利用深度学习的方法解决视频人脸识别
以往的人脸识别主要是包括人脸图像采集、人脸识别预处理、身份确认、身份查找等技术和系统。现在人脸识别已经慢慢延伸到了ADAS中的驾驶员检测、行人跟踪、甚至到了动态物体的跟踪。由此可以看出，人脸识别系统已经由简单的图像处理发展到了视频实时处理。而且算法已经由以前的Adaboots、PCA等传统的统计学方法转变为CNN、RCNN等及其变形的方法。现在也有相当一部分人开始研究3维人脸识别识别，这种项目目前也受到了学术界、工业界和国家的支持。
首先看看现在的研究现状。如上的发展趋势可以知道，现在的主要研究方向是利用深度学习的方法解决视频人脸识别。
主要的研究人员：&如下：中科院计算所的山世光教授、中科院生物识别研究所的李子青教授、清华大学的苏光大教授、香港中文大学的汤晓鸥教授、Ross B. Gihick等等。
主要开源项目：
SeetaFace人脸识别引擎。该引擎由中科院计算所山世光研究员带领的人脸识别研究组研发。代码基于实现，且不依赖于任何第三方的库函数，开源协议为BSD-2，可供学术界和工业界免费使用。github链接：
https://github.com/seetaface/SeetaFaceEngine
主要软件A/SDK:
face++。Face++.com 是一个提供免费人脸检测、人脸识别、人脸属性分析等服务的云端服务平台。Face++是北京旷视科技有限公司旗下的全新人脸技术云平台，在黑马大赛中，Face++获得年度总冠军，已获得联想之星投资。
skybiometry.。主要包含了face decon、face recognition、face grouping。
主要的人脸识别图像库：&目前公开的比较好的人脸图像库有LFW（Labelled Faces in the Wild）和YFW（Youtube Faces in the Wild）。现在的实验数据集基本上是来源于LFW，而且目前的图像人脸识别的精度已经达到99%，基本上现有的图像数据库已经被刷爆。下面是现有人脸图像数据库的总结：
现在在中国做人脸识别的公司已经越来越多，应用也非常的广泛。其中市场占有率最高的是汉王科技。主要公司的研究方向和现状如下：
汉王科技：汉王科技主要是做人脸识别的身份验证，主要用在门禁系统、考勤系统等等。
科大讯飞：科大讯飞在香港中文大学汤晓鸥教授团队支持下，开发出了一个基于高斯过程的人脸识别技术&Gussian face， 该技术在LFW上的识别率为98.52%，目前该公司的DEEPID2在LFW上的识别率已经达到了99.4%。&
川大智胜：目前该公司的研究亮点是三维人脸识别，并拓展到3维全脸照相机产业化等等。
商汤科技：主要是一家致力于引领人工智能核心&深度学习&技术突破，构建人工智能、大数据分析行业解决方案的公司，目前在人脸识别、文字识别、人体识别、车辆识别、物体识别、图像处理等方向有很强的竞争力。在人脸识别中有106个人脸关键点的识别。
人脸识别的过程
人脸识别主要分为四大块：人脸定位（face detection）、 人脸校准（face alignment）、 人脸确认（face verification）、人脸鉴别（face identification）。
人脸定位（face detection）：&对图像中的人脸进行检测，并将结果用矩形框框出来。在openCV中有直接能拿出来用的Harr分类器。
人脸校准（face alignment）：&对检测到的人脸进行姿态的校正，使其人脸尽可能的&正&，通过校正可以提高人脸识别的精度。校正的方法有2D校正、3D校正的方法，3D校正的方法可以使侧脸得到较好的识别。 在进行人脸校正的时候，会有检测特征点的位置这一步，这些特征点位置主要是诸如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等位置，知道了这些特征点的位置后，做一下位置驱动的变形，脸即可被校&正&了。如下图所示：
这里介绍一种MSRA在14年的技术：Joint Cascade Face Detection and Alignment（ECCV14)。这篇文章直接在30ms的时间里把detection和alignment都给做了。
人脸确认（face verification）：
Face verification，人脸校验是基于pr matching的方式，所以它得到的答案是&是&或者&不是&。在具体操作的时候，给定一张测试图片，然后挨个进行pair matching，matching上了则说明测试图像与该张匹配上的人脸为同一个人的人脸。一般在小型办公室人脸刷脸打卡系统中采用的（应该）是这种方法，具体操作方法大致是这样一个流程：离线逐个录入员工的人脸照片（一个员工录入的人脸一般不止一张），员工在刷脸打卡的时候相机捕获到图像后，通过前面所讲的先进行人脸检测，然后进行人脸校正，再进行人脸校验，一旦match结果为&是&，说明该名刷脸的人员是属于本办公室的，人脸校验到这一步就完成了。在离线录入员工人脸的时候，我们可以将人脸与人名对应，这样一旦在人脸校验成功后，就可以知道这个人是谁了。上面所说的这样一种系统优点是开发费用低廉，适合小型办公场所，缺点是在捕获时不能有遮挡，而且还要求人脸姿态比较正（这种系统我们所有，不过没体验过）。下图给出了示意说明：
