主流的人臉檢測方法基于以上特征采用Adaboost學習算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。以人臉識別和深度學習為核心，為政企商客戶提供計算機視覺與機器學習領域的各項專業(yè)技術服務、軟硬件一體化解決方案，助力各行業(yè)客戶在人工智能時代獲得自主迭代和自我學習的人工智能創(chuàng)新和應用能力。人臉檢測過程中使用Adaboost算法挑選出一些能代表人臉的矩形特征(弱分類器)，按照加權投1票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯(lián)組成一個級聯(lián)結構的層疊分類器，有效地提高分類器的檢測速度。

基于知識的表征方法主要是根據(jù)人臉器1官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數(shù)據(jù)，其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。算法工程師通常需要一定的可視化手段才能知道機器到底學習到了哪些利于區(qū)分不同人的特征，當然這部分不是本節(jié)重點。基于知識的人臉表征主要包括基于幾何特征的方法和模板匹配法。

　基于統(tǒng)計的人臉檢測技術——通過對于“人臉”和“非人臉”的圖像大量搜集構成的人臉正、負樣本庫，采用統(tǒng)計方法強化訓練該系統(tǒng)，從而實現(xiàn)對人臉和非人臉的模式進行檢測和分類。

　　從技術層面，人臉識別改進的辦法可從上述三個方面。任何一個細節(jié)技術的突破都可能帶來識別率的提升改進。

除了上述三個技術層面改進人臉識別，也有很多上游企業(yè)在做人臉識別技術改進的研究，如通過在元器件上的改進，提升人臉識別準確率。

人臉識別主要功能：

圖片抓拍：對進入的人員實時圖片抓拍。

名單同步：系統(tǒng)連接了客戶端后，自動更新同步客戶端的白名單庫、黑名單庫。

自動預警：當黑名單人員刷身1份證，系統(tǒng)讀取身1份證信息完成后，與黑名單庫人員進行比對，當判定此身1份證是黑名單后，則系統(tǒng)進行黑名單預警，系統(tǒng)提示比對失敗。

記錄查詢：對進入的人員可進行后臺記錄查詢。

事件查詢：對事件發(fā)生時間段人員進出進行報表輸出，方便事件人員確認和事件確認。

門禁控制：當陌生人或白名單人員刷身1份證比對成功或白名單人員刷臉自動識別通過后，系統(tǒng)控制門禁自動開門；若比對失敗，則系統(tǒng)不會控制門禁自動開門。

主動式補光功能：在弱光條件下，可以手動打開前置補光燈。