人脸识别技术——人脸检测和人脸校准
人脸检测（detection）在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法。但是毕竟是老掉牙的技术，Precision/Recall曲线渣到不行，在实际工程中根本没法给boss看，作为MSRA脑残粉，这里介绍一种MSRA在14年的较新技术：Joint Cascade Face Detection and Alignment（ECCV14)。这篇文章直接在30ms的时间里把detection和alignment都给做了，PR曲线彪到很高，时效性高，内存占用却非常低，在一些库上虐了Face++和Google Picasa，正好契合这篇想讲的东西。可以作为本节的主线。
人脸校准（alignment）是给你一张脸，你给我找出我需要的特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等点的位置。
{zh1}的强分类器是通过多个基分类器联合得到的,因此在{zh1}联合时各个基分类器所起的作用对联合结果有很大的影响,因为不同基分类器的识别率不同,他的作用就应该不同,这里通过权值体现他的作用,因此识别率越高的基分类器权重越高,识别率越低的基分类器权重越低。权值计算如下: 基分类器的错误率: e = ∑( ht ( x i) ≠yi) Di (1) 基分类器的权重:W t = F( e) ,由基分类器的错误率计算他的权重。2.3 算法流程及伪码描述 算法流程描述 算法流程可用结构图 1 描述,如图 1 所示 AdaBoost重复调用弱学习算法(多轮调用产生多个分类器) ,首轮调用弱学习算法时,按均匀分布从样本集中选取子集作为该次训练集,以后每轮对前一轮训练失败的样本,赋予较大的分布权值( Di 为第i 轮各个样本在样本集中参与训练的概率) ,使其在这一轮训练出现的概率增加,即在后面的训练学习中集中对比较难训练的样本进行学习,从而得到 T个弱的基分类器, h1 , h2 , …, ht ,其中 ht 有相应的权值 w t ,并且其权值大小根据该分类器的效果而定。{zh1}的分类器由生成的多个分类器加权联合产生。
人脸识别的一种匹配算法
人脸识别的一种匹配算法采用AdaBoost 对Gabor 特征进行优化选择和判别分析来提取特征及进行准确匹配。采用了Gabor 特征表示作为原始特征集，借鉴作差法形成两个“差空间”：“类内差”空间和“类间差”空间，从而将多类问题转化为AdaBoost 可以解决的两类问题，然后采用AdaBoost 方法对高维的Gabor 特征进行特征选择，然后对选择出来的Gabor 特征进行判别分析从而实现最终的识别，实验证明此方法取得了比传统弹性匹配方法（EGM）和Gabor 特征Fisher 判别分类方法（GFC）方法更好的识别性能。
人脸识别系统与指纹识别系统相比较人脸识别系统其实是台特殊的摄像机，判断速度相当快，只需要0.01秒左右，由于利用的是人体骨骼的识别技术，所以即使易容改装，也难以蒙过它的眼睛。而且“人脸识别系统”具有存储功能，只要把一些具有潜在危险性的“重点人物”的“脸部特写”输入存储系统，重点人物如擅自闯关，就会在0.01秒之内被揪出来，同时向其他安保中心“报警”。另外，某些重要区域如控制中心只允许特定身份的工作人员进出，这时候面部档案信息未被系统存储的所有人全都会被拒之门外。
与此前的指纹识别系统相比，人脸识别系统有很多的改进。指纹技术的使用寿命不如人脸识别系统，使用成本也高于人脸识别系统。由于沾水、沾汗、沾灰，还有传感器只能在室内使用等原因，指纹识别系统在露天户外使用的可能性很小。而用于人脸识别的摄像机{yt}24小时都可工作，不侵饭人权，第二它是很安全的，无论室内还是户外均可使用。人脸识别系统意味着每个人的脸上都贴着名字，外人看不见，但监空系统能看得见。bao括外国人，从踏入中国的一瞬间，他的图像和个人资料就会进入电脑的控制中心，不管在什么地方出现，都可认出此人。而且被观察的人不知道有设备在监视他，起到了科技奥运、文明奥运的功能。
重庆人脸识别之智能商业解决方案
智能商业解决方案互联网背景下，电商的飞速发展，给传统门店带来巨大的挑战和打击。传统门店如何与电商抗衡，抢夺市场，还需要在智能化数据分析上下文章。
今天门店来了多少人？A店和B店得客流量是多少？对比客流量和收入，两个门店的转化率是多少？是店员怠工还是促销力度不够？现零售业的发展，已经使整体的商圈研究进入到系统化、数据化、实操化的阶段。当一个顾客进入店铺，通过人脸识别，店员如果一时间了解顾客的年龄、性别、到访频次、VIP、黑名单、粉丝、同{yt}的返店率分析等数据，能让店员更准确的向顾客推广产品，提升商场的成交率和转化率。
