主要功能特色包括：
1.灵活的系统扩展性
基于先进的分布式系统架构，支持动态扩充人脸匹配服务器，实现千万级甚至亿级海量人脸库的支持。
2.的人脸比对性能
单台人脸匹配服务器每秒可完成 2000 万人次实时比对，从人脸检测到人脸识别耗时不足 200ms。在百万人脸库规模下，人脸比对结果前 10 位的命中率在95%以上
3.对人脸的宽容度高，具备人脸姿态矫正功能，当人脸左右上下倾斜在 25 度以内时不会影响识别结果。
支持基于可见光环境下的人脸识别，人脸识别结果受光线变化影响小。
对于人脸的变化，包括表情、胡须、眼镜、发型、年龄等，算法均具有良好的适应性，不影响识别准确度。
4.支持移动终端
系统客户端可运行在基于 Android 或 iOS 的移动终端上，可通过移动终端进行实时人脸采集与人脸比对。
丰富的智能检索特征
涵盖了几乎所有以人和车为主体的关键可检索特征，是目前业界检索特征为丰富的视频智能检索系统。
人脸识别系统通常由以下构建模块组成：
人脸检测。人脸检测器用于寻找图像中人脸的位置，如果有人脸，就返回包含每张人脸的边界框的坐标。如图 3a 所示。
人脸对齐。人脸对齐的目标是使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像。这个过程通常需要使用一个特征点检测器来寻找一组人脸特征点，在简单的 2D 对齐情况中，即为寻找适合参考点的佳仿射变换。图 3b 和 3c 展示了两张使用了同一组参考点对齐后的人脸图像。更复杂的 3D 对齐算法(如 [16])还能实现人脸正面化，即将人脸的姿势调整到正面向前。
人脸表征。在人脸表征阶段，人脸图像的像素值会被转换成紧凑且可判别的特征向量，这也被称为模板(template)。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。
人脸匹配。在人脸匹配构建模块中，两个模板会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。
人脸检测
面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法：
①参考模板法
首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；
②人脸规则法
由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸；
③样品学习法
这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；
④肤色模型法
这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。
⑤特征子脸法
这种方法是将所有面像视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。
值得提出的是，上述5种方法在实际检测系统中也可综合采用。
-/gbaciei/-
http://www.shrrhb.com