人脸识别（face identification/recognition）：&Face identification或Face recognition，人脸识别正如下图所示的，它要回答的是&我是谁？&，相比于人脸校验采用的pair matching，它在识别阶段更多的是采用分类的手段。它实际上是对进行了前面两步即人脸检测、人脸校正后做的图像（人脸）分类。
根据上面四个概念的介绍，我们可以了解到人脸识别主要包括三个大的、独立性强的模块：
我们将上面的步骤进行详细的拆分，得到下面的过程图：&
人脸识别分类
现在随着人脸识别技术的发展，人脸识别技术主要分为了三类：一是基于图像的识别方法、二是基于视频的识别方法、三是三维人脸识别方法。
基于图像的识别方法：&这个过程是一个静态的图像识别过程，主要利用图像处理。主要的算法有PCA、EP、kernel method、 Bayesian Fwork、SVM 、HMM、Adaboot等等算法。但在2014年，人脸识别利用Deep learning 技术取得了重大突破，为代表的有deepface的97.25%、face++的97.27%，但是deep face的训练集是400w集的，而同时香港中文大学汤晓鸥的Gussian face的训练集为2w。
基于视频的实时识别方法：&这个过程可以看出人脸识别的追踪过程，不仅仅要求在视频中找到人脸的位置和大小，还需要确定帧间不同人脸的对应关系。
参考论文(资料)：&1. DeepFace论文。DeepFace：Closing the Gap to Human-level Performance in Face Verificaion&2. 卷积了解博客。http://blog.csdn.net/zouxy09/article/details/. 卷积神经网络的推导博客。http://blog.csdn.net/zouxy09/article/details/.&Note on convolution Neural Network.&5.&Neural Network for Recognition of Handwritten Digits&6. DeepFace博文：http://blog.csdn.net/Hao_Zhang_Vision/article/details/?locationNum=2&fps=1
DeepFace是FaceBook提出来的，后续有DeepID和FaceNet出现。而且在DeepID和FaceNet中都能体现DeepFace的身影，所以DeepFace可以谓之CNN在人脸识别的奠基之作，目前深度学习在人脸识别中也取得了非常好的效果。所以这里我们先从DeepFace开始学习。
在DeepFace的学习过程中，不仅将DeepFace所用的方法进行介绍，也会介绍当前该步骤的其它主要算法，对现有的图像人脸识别技术做一个简单、全面的叙述。
1.DeepFace的基本框架
1.1 人脸识别的基本流程
face detection -& face alignment -& face verification -& face identification
1.2 人脸检测（face detection）
1.2.1 现有技术：
haar分类器：&人脸检测（detection）在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法。
Adaboost算法(级联分类器)：&1.参考论文：&Robust Real-Time face detection&。&2. 参考中文博客：http://blog.csdn.net/cyh_24/article/details/. 博客：http://blog.sina.com.cn/s/blog_19ep0.html
1.2.2 文章中所用方法
本文中采用了基于检测点的人脸检测方法（fiducial Point Detector）。
先选择6个基准点，2只眼睛中心、 1个鼻子点、3个嘴上的点。
通过LBP特征用SVR来学习得到基准点。
效果如下：&
1.3 人脸校准（face alignment）
2D alignment：
对Detection后的图片进行二维裁剪， scale, rotate and translate the image into six anchor locations。 将人脸部分裁剪出来。
3D alignment：
找到一个3D 模型，用这个3D模型把二维人脸crop成3D人脸。67个基点，然后Delaunay三角化，在轮廓处添加三角形来避免不连续。
将三角化后的人脸转换成3D形状
三角化后的人脸变为有深度的3D三角网
将三角网做偏转，使人脸的正面朝前
最后放正的人脸
效果如下：
上面的2D alignment对应(b)图，3D alignment依次对应(c) ~ (h)。
