回想一下日常生活中的场景:起床后打开手机，无需输入密码或指纹验证，将手机屏幕举到脸上即可自动解锁；进入公司考勤卡无需排队验证，只需把脸对准机器扫描放松后再进入；去自动售货机休闲的时候，不用拿着手机到处跑。只要站在自动售货机前刷脸付款，就能购买成功。.....
这样的野外场景想必大家都不陌生，那么支撑这些场景落地的技术有哪些呢？
这类设备的操作过程其实可以统称为人脸识别系统。根据英国赫特福德郡大学和GBG Plc的研究人员发表的评论论文，它主要由人脸检测、人脸对齐、人脸表示和人脸匹配等模块组成。这里就不赘述了，智能人脸识别分析中的两个重要功能都是通过人脸检测和人脸识别来完成的。
其中，人脸检测技术完成了两项任务:一是判断采集设备是否包含人脸区域；第二，如果有人脸，预测人脸的位置，标记人脸的位置。之后，人脸识别技术将会取而代之。
人脸识别技术接手后，利用自己的核心算法，对面部特征、脸型、角度进行计算分析，然后与自己数据库中已有的模板进行比对，从而判断用户的真实身份，执行设备指令。
01人脸识别技术的三种模式在实际应用中，人脸识别技术有三种模式，即1: 1模式、1: n模式和m: n模式。
M: N模式是计算机将场景中识别的人脸信息与人像数据库中每个人的信息进行比对。所以在大部分采集设备进行人脸识别计算分析的过程中，采用的是M:N模式。
然而，这种模式有一些缺陷。比如算法需要海量的人脸数据库才能运行。此外，由于识别基数过大、数据库中设备分辨率不足等外界干扰因素，M: N模式往往导致错误率较高，影响识别结果，甚至出现盗刷的安全问题。
验证你是你与寻找我是谁从定义上来说，1: 1本质上是“证明你就是你”的过程，即快速将你的人脸与数据库进行比对，看是否匹配；1: n是“找出我是谁”的过程，即在海量的人像数据库中找到采集设备当前用户的人脸数据进行匹配。
一旦n变大，人脸识别就会更加困难。所以从技术难度和落地场景来看，1:N的难度高于1:1。
02一款阿里云视觉智能开放平台人脸1：N的开源替代但随着技术的不断进步和完善，1:N的实际应用场景正在行业实际应用市场中逐渐扩大。
比如在阿里云视觉智能开放平台下，围绕“人脸”类别的视觉AI算法，线上线下，包括1: n的人脸比对。
根据官方介绍，在使用人脸1: n比对之前，需要创建相应的人脸库，并将相应的人脸数据添加到人脸库中。以上工作准备就绪后，输入单张人脸图片，调用人脸比对1: n算法，与人脸数据库中的人脸图片进行比对，输出结果。
今天我们就来介绍一个开源的替代项目， face-search，它在Gitee上开源，由Java开发，类似于阿里云视觉智能开放平台的face 1: n。
值得注意的是，本项目使用的模型都是开源模型。该项目支持milvus和proxima矢量库，具有较高的定制能力。
face-search 开源许可: MIT项目地址:https://gitee.com/open-visual/face-search
项目部署1.使用milvus作为矢量搜索引擎 Docker-compose-f Docker-compose-milvus . yml-compatibility up-d 2 .使用proxima作为矢量搜索引擎 Docker-compose-f Docker-compose。
1.克隆项目
git clone https://gitee.com/open-visual/face-search.git
2。项目打包
CD人脸搜索& & sh scripts/docker _ build . sh如何提供人脸搜索服务？ 地址:/visual/search/do 消耗:[应用程序/json] 制作:[& # 34；*/*"] {
& # 34；名称空间& # 34；: ""，
& # 34；collectionName & # 34: ""，
& # 34；imageBase64 & # 34: ""，
& # 34；faceScoreThreshold & # 34:0，
& # 34；置信度阈值& # 34；:0，
& # 34；极限& # 34；:0，
& # 34；maxFaceNum & # 34:0
}
其他关于
