39、非接触式考勤系统：从人脸识别到综合管理

非接触式考勤系统：从人脸识别到综合管理

1. 人脸识别基础与模型选择

在人脸识别中，若数据库中图像经学习函数输出的值小于阈值，就取最低预测值并在数据库中找出对应人员；若都不小于阈值，则认定该人员不在数据库中，标记为“未知”。接下来探讨如何学习能输出图像差异的函数。

在人脸识别项目里，模型的选择至关重要。
- 简单模型 ：把检测到的人脸与数据库中所有可用人脸进行比较，若相似度达到预设阈值，就认为是同一人。但当已知用户数据集很大时，无法快速遍历数据库进行比较。
- 较好模型 ：从存储的人脸中提取一些特征测量值，再对未知人脸测量相同特征，与数据库中的值对比，找出最接近的已知人脸。例如测量眼睛间距、鼻子大小、耳朵长度等。
- 最佳模型 ：让计算机自行找出最具区分度的特征并进行测量。研究表明，深度学习在检测人脸最佳区分特征方面比人类更出色。为此，需训练深度卷积神经网络（CNN），使其为每张人脸生成128个测量值。

2. 模型训练：三元组损失法

采用“单三元组训练方法”训练深度卷积神经网络。具体步骤如下：
1. 选取一个人的一张图像，再选另外两张图像，其中一张是同一人的，另一张是不同人的。
2. 对这三张图像分别进行128个测量。
3. 比较结果后，调整神经网络模型，使不同人的测量值不同，相似人的测量值相近。
4. 在大量标注的图像数据集上重复此过程，数据集越大，卷积神经网络识别未知图像的准确性越高。这个过程得到的识别模型能为每个人唯一地生成128个测量值，即“嵌入”。