1.4 人脸表示（face verification）
1.4.1 现有技术
LBP && joint Beyesian：&通过高维LBP跟Joint Bayesian这两个方法结合。
论文：&Bayesian Face Revisited: A Joint Formulation
DeepID系列：&将七个联合贝叶斯模型使用SVM进行融合，精度达到99.15%
论文：&Deep Learning Face Representation by Joint Identification-Verification
1.4.2 文章中的方法
论文中通过一个多类人脸识别任务来训练深度神经网络（DNN）。网络结构如上图所示。
结构参数：&经过3D对齐以后，形成的图像都是152&152的图像，输入到上述网络结构中，该结构的参数如下：
Conv：32个11&11&3的卷积核
max-pooling: 3&3， stride=2
Conv: 16个9&9的卷积核
Local-Conv: 16个9&9的卷积核，Local的意思是卷积核的参数不共享
Local-Conv: 16个7&7的卷积核，参数不共享
Local-Conv: 16个5&5的卷积核，参数不共享
Fully-connected: 4096维
Softmax: 4030维
提取低水平特征：&过程如下所示：
预处理阶段：输入3通道的人脸，并进行3D校正，再归一化到152*152像素大小&&152*152*3.
通过卷积层C1：C1包含32个11*11*3的（即卷积核），得到32张特征图&&32*142*142*3。
通过max-polling层M2：M2的滑窗大小为3*3，滑动步长为2，3个通道上分别独立polling。
通过另一个卷积层C3：C3包含16个9*9*16的3维卷积核。
上述3层网络是为了提取到低水平的特征，如简单的边缘特征和纹理特征。Max-polling层使得卷积网络对局部的变换更加鲁棒。如果输入是校正后的人脸，就能使网络对小的标记误差更加鲁棒。然而这样的polling层会使网络在面部的细节结构和微小纹理的精准位置上丢失一些信息。因此，文中只在第一个卷积层后面接了Max-polling层。这些前面的层称之为前端自适应的预处理层级。然而对于许多计算来讲，这是很必要的，这些层的参数其实很少。它们仅仅是把输入图像扩充成一个简单的局部特征集。
后续层：&L4,L5,L6都是局部连接层，就像卷积层使用滤波器一样，在特征图像的每一个位置都训练学习一组不同的滤波器。由于校正后不同区域的有不同的统计特性，卷积网络在空间上的稳定性的假设不能成立。比如说，相比于鼻子和嘴巴之间的区域，眼睛和眉毛之间的区域展现出非常不同的表观并且有很高的区分度。换句话说，通过利用输入的校正后的图像，定制了DNN的结构。
使用局部连接层并没有影响特征提取时的运算负担，但是影响了训练的参数数量。仅仅是由于有如此大的标记人脸库，我们可以承受三个大型的局部连接层。局部连接层的输出单元受到一个大型的输入图块的影响，可以据此调整局部连接层的使用（参数）（不共享权重）
比如说，L6层的输出受到一个74*74*3的输入图块的影响，在校正后的人脸中，这种大的图块之间很难有任何统计上的参数共享。
顶层：&最后，网络顶端的两层（F7，F8）是全连接的：每一个输出单元都连接到所有的输入。这两层可以捕捉到人脸图像中距离较远的区域的特征之间的关联性。比如，眼睛的位置和形状，与嘴巴的位置和形状之间的关联性（这部分也含有信息）可以由这两层得到。第一个全连接层F7的输出就是我们原始的人脸特征表达向量。
在特征表达方面，这个特征向量与传统的基于LBP的特征描述有很大区别。传统方法通常使用局部的特征描述(计算直方图)并用作分类器的输入。
最后一个全连接层F8的输出进入了一个K-way的softmax（K是类别个数）,即可产生类别标号的概率分布。用Ok表示一个输入图像经过网络后的第k个输出，即可用下式表达输出类标号k的概率：
训练的目标是最大化正确输出类别（face 的id）的概率。通过最小化每个训练样本的叉熵损失实现这一点。用k表示给定输入的正确类别的标号，则叉熵损失是：
通过计算叉熵损失L对参数的梯度以及使用随机梯度递减的方法来最小化叉熵损失。
梯度是通过误差的标准反向传播来计算的。非常有趣的是，本网络产生的特征非常稀疏。超过75%的顶层特征元素是0。这主要是由于使用了ReLU激活函数导致的。这种软阈值非线性函数在所有的卷积层，局部连接层和全连接层（除了最后一层F8）都使用了，从而导致整体级联之后产生高度非线性和稀疏的特征。稀疏性也与使用使用dropout正则化有关，即在训练中将随机的特征元素设置为0。我们只在F7全连接层使用了dropout.由于训练集合很大，在训练过程中我们没有发现重大的过拟合。
给出图像I,则其特征表达G(I)通过前馈网络计算出来，每一个L层的前馈网络，可以看作是一系列函数：
