主要功能特色包括：
1.靈活的系統擴展性
基于先進的分布式系統架構，支持動態擴充人臉匹配服務器，實現千萬級甚至億級海量人臉庫的支持。
2.的人臉比對性能
單臺人臉匹配服務器每秒可完成 2000 萬人次實時比對，從人臉檢測到人臉識別耗時不足 200ms。在百萬人臉庫規模下，人臉比對結果前 10 位的命中率在95%以上
3.對人臉的寬容度高，具備人臉姿態矯正功能，當人臉左右上下傾斜在 25 度以內時不會影響識別結果。
支持基于可見光環境下的人臉識別，人臉識別結果受光線變化影響小。
對于人臉的變化，包括表情、胡須、眼鏡、發型、年齡等，算法均具有良好的適應性，不影響識別準確度。
4.支持移動終端
系統客戶端可運行在基于 Android 或 iOS 的移動終端上，可通過移動終端進行實時人臉采集與人臉比對。
豐富的智能檢索特征
涵蓋了幾乎所有以人和車為主體的關鍵可檢索特征，是目前業界檢索特征為豐富的視頻智能檢索系統。
人臉識別系統通常由以下構建模塊組成：
人臉檢測。人臉檢測器用于尋找圖像中人臉的位置，如果有人臉，就返回包含每張人臉的邊界框的坐標。如圖 3a 所示。
人臉對齊。人臉對齊的目標是使用一組位于圖像中固定位置的參考點來縮放和裁剪人臉圖像。這個過程通常需要使用一個特征點檢測器來尋找一組人臉特征點，在簡單的 2D 對齊情況中，即為尋找適合參考點的佳仿射變換。圖 3b 和 3c 展示了兩張使用了同一組參考點對齊后的人臉圖像。更復雜的 3D 對齊算法(如 [16])還能實現人臉正面化，即將人臉的姿勢調整到正面向前。
人臉表征。在人臉表征階段，人臉圖像的像素值會被轉換成緊湊且可判別的特征向量，這也被稱為模板(template)。理想情況下，同一個主體的所有人臉都應該映射到相似的特征向量。
人臉匹配。在人臉匹配構建模塊中，兩個模板會進行比較，從而得到一個相似度分數，該分數給出了兩者屬于同一個主體的可能性。
人臉檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，并分離出這種面像。一般有下列幾種方法：
①參考模板法
首先設計一個或數個標準人臉的模板，然后計算測試采集的樣品與標準模板之間的匹配程度，并通過閾值來判斷是否存在人臉；
②人臉規則法
由于人臉具有一定的結構分布特征，所謂人臉規則的方法即提取這些特征生成相應的規則以判斷測試樣品是否包含人臉；
③樣品學習法
這種方法即采用模式識別中人工神經網絡的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特征子臉法
這種方法是將所有面像視為一個面像子空間，并基于檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。
值得提出的是，上述5種方法在實際檢測系統中也可綜合采用。
-/gbaciei/-
http://www.cmlib.cn
