。

近段時間，傳統(tǒng)的人臉識別方法已經(jīng)被基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學習方法接替。深度學習方法的主要優(yōu)勢是它們可用非常大型的數(shù)據(jù)集進行訓練，從而學習到表征這些數(shù)據(jù)的蕞佳特征。網(wǎng)絡(luò)上可用的大量自然人臉圖像已讓研究者可收集到大規(guī)模的人臉數(shù)據(jù)集，這些圖像包含了真實世界中的各種變化情況。使用這些數(shù)據(jù)集訓練的基于 CNN 的人臉識別方法已經(jīng)實現(xiàn)了非常高的準確度，因為它們能夠?qū)W到人臉圖像中穩(wěn)健的特征，從而能夠應對在訓練過程中使用的人臉圖像所呈現(xiàn)出的真實世界變化情況。

此外，深度學習方法在計算機視覺方面的不斷普及也在加速人臉識別研究的發(fā)展，因為 CNN 也正被用于解決許多其它計算機視覺任務(wù)，比如目標檢測和識別、分割、光學字符識別、面部表情分析、年齡估計等。

人臉識別技術(shù)由于其便利性、安全性，可在智能家居中用作門禁系統(tǒng)以及鑒權(quán)系統(tǒng)，因此智能家居與人臉識別技術(shù)的融合是未來發(fā)展的重點方向。智能家居中的人臉識別系統(tǒng)是結(jié)合嵌入式操作系統(tǒng)和嵌入式硬件平臺建立的，加強了人臉識別技術(shù)與智能家居應用的結(jié)合度，具有概念新、實用性強等特點。

人臉識別技術(shù)是未來基于大數(shù)據(jù)領(lǐng)域的重要發(fā)展方向。通過人臉識別技術(shù)使得這些照片數(shù)據(jù)再度存儲利用，能夠大大提升信息化的管理和統(tǒng)籌，這將成為未來人臉識別的主要發(fā)展趨勢。

人臉識別門禁的作用

社區(qū)人口集中，人員收支情況復雜，既有親朋好友、快遞外賣，也有陌生人。因為人多，辦理人員精力問題，收支口辦理作業(yè)一向不大理想，再加上磁卡丟掉、暗碼泄露、指紋被盜等問題得不到有用處理，不少非1法分子趁機潛入，導致社區(qū)內(nèi)安全事情頻發(fā)。

人臉辨認門禁體系，結(jié)合人臉辨認、人臉對比、物聯(lián)網(wǎng)等技能完成身份穿插驗證，幫忙社區(qū)辦理人員準確用戶身份。據(jù)了解，因為人臉的直觀性和不易被仿1制的特性，人臉辨認門禁體系可以有用阻攔陌生人隨意進出社區(qū)，盡可能下降社區(qū)安全事故發(fā)作的頻率，強化社區(qū)安防體系。

跟著人臉辨認技能的飛速發(fā)展，人臉辨認門禁的優(yōu)化更進一步?，F(xiàn)在人臉辨認技能的辨認率已不受化裝技能、人像相片、面具模型、白天黑夜等外在因素影響。陌生人想要憑仗偽裝進入社區(qū)大門難如登天。