归一化：&在最后一级，我们把特征的元素归一化成0到1，以此降低特征对光照变化的敏感度。特征向量中的每一个元素都被训练集中对应的最大值除。然后进行L2归一化。由于我们采用了ReLU激活函数，我们的系统对图像的尺度不变性减弱。
对于输出的4096-d向量：
先每一维进行归一化，即对于结果向量中的每一维，都要除以该维度在整个训练集上的最大值。
每个向量进行L2归一化。
2.1 卡方距离
该系统中，归一化后的DeepFace特征向量与传统的基于直方图的特征（如LBP）有一下相同之处：
所有值均为负
特征元素的值都在区间 [0, 1]之间
卡方距离计算公式如下：
2.2 Siamese network
文章中也提到了端到端的度量学习方法，一旦学习（训练）完成，人脸识别网络（截止到F7）在输入的两张图片上重复使用，将得到的2个特征向量直接用来预测判断这两个输入图片是否属于同一个人。这分为以下步骤：&a. 计算两个特征之间的绝对差别；&b,一个全连接层，映射到一个单个的逻辑单元（输出相同/不同）。
3. 实验评估
3.1 数据集
Social Face Classification Dataset(SFC): 4.4M张人脸/4030人
LFW: 13323张人脸/5749人&
restricted: 只有是/不是的标记
unrestricted：其他的训练对也可以拿到
unsupervised：不在LFW上训练
Youtube Face(YTF): 3425videos/1595人
result on LFW：
result on YTF：
DeepFace与之后的方法的最大的不同点在于，DeepFace在训练神经网络前，使用了对齐方法。论文认为神经网络能够work的原因在于一旦人脸经过对齐后，人脸区域的特征就固定在某些像素上了，此时，可以用卷积神经网络来学习特征。
本文的模型使用了C++工具箱dlib基于深度学习的最新人脸识别方法，基于户外脸部数据测试库Labeled Faces in the Wild 的基准水平来说，达到了99.38%的准确率。
http://www.gycc.com/trends/face%20recognition/overview/
dlib：http://dlib.net/
数据测试库Labeled Faces in the Wild：http://vis-www.cs.umass.edu/lfw/
模型提供了一个简单的&face_recognition&命令行工具让用户通过命令就能直接使用图片文件夹进行人脸识别操作。
在图片中捕捉人脸特征
在一张图片中捕捉到所有的人脸
找到并处理图片中人脸的特征
找到每个人眼睛、鼻子、嘴巴和下巴的位置和轮廓。
import face_recognition
image = face_recognition.load_image_file(&your_file.jpg&)
face_locations = face_recognition.face_locations(image)
捕捉脸部特征有很重要的用途，当然也可以用来进行图片的数字美颜digital make-up（例如美图秀秀）
digital make-up:https://github.com/ageitgey/face_recognition/blob/master/examples/digital_makeup.py
识别图片中的人脸
识别谁出现在照片里
本方法支持3/python2，我们只在macOS和中测试过，还不知是否适用于Windows。
使用pypi的pip3&安装此模块(或是Python 2的pip2）
重要提示：在编译dlib时可能会出问题，你可以通过安装来自源（而不是pip）的dlib来修复错误，请见安装手册How to install dlib f source
https://gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf
通过手动安装dlib，运行pip3 install face_recognition来完成安装。
使用方法命令行界面
当你安装face_recognition，你能得到一个简洁的叫做face_recognition的命令行程序，它能帮你识别一张照片或是一个照片文件夹中的所有人脸。
首先，你需要提供一个包含一张照片的文件夹，并且你已经知道照片中的人是谁，每个人都要有一张照片文件，且文件名需要以该人的姓名命名；
然后你需要准备另外一个文件夹，里面装有你想要识别人脸照片；
接下来你只用运行face_recognition命令，程序能够通过已知人脸的文件夹识别出未知人脸照片中的人是谁；
针对每个人脸都要一行输出，数据是文件名加上识别到的人名，以逗号分隔。
如果你只是想要知道每个照片中的人名而不要文件名，可以进行如下操作：
原文标题：Python的开源人脸识别库：离线识别率高达99.38%
文章出处：【微信号：magedu-Linux，微信公众号：马哥Linux运维】欢迎添加关注！文章转载请注明出处。
发布评论请先
因此，当你脑中突然闪现出一句既包含中文也有英文还有N多标点符号以增强语气的台词时，怎么设计一个算法，....
