人脸识别的产品化设备，人脸识别服务器

随着人脸识别设备技术的普及，应该范围越来越广，而大家都停留在算法层面的介绍，没有具体产品化，下面就来介绍一款产品化的人脸识别服务器人脸识别服务器是一款专门为人脸识别的广泛应用而设计，核心技术基于人脸识别算法，结合4K地图平台技术、报警联动业务逻辑，加上人脸布控功能而组合的一款专用软硬件产品，主要用于身份识别及结合行业应用，解决传统行业需要手写登记、刷卡通过、刷身份证识别及靠人工识别等来解决认人的问题。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种快速身份识别技术，以求快速确认人员身份，实现业务逻辑的处理、服务水平的提高及异常情况智能预警。人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别，识别身份信息之后与业务系统数据进行关联，产生各种各样的应用。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、

电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社

会认同度的提高，人脸识别技术将应用在更多的领域。

1.公司、住宅安全和管理。（智能人脸门禁系统）

2.企业、厂区、事业单位。（黑名单报警系统）

3.电子护照及身份证。（人证合一系统）

4.公安、司法和刑侦。（网上在逃人员比对系统）

5.自助服务。（刷脸取号系统）

6.信息安全。（在线人脸比对系统）产品功能特性

1.1 人员管理

区域管理：用于区域的添加、修改、删除、查询；

模板管理：主要为区域内进行人员的增、改、删、查和添加模板等操作；

权限管理：用于增加、编辑、删除、查询系统的管理员。

1.2 设备管理

识别服务器管理：主要是对识别服务器的添加、编辑、删除、查询，能够在列表中看到识别服务器的连接状态。

摄像头管理：对识别服务器下挂的摄像头进行添加、编辑、删除和查询，能够在列表中看到摄像头的连接状态。

解析服务器管理：对解析服务所在的服务器进行添加、编辑和删除的操作。

摄像机认证管理：为保证系统可用性，对摄像机进行认证的操作。

人脸识别的产品化设备，人脸识别服务器

人脸识别的产品化设备，人脸识别服务器

1.3 记录查询

识别记录查询：对系统识别出的人员记录进行查询。识别记录中会显示出识别的时间、地点和被识别人员的信息。识别记录可快速追加模板。

抓拍记录查询：对未确定身份的人员进行查询。抓拍记录中的人员包括两种:

普通抓拍和陌生人。记录中会显示出抓拍的时间、地点和被抓拍人员的照片。抓拍记录可上传为模板。

1.4 图片检索

图片检索：图片检索是通过上传目标人的照片，然后检索其是否出现在识别记录、抓拍记录中，或者是否被添加为模板。

1.5人脸信息库

建立一套完整的人脸信息库，身份证号、姓名、出身年月、家庭住址、身高、年龄等信息与人脸图片进行关联。

1.6黑名单报警

建立一套黑名单人脸信息库，当黑名单人员进入抓拍区域时，系统联动报警，执法人员可快速应对处理。

1.7白/红名单放行

建立一套红/白名单人脸信息库，当白名单人员进入抓拍区域时，系统自动放行。当红名单人员进入抓拍区域时，系统提醒并放行。并将过往信息保存到系统数据库中。

1.8门禁（道闸）联动

建立一套门禁（道闸）联动系统，当录入系统的需放行人员进出时，系统与门禁（道闸）联动自动放行，无需刷卡。

1.9视频监控/存储

建立一套视频监控系统，作为辅助人脸识别图片的实时视频监控图像，保证人脸抓拍图片与视频图像的实时显示。建立一套视频存储系统，人脸识别图片的比对实现对黑名单人员的实时报警，事后可通过录像查询当时的视频数据以达到取证的目的。

1.10接口调用

把识别结果传递给第三方平台，人脸识别服务器做为第三方集成平台的一部分，把实时视频抓拍到的人脸与黑白名单库、人脸库对比的结果传递到第三方平台，第三方平台再做相关业务的处理，接口传递方式各种各样，SDK、数据库、SOCKET、HTTP等各种协议支持。

1.11业务系统对接

通过人脸识别服务器从第三方平台读取到业务数据，比如学生信息、VIP客户信息，再与识别到的人员身份信息进行关联，在人脸识别服务器上再做定制化业务功能扩展，比如识别学生的班级、一卡通等信息，或者对应VIP客户的服务经理、消费记录、爱好等等方式，并通知对应服务经理主动服务等。

1.12可视化呈现

通过采集到的人脸对应的地点、时间、停留时间等信息，对每个人员在布控的多个摄像头采集到的相关信息进行关联处理及呈现，并在离线的4KGIS地图上以图形的形式呈现出来，以最直观的方式看到人员的活动情况。

产品性能指标

人脸识别系统性能指标可通过以下几项指标来进行比较，包括人脸抓拍率、建模成功率和比对性能。GPU核心在性能上有很大的突破，理想环境下抓拍率和识别率接近100%，误识率和拒识率几乎忽略不计，GPU算法即深度学习算法，深度学习是为了能够得到有助于理解图片、文本等数据所表述的意义而进行的多层次的表示和抽取的学习。

² 2.1人脸抓拍率

对于光线较好的监控环境下，正常的人脸抓拍率几乎可以达到 100%（其中抓拍到的人脸姿态偏转在左右 60 度之内、上下偏转 30 度之内），经过摄像机的人全被准确抓拍。

² 2.2建模成功率

由于当前的人脸识别主要针对准正面人脸进行（左右偏转 15 度，上下偏转5 度，脸部区域分辨率不能低于 80*80 个像素，且成像清晰），因此在建模时必须要对抓拍到的人脸图片进行筛选。如果满足上述条件，建模成功率不低于99.6%，即 100 个人经过，几乎所有人的脸部图片能够符合建模标准。

² 2.3比对性能

人脸比对性能与模版库注册图像质量和模版库数据库大小密切相关，性能指标主要由两个指标进行衡量：误拒率和误识率，误拒率是指黑名单人员漏报的比率，误识率是指错误报警的比率。

一般情况下如果错误报警越多（误识率越高），那么漏报的可能性就越小（误拒率越低），如果错误报警越少（误识率越低），那么漏报的可能性就越大（误拒率越高）。

在非常理想情况下（注册图像的采集环境与真实监控环境接近，包括相机型号与架设角度一致且近一年之内采集），误识率和误拒率几乎可忽略不计，也就是说接近 100%为正确识别，非理想环境下（高光，背光，反光等环境）系统可以根据客户实际需要设置不同人脸相似度阀值来调节误识率和误拒率之间关系。

另外，人脸比对性能和模版库注册图像质量、大小、环境、光线等因素影响很大，具体比对性能视实际场景及实际注册图像质量而定。两张图片识别过程：定位+特征提取+比对，不超过 1S。2张图片从定位、提特征到比对出识别结果的时间，平均耗时 0.11s 特征都在内存中，一百万次比对，用时 0.9 秒。

    引入人脸识别设备终端，还得结合实际，看自身应用场景的需要来选择。基于主动近红外图像的多光源人脸识别技术是近年迅速发展起来的一种解决方案，它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。

　　事实也是这样，人脸识别技术的应用范围从之前的考勤识别延伸到了门禁系统、商业市场和打击违法犯罪及恐怖分子等领域。并且，得益于多光源人脸识别技术的推动作用，人脸识别技术打破了传统产品对光源要求的瓶颈，将在更多领域得到应用。 人脸识别设备