对于人脸识别门禁来说，一次人脸识别的过程包括：

对于人脸识别门禁来说，一次人脸识别的过程包括：

1.拍摄人脸

2.分析、计算面部特征

3.将拍到的人脸与人脸库中的人脸一一对比，找到匹配度高的人脸

4.执行“识别成功”操作

看起来简单的一项识别，程序可能进行了上千万次计算，所以市面上的一些人脸识别程序或设备需要漫长的识别时间。

对于人脸识别门禁来说，识别速度是一项至关重要的元素。



8e0be4e2404445bc54077d8083d53b3.jpg



识别速度对用户体验有着至关重要的影响，尤其是用户日常需要使用的应用。相比于传统门禁，人脸识别门禁节省掉从包里找钥匙卡片，或者按密码的繁琐步骤，用户可以不用接触设备就通过门禁。但是佳的产品应该更加优化，让用户可以感觉不到门禁的存在，无感通行，这其中的关键，就在于识别速度。

F01与F02人脸识别门禁将识别时间减少至极短，大程度提升了用户体验。

此外，在人流量大时，识别速度对门禁的工作效率影响非常大。高峰期时，识别速度不足的人脸识别门禁前经常排着长长的队，当识别速度提高到50ms/次，再也不会出现这种情况。

无感通行，无需在门禁前等待识别



e1b2bb514c2b7460efd3fde9a415cf0.jpg



为缩短识别时间，加快识别速度，F01与F02的算法团队秉持“精益求精”的态度，做了大量努力与尝试。

传统人脸检测算法通过从图像中提取特征，筛选感兴趣区域，判断感兴趣区域是否为人脸，终输出检测到人脸位置信息。由于人脸检测需要在整张图像中检测到不同大小的人脸，通常计算量庞大，耗时久，且耗时可能随着图像中人脸数量的增加而成倍增加。F01与F02检测算法经过重新设计与优化，精简了计算量，使模型在很小计算量的前提下达到数倍计算量模型的检测精度；同时，算法支持多人脸同时检测，即将所有检测结果一次性输出，图像中的人脸数量不再影响算法耗时。

人脸追踪是在视频的多帧图像上，已知当前帧图像中的人脸信息之后，预估下一帧图像中的人脸位置。人脸追踪可以看做预知某些条件下的人脸检测，或者小范围的人脸检测。所以人脸追踪通常能在更小计算量的前提下输出较为可靠的结果。

F01与F02在人脸检测的基础上，采用检测+追踪的方式，不仅能有效的提升效率，而且能避免同一个人的多次识别，进一步提升算法性能。



36cb12667c8c0e7d25cde2551b9f0a2.jpg​



人脸识别通过比对两张人脸的特征相似度判断是否为同一个人，因此人脸图像的特征表示需要满足：

1.同一个人的不同图像（不同姿态、表情、光照等）的特征尽可能相似；

2.不同的人的特征尽可能不同。

F01与F02人脸识别算法基于深度学习，利用卷积神经网络（CNN）从人脸图像中提取出特征，并采用triplet loss以及集成学习等策略进一步提升特征的可靠性，使得算法能实现跨角度、跨年龄识别。

在此基础上，F01与F02算法利用剪枝、BN层融合、模型量化、低秩分解等系列策略精简计算量，使得算法能同时实现识别准确度和速度的优化。