美国加州大学洛杉矶分校的科学家利用光信息实现了神经网络计算，相较传统电子器件，其处理速度接近光速，但....
近日，赛蓝云人脸识别摄像机在2018CES首次亮相，斩获无数与会者的好评。看似简单不过的摄像机，通过....
作为人脸识别技术最先也最普遍的一个应用，安防领域目前已经成为人脸识别技术的一片红海。前有海康威视、大....
相信这样的场景用多了指纹识别的我们一定不陌生，很帅气拿出手机点开支付宝按下指纹，却发现指纹一直无法识....
机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取....
本深度学习是什么？了解深度学习难吗?让你快速了解深度学习的视频讲解本文档视频让你4分钟快速了解深度学....
但是，有一个非常酷的机器学习库 —— dlib 库，一下就吸引了我的注意力。首先，它是用 C ++ ....
我在进行手动标记时，只要露出四分之一脸就算一个人脸，而我的同事们有的会把不明显的也算作人脸，或者看到....
“处理这些图像的棘手之处在于，图像中每个像素并不是全部只属于一个物体。”麻省理工学院计算机科学与人工....
不带现金和公交卡，“刷脸”就能乘公交？在科技高速发展的今天，这可能在不远的将来就能实现。这不，马来西....
“有了这套系统，居委会对实有人口的服务管理会更方便！”近日，安装在南明区花果园社区遵义中路居委会的1....
作为今年开年移动通讯技术领域最重要的展会，MWC 2018已落下帷幕。而被视为智能手机展示的平台，不....
& & 作为一种年轻的编程语言，Python为何能在短短几年的时间内就以迅雷不及掩耳之势驰骋编程界？答案很简单，在人工智...
从 18 世纪开始，随着技术的发展，以及需求的牵引，人类逐渐开始进入技术革命或工业革命。历史上的工业....
随着智慧医疗实验室的成立，商汤科技将加速在医疗领域的研发和落地。目前，商汤科技智慧医疗团队已经吸引了....
在SSD控制中集成了Video的处理单元。对于高清的H.265的处理，以为目前主流的方案还是CPU为....
当下，自动驾驶已经准备上路，汽车也早已大范围网联化，意味着我们已经身处汽车智能网联化时代。汽车智能网....
科学技术的飞速发展逐渐让智能家居开始走进了寻常百姓家，智能门锁、智能猫眼、可视对讲、Wi-Fi门铃等....
尽管Cambou确信前置3D的发展，但对于后置摄影机采用3D仍抱持怀疑态度。他指出，扩增实境(VR)....
图深度学习模型是否很容易被愚弄呢？在这项工作中，我们介绍了第一个针对属性图（ attributed ....
在这一波AI浪潮中，人脸识别作为爆发点，是目前成长最为迅速的AI应用。
这一项算法除了识别表情，还可以和用户体重、性别、年龄以及曾经的购物记录等结合。在三星展示的示意图里面....
2017年，全球人工智能领域单轮融资最高纪录一次次被人脸识别四大独角兽刷新，你追我赶，火药味十足。1....
