网站推广优化设计方案,电商有哪些推广方法,百度站长工具排名,网站建设原因分析简介
人脸识别不同于人脸检测。在人脸检测中，我们只检测了人脸的位置，在人脸识别任务中，我们识别了人的身份。
本文重点介绍使用库 face_recognition 实现人脸识别，该库基于深度学习技术，并承诺使用单个训练图像的准确率超过 96%。 识别系统用例 寻找失踪者识别社交媒体…简介
人脸识别不同于人脸检测。在人脸检测中，我们只检测了人脸的位置，在人脸识别任务中，我们识别了人的身份。
本文重点介绍使用库 face_recognition 实现人脸识别，该库基于深度学习技术，并承诺使用单个训练图像的准确率超过 96%。 识别系统用例
寻找失踪者识别社交媒体上的帐户识别汽车中的驾驶员考勤系统了解人脸识别的工作原理
我们将人的照片和他们的名字传递给模型。该模型拍摄每张照片，将它们转换为某种数字编码，并将它们存储在一个列表中，并将所有标签（人名）存储在另一个列表中。在预测阶段，当我们传递未知人的图片时，识别模型会将该人的图像转换为编码。在将未知人的图像转换为编码后，它会尝试根据距离参数找到最相似的编码。与未知人的编码距离最小的编码将是最接近的匹配。在获得最接近的匹配编码后，我们从该列表中获取该编码的索引并使用索引。我们找到检测到的人的名字。传统人脸识别算法
传统的人脸识别算法不符合现代人脸识别标准。它们旨在使用旧的传统算法识别面部。
OpenCV 提供了一些传统的面部识别算法。
Eigenfaces：http://www.scholarpedia.org/article/Eigenfaces尺度不变特征变换 (Scale Invariant Feature Transform，SIFT)：https://en.wikipedia.org/wiki/Scale-invariant_feature_transformFisher faces：http://www.scholarpedia.org/article/Fisherfaces局部二进制模式直方图 (Local Binary Patterns Histograms，LBPH)：https://en.wikipedia.org/wiki/Local_binary_patterns这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同。
LBPH 算法是一种简单但非常有效的方法，仍在使用中，但与现代算法相比速度较慢。
人脸识别深度学习
有多种基于深度学习的面部识别算法可供使用。
DeepFaceDeepID series of systemsFaceNetVGGFace一般来说，基于地标的人脸识别器对人脸图像进行拍摄，并试图找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征点。有60多个地标。
人脸识别涉及的步骤
人脸检测：定位人脸，记下每个人脸定位的坐标，并在每个人脸周围绘制一个边界框。面部对齐。标准化人脸以获得快速训练。特征提取。从面部图片中提取局部特征进行训练，这一步由不同的算法执行不同的操作。人脸识别。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配。 识别流程
使用python实现人脸识别系统。使用 face_recognition 库实现基于深度学习的人脸识别系统。
1. 设置人脸识别库：
为了安装人脸识别库，我们需要先安装dlib
