人脸识别门禁的作用
随着智慧城市的推行，如今很多小区开始采用人脸识别系统作为门禁，将它引入居民住宅区，可以发挥这样以下作用：
1.可控制各类人员进出
例如，住户张三的人脸信息经采集已在人脸信息数据库中备案，张三只需在楼宇门外的人脸识别镜头前进行识别（即“刷脸验证”），识别成功后，楼宇门即自动打开。
而访客李四，因未在人脸信息数据库中备案人脸信息，故刷脸验证将不成功，无法控制楼宇门打开。
2.住户无需随身携带门禁卡即可方便出入；
3.无关人员无法随意进出小区及楼宇，住户的安全更有保证；
4.可有效防止转租、转借等违规行为。
人脸识别的研究不断深入，研究者开始关注面向真实条件的人脸识别问题，主要包括以下四个方面的研究：
1）提出不同的人脸空间模型，包括以线性判别分析为代表的线性建模方法，以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。
2）深入分析和研究影响人脸识别的因素，包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。
3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度学习方法。
4）利用新的数据源，例如基于视频的人脸识别和基于素描、近红外图像的人脸识别。
影响人脸识别系统对人脸采集的主要因素有哪些？
1.图像大小：人脸图像过小会影响识别效果，人脸图像过大会影响识别速度。非***人脸识别摄像头常见规定的蕞小识别人脸像素为60*60或100*100以上。在规定的图像大小内，算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。
2.图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率，直接影响摄像头识别距离。现4K摄像头看清人脸的远距离是10米，7K摄像头是20米。
3.光照环境：过曝或过暗的光照环境都会影响人脸识别效果。可以从摄像头自带的功能补光或滤光平衡光照影响，也可以利用算法模型优化图像光线。
4.模糊程度：实际场景主要着力解决运动模糊，人脸相对于摄像头的移动经常会产生运动模糊。部分摄像头有抗模糊的功能，而在成本有限的情况下，考虑通过算法模型优化此问题。
5.遮挡程度：五官无遮挡、脸部边缘清晰的图像为蕞佳。而在实际场景中，很多人脸都会被帽子、眼镜、口罩等遮挡物遮挡，这部分数据需要根据算法要求决定是否留用训练。
6.采集角度：人脸相对于摄像头角度为正脸蕞佳。但实际场景中往往很难抓拍正脸。因此算法模型需训练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度，需满足人脸与摄像头构成的角度在算法识别范围内的要求。
人脸识别的一般流程
人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸图像进行一系列的相关应用操作，技术上包括图像采集、特征***、身份的确认和查找等等。简单来说，就是从照片中提取人脸中的特征，比如眉毛高度、嘴角等等，再通过特征的对比输出结果。人脸识别的一般流程：
一、人脸采集：
不同的人脸图像通过摄像镜头采集得到，比如静态图像、动态图像、不同位置、不同表情等，当采集对象在设备的拍摄范围内时，采集设备会自动搜索并拍摄人脸图像。
二、人脸检测方法
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征等），然后利用信息来达到人脸检测的目的。关键点检测是自动估计人脸图片上脸部特征点的坐标。
主流方法： 基于检测出的特征采用Adaboost学习算法挑选出一些代表人脸的矩形特征（弱分类器），按照加权的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
三、人脸图像预处理 由于系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度矫正、噪声过滤等图像预处理，并终服务于特征提取的过程。
主要预处理方法有：人脸对准，人脸图像的光线补偿，灰度变换、直方图均衡化、 化、几何校正、中值滤波以及锐化等。 四、人脸特征提取 人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程。
五、匹配与识别 提取的人脸特征值数据与数据库中存贮的特征模板进行搜索匹配，通过设定一个阈值参数，将相似度与这一阈值进行比较，来对人脸的进行判断。