2017年，全面屏的出现，令各大手机品牌陷入全面屏手机大战之际，也把手机的使用体验提上了一个新的高度....
人工智能的伦理学问题一直是学界和政界关注的重点之一，对于所有人来说，人工智能带来的法律和道德问题都是....
仓储和物流：仓储机器人可应用人工智能算法和大数据来执行各种任务。在山区等人类很难到达和需要花很长时间....
接下来，我们分别来具体介绍这两种形式的PNN模型，由于涉及到复杂度的分析，所以我们这里先定义Embe....
随着全面屏手机的爆发，智能手机对于屏占比的要求越来越高。新的屏下指纹技术得到了越来越多的智能手机厂商....
有人说，概率论线性代数要预先精通；有人说，微积分要懂一点；也有人说，没必要特地去补；甚至有人专门写了....
在笔记 4 中，详细阐述了机器学习中利用正则化防止过拟合的基本方法，对 L1 和 L2 ....
从前面的学习笔记中，和大家一起使用了 numpy 一步一步从感知机开始到两层网络以及最后实现了深度神....
靠脸吃饭，一句听起来不太亲民的口号。
金融是与安防息息相关的领域之一。对于安防人来说，金融安防就是一座金矿，在安防产业中，金融安防就是“....
很多制造流程用的都是自动化技术，但如果能够实现自动化生产，效率就会非常高了，但灵活度会比较低。被中国....
人脸识别有望实现我国人工智能产业的“弯道超车”，增强科技，在世界科技发展上拥有更多的话语权。
特征构造是一个非常耗时的过程，因为每个新特征都需要经过几个步骤去构造，特别是那些需要用到多张表信息的....
首先，如果处理速度对你来说并不重要，Julia可能不如你正在使用的任何产品（至少现在如此）。有些R用....
如果是属于这些性质的问题，机器都可以做，而且最终是会完全代替人的，这种问题也叫“照章办事”。而对于动....
虽然苹果（Apple）2018年新款iPhone及Android阵营新一代旗舰智能手机，都计划全面升....
由图可见，想要进击机器学习，成为机器学习方面的专家，那么你需要从入门、深度学习、数据科学、R语言、P....
[tr][td] 最近在看数字图像处理方面的东东，书看多了，就想实验一下，本想用C之类的来实现的，可是感觉太麻烦，于是就...
用python也差不多一年多了，python应用最多的场景还是web快速开发、爬虫、自动化运维：写过....
使用os模块判断文件
深度强化学习的理论、自动驾驶技术的现状以及问题、深度强化学习在自动驾驶技术当中的应用及基于深度强化学....
纵目科技王凡提出了“自动驾驶安全的马斯洛三角形”，让人耳目一新。
人脸考勤系统，是将先进的人脸识别技术应用到考勤领域的一个成功产品。
英特尔公司想要把更多人工智能(AI)技术整合到各项业务中，该公司在周四宣布收购深度学习创业公司Ver....
银行柜员监控是对正在营业中的柜台营业员实施一对一实时录像，把顾客与柜台营业员每一次发生的业务过程记录....
“刷脸”进站、“刷脸”支付、“刷脸”签到、“刷脸”执法……人脸识别技术正走进更为广阔的应用场景，与指....
近期有线索显示，今年新发布的几款iPhone都将搭载深感相机，支持Face ID（人脸识别），这也从....
MicroPython准备工作:1.& &&&下载rt_thread源码:见附件链接2.& &&&下载ENV工具...
作者：Griffin Lacey Graham Taylor Shawaki Areibi 来源：arxiv
最近几年数据量和可访问性的迅速增长，使得人...
百度人脸识别套件是集算法与软硬件为一体的一站式开发套件，目前人脸识别APP及SDK已开放，助力企业二次开发，加速产品落地...
　　近日，华为云发布了深度学习服务，要让企业智能从此不求人。那么企业云的深度学习服务有哪些能力，为什么能够做到让企业智...
& && &&&人们现在越来越多地要求设计人员为当前网络系统和新产品添加图像和视频分析功能，特别是...
用Python完成项目，编写的代码量更少，代码简短可读性强，团队协作开发时读别人的代码速度会非常快，使工作变得更加高效。优雅做...
