深圳市科葩信息技术有限公司专注于人脸识别技术与产品的研发、设计、生产、销售和运营服务于一体的综合性高科技企业。科葩是人脸识别产品设备应用系统解决方案供应商，主营人脸识别门禁、人脸识别闸机、人脸识别访客终端、人脸识别核验终端等人脸识别产品设备研发生产销售以及基于人脸识别系统方案的增值服务运营。

访客管理子系统精准控制访问权限

相较于传统的安全通行证，慧眼人脸识别系统下访客管理子系统的优点在于：不可***，无法借用和***，就是说，脸部识别是无法被效仿的，在未来，人脸识别也会成为未来***可靠的通行证。

科葩访客子系统主要有v预约、访客数据自动下发功能，针对不同地点的安保等级，物业还可以选择安保再确认、远程开门等功能，全程数字化管理，为访客、被访公司、物业三方提升效率，提升用户体验。

人脸通行子系统更准确***

传统通行系统具有人卡不一、卡片丢失、卡片易被******、信息准确率没有保障等问题，而慧眼人脸识别系统下的人脸通行子系统不仅可以解放双手、速度快捷地完成通行管理任务，还能够明确责任、准确防伪，保证本人通行、不可替代的1性。

动态布控子系统可事先预警

科葩慧眼人脸识别系统下的动态布控子系统能高速抓拍，同时采集比对15张人脸，主要有陌生人预警、VIP迎宾等功能。

出现安全问题，传统摄像头只能事后排查，而科葩动态布控子系统能做到陌生人预警，黑名单报警等功能，只要有非***人员或黑名单人员出现，后台即会发出预警，让安保人员能及时排查，防止安全事件发生。

VIP迎宾功能可以设置VIP名单，当重要宾客到访时，大屏幕上会弹出迎宾画面，为重要嘉宾带来尊贵的体验。

不得不承认，人脸识别技术比现有的基于ID入口系统更快、更强大、更安全。凭借其灵活的设计, 科葩慧眼人脸识别系统还为开发和整合更多的应用程序和服务提供了充足的空间，以满足您未来的安全访问和管理需求。

科葩X-Face慧眼人脸识别，助力行业应用智能化变革落地！

------------------------------------------------------------------------------

基于整体的人脸识别方法

(1)基于主成分分析(Principal Component Analysis简称PCA)的方法

    PCA是一种经典的算法，它根据图像的统计特征进行正交变换，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量。即特征脸。利用特征脸可以重建和识别人脸。PCA方法是统计***优的，速度快，实现方便，对正面图像识别率高。但是容易受光照、人脸旋转和小形变，光照改变及位移改变等因素的影响。因此许多学者在此基础上又作了不少改进。其中一种就是基于线性鉴别分析(near Discrirninant Analysis) , Belhumeur等的Fisherfaces方法。它能充分利用类别的信息。Bartlett等采用***分量分析(ICA, Independent Component Analysis)的方法识别人脸，获得了比PCA方法更好的识别效果。与PCA相比，ICA有两个优势:一是ICA获得的***分量不需要满足正交关系，能够消除象素间的高阶统计相关性，而PCA只能消除象素间的二阶统计相关性;二是ICA获得的一组矢量比本征矢量更具空间局部描述性，具有更好的人脸描述能力。现在还出现很多其他子空间的人脸识别方法。借鉴SVM的Kernel方法，PCA, LDA等都被扩展到Kernel PCA和Kernel ICA。与线性子空间方法相比，基于Kernel的方法获得了更好的识别效果，然而计算量较大。

(2)基于人工***网络(Artificial Neural Networks简称ANN)的方法

    人工***网络(ANN)是以对大脑的生理研究成果为基础，用机器来模拟大脑的某些机理与机制，实现某方面功能的方法，具有强大的非线性逼近能力，它既是特征提取器，又是分类器。***网络中的***元是人类大脑***单元的简化，***网络以这些具有非线性映射能力的***元为节点，***元之间通过加权系数连接。目前比较有代表性的方法有:混合型***网络、卷积***网络、基于概率决策的***网络，主元***网络等。与前几类方法比起来，由于对人脸识别的许多规律或规则进行显性的描述相当困难，而***网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，因此它的适应性更强，一般也比较容易实现。但是由于人类对自身思维机理认识的不足及对人工***元作了极度的简化，这种模拟还是极其肤浅和简单的。

(3) 支持向量机(Support Vector Machine简称SVM)的方法

    SVM起源于统计学习理论，它研究如何构造学习机，实现模式分类问题。其基本思想是通过非线性变换将输入空间变换到一个高维空间，在高维空间求取***优线性分类面，以解决那些线性不可分的分类问题。而这种非线性变换是通过定义适当的内积函数(即核函数)来实现的。SVM技术中核函数及其参数的选取难度较大。由于它基于结构风险***小化原理，而不是传统计学的经验风险***小化，因而表现出很多优于己有方法的性能。由于SVM的训练需要大量的存储空问，非线性SVM 分类器需要较多的支持向量，所以速度很慢。

(4) 小波变换(W***elet Transform)的方法

    小波变换是一种时间和频率的局域变换，通过伸缩、平移等运算对图像作多尺度细化分析，可以有效地从图像中提取信息，其作用原理是使用一系列不同带宽的滤波函数，将图分为4个子图:LL,  LH,  HL,  HH.小波变换中，将图像“主信息”映射成低频分量LL，将噪音和细节映射成高频分量HH，通过对高频分量的舍弃和对低频分量的分析实现降维和图像滤波。同时过滤掉人脸的表情因数，可以提高识别精度。小波变换的优点是能同时在时域和频域描述人脸的局部信息，并能逐步聚焦到分析对象的任何细节。同时对细微的表情不敏感，可以在一定程度上容忍光线和角度的干扰。还可以考虑人脸的局部细节，保留人脸的空间信息。国内外应用该方法取得了众多的研究成果。

3. 基于结合局部特征和整体的方法

    现有的每一种方法都是针对某一类问题提出的，都有自己的优缺点。基于局部特征识别方法的识别结果取决于特征***的准确性，这类的方法现在已经发展到了弹***匹配，总体来说识别率较高。然而，其缺点在于要求图像的像素较高，一般要128*128的像素大小。因此，只有在人脸与摄像机离得很近时才可能利用这种方法。基于整体的识别方法中，每一种都有自己的特点。近年来，很多研究者尝试采取将多分类器结合的方法来提取较稳定、受人脸姿态变化和光照条件等因素影响小的识别特征，取得了良好的识别效果。虽然多分类器组合还有很多问题值得进一步深入研究，但是却预示了人脸识别技术今后的发展方向