1、搭建环境
下载msys2，安装完更新下。具体操作可以百度。记住安装位置，我是直接安装到D盘根目录。
下载gcc-arm-none-eabi，...
Firefly推出了百度人脸识别套件，基于Firefly高性能主板，融合百度AI精准的离线人脸识别技术，集算法与软硬件为一体的开发平...
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-下载客户端X
& 人脸识别考勤机
人脸识别考勤机报价
已选条件：
科密齐心金典飞瑞斯三木浩顺真地天美睿者易通爱宝舒特依时利优玛仕飞鸟EBKN帝申尚吉群英云考勤安琦迅豪艺君容智新奥家宽邦群英优易品阮氏索利克
验证方式：
产品类型：人脸识别考勤机
存储容量：用户容量：500人，记录容量：15万条
通讯接口：TCP/IP，U盘
电源电压：DC 12V
产品长度：200mm
产品宽度：95mm
产品高度：115mm
工作温度：0-40℃
产品类型：面部识别指纹混合考勤机
存储容量：面部识别容量：200
指纹容量：1000
记录容量：80000
通讯接口：USB
产品重量：393g
产品长度：176mm
产品宽度：33mm
产品高度：146mm
验证方式：人脸识别+指
产品类型：微信考勤机
打印功能：无需导出考勤数据，自动同步到电脑后台
时钟功能：有
印字颜色：白色
存储容量：面部识别容量：300枚
指纹容量：3000枚
记录容量：20万条
随机软件：办公逸微信考勤2.0系统
通讯接口：mini接口、USB 2.0免驱动，10M/100M以太网，U盘，wifi实时同步
其它功能：发红包、异地
￥889[市场零售价]
产品类型：指纹考勤机
存储容量：面部识别容量：200张脸，指纹容量：3200枚，记录容量：100000条
通讯接口：TCP/IP，RS485，支持高速U盘上传下载
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：12V，1.5A
产品长度：189mm
产品宽度：123mm
产品高度：153mm
产品类型：指纹面部识别考勤机
存储容量：面部识别容量：500张脸，指纹容量：3000枚，记录容量：100000条
通讯接口：RS232，RS485，USB
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：DC 12V，3A
验证方式：人脸识别，指纹
处理器：Multi-Bio 600
摄像头：高分辨率红外
产品类型：面部指纹考勤机
存储容量：面部识别容量：400张脸，指纹容量：2000枚，记录容量：100000条
随机软件：考勤管理软件
通讯接口：TCP/IP，RS232，RS485，USB
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：DC 12V，3A
产品长度：193.6mm
产品宽度：165.2mm
产品类型：面部指纹考勤机
存储容量：面部识别容量: 1500张脸，指纹容量: 2000枚，记录容量: 100000条
随机软件：考勤管理软件
通讯接口：TCP/IP，RS232，RS485，USB
其它功能：外接定时响铃，记录查询，短消息
电源电压：DC 12V，3A
产品长度：193.6mm
产品宽度：165.2mm
产品类型：人脸云考勤机，混合识别考勤机
存储容量：人脸容量：200张
指纹容量：1000枚
记录容量：10万条
随机软件：考勤软件
其它功能：自动生表
产品长度：183mm
产品宽度：35.5mm
产品高度：132mm
验证方式：指纹考勤，人
产品类型：人脸识别考勤机
存储容量：用户容量：200人，记录容量：10万条
通讯接口：TCP/IP，U盘
电源电压：DC 12V，1A
产品长度：199mm
产品宽度：155mm
产品高度：135mm
工作温度：0-40℃
产品类型：人脸识别考勤机
存储容量：用户容量：300人，记录容量：10万条
通讯接口：TCP/IP，U盘
电源电压：DC 12V
产品长度：230mm
产品宽度：105mm
产品高度：130mm
工作温度：0-40℃
产品类型：面部识别考勤机
存储容量：用户（卡）容量：10000张，面部识别容量：400张脸，记录容量：100000条
通讯接口：TCP/IP, RS232/485，USB-HOST
其它功能：外接定时响铃，夏令时，工作代码
电源电压：DC 12V，3A
产品长度：193.7mm
产品宽度：164.5mm
产品高度：112.5mm
产品类型：指纹考勤机
存储容量：用户数：1000个
面部容量：500张
指纹容量：1000枚
记录容量：100000条
通讯接口：TCP/IP WIFI
其它功能：U盘功能：支持U盘高速上传下载、99位码、记录查询、喇叭响铃、SSR功能、高清摄像头：仅支持考勤拍照功能
电源电压：DC 5V，1A
产品长度：180mm
产品宽度：153mm
产品高度：34mm
产品类型：人脸识别考勤机
存储容量：用户容量：200人，记录容量：10万条
通讯接口：TCP/IP，U盘
电源电压：DC 12V，1A
产品长度：129.12mm
产品宽度：211.08mm
产品高度：117.23mm
工作温度：0-40℃
产品类型：面部识别考勤机
时钟功能：支持
存储容量：人脸容量：1500张
记录容量：200000条
通讯接口：TCP/IP，USB 2.0
电源电压：DC：12V
产品长度：195mm
产品宽度：100mm
产品高度：245mm
产品类型：人脸识别考勤机
存储容量：用户容量：2000人，记录容量：20万条，照片容量：7万张
通讯接口：TCP/IP、U盘
电源电压：DC 12V，1A
产品长度：233mm
产品宽度：227mm
产品高度：74mm
工作温度：0-40℃
产品类型：面部指纹考勤机
存储容量：面部识别容量: 500张脸，卡容量: 30000张，记录容量: 100000条
随机软件：考勤管理软件
通讯接口：TCP/IP，RS232，RS485，USB
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：DC 12V，3A
产品长度：193.6mm
产品宽度：165.2mm
产品类型：面部识别考勤机
存储容量：面部识别容量：500张脸，卡容量：30000张，记录容量：100000条
通讯接口：RS232，RS485，USB
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：DC 12V，3A
验证方式：人脸识别
处理器：Multi-Bio 600
摄像头：高分辨率红外
产品类型：人脸识别考勤机
存储容量：记录容量：10万条
通讯接口：TCP/IP，U盘
电源电压：DC 12V，1A
产品长度：199mm
产品宽度：155mm
产品高度：135mm
工作温度：0-40℃
产品类型：指纹考勤机
存储容量：用户数：200个
面部容量：200张
指纹容量：400枚
记录容量：50000条
通讯接口：TCP/IP
其它功能：U盘功能、9位码、SSR功能、定时响铃、T9输入法、PhotoID、高清摄像头、多种验证
电源电压：DC 5V，1A
产品长度：162mm
产品宽度：153mm
产品高度：30mm
产品类型：面部识别考勤机
存储容量：面部识别容量：200张脸，卡容量：10000张，记录容量：100000条
通讯接口：TCP/IP，USB-HOST
其它功能：外接定时响铃，夏令时，记录查询，工作代码，短消息
电源电压：12V，1.5A
验证方式：人脸识别，刷卡
处理器：Multi-Bio 600，ZEM600多媒体开发平台
摄像头：高分辨率红外
￥549[厂商指导价]
产品类型：人脸识别考勤机
存储容量：用户容量：200人脸用户，记录容量：10万条
通讯接口：TCP/IP，U盘
其它功能：内存：64MB SDRAM
闪存：128MB NAND FLASH
电源电压：DC 12V，1A
产品长度：129mm
产品宽度：211mm
产品高度：117mm
产品类型：指纹考勤机
存储容量：用户数：1000个
面部容量：300张
指纹容量：1000枚
记录容量：100000条
通讯接口：TCP/IP WIFI
其它功能：U盘功能：支持U盘高速上传下载、9位码、SSR功能、定时响铃、T9输入法、PhotoID、高清摄像头、多种验证、天气预报
电源电压：DC 5V，1A
产品长度：169mm
产品宽度：149mm
产品高度：33mm
产品类型：人脸识别考勤机
打印功能：自动生成报表
存储容量：200人
管理记录容量：80000条
通讯接口：USB
产品重量：0.8kg
产品长度：110mm
产品宽度：32mm
产品高度：173mm
产品类型：人脸识别考勤机
存储容量：用户容量：150人，记录容量：10万条
通讯接口：USB接口，U盘，Micro USB接口
电源电压：DC 12V，1A
产品长度：40.8mm
产品宽度：82mm
产品高度：210mm
工作温度：0-40℃
还有款人脸识别考勤机&&
考勤门禁系统
相关类别：
热门类别：