人脸识别：关于人脸识别的实现方法和解决方案

人脸识别系统主要工作环节：

1、注册人脸原始基材照片

这个环节和传统的用户注册道理一样，传统的用户注册需要填写手机号、用户名、密码等信息。人脸注册相当于在传统注册基础上拍一张照片。注册环节可采用app封闭式注册，即：用户无法通过手动上传照片注册；也可进行小程序开放式注册：1、用户首先上传一张身份证；2、系统通过调用前置摄像头拍一张用户照片；3、用身份证照片和用户照片进行比对，比对成功则表示实名制通过。

2、人脸识别

用手机摄像头或传统的外置摄像头采集照片，将采集到的照片和原始基材照片进行比对，后端程序会产生两张照片的匹配值 0.00000-1  值越高则表示匹配度越高；我们根据预设的值确定识别是否成功，例如：设置0.8及以上为识别成功；反之为识别失败。

3、软件工作原理

软件启动后首先将已经注册的人脸照片进行导入、然后提取人脸特征，最后将人脸图像转换成image集合；

软件至此初始化完成，侦听端口开始随时响应比对请求；

问题来了：如果基材库有1万张（或更多）照片，一次把这些提取转换成集合，服务器会立刻宕机，所以需要分批比对，如果照片很多，即便分配比对也非常耗时；

支付宝的线下刷脸机是这么解决的：

第一次刷脸场景：需要输入自己的【手机号】这样就容易多了；

请求提交后，云端系统会根据手机号，把你在云端之前存储的照片提取出来（只需要取一张照片），放入集合和你现场照片进行比对；

比对成功则发起支付逻辑。

刷脸设备本地把你当前的照片和手机号进行存储，以备下次使用；

第二次刷脸场景：

刷脸后，设备先在本地脸谱库里找有没有你的信息，如果没有：重复上一步流程，如果有，则取出上次的手机号和你本次的照片发送至云端；

这时候引申出另外一个可以忽略的问题，本地比对照片可以忽略效率问题，本地机器存储的照片往往优先；

比对之前将系统库的全部照片提取出来，分成几个集合小组（例如：每个比对集合100张照片 每个照片1M）每个集合也就占用100M左右的内存，一万人的照片也就是100个集合，完全不存在宕机的情况；

支付宝云端就不同了，它不可能为了你一次请求提出数亿人的头像供你比对。

软件主界面

软件即可单机使用也可配置网络参数成为服务器使用

软件采用c#开发 核心算法采用c++开发

支持用户自定义构建人脸库 基材照片适应性极强

配置服务器模式后 软件自行守护在任务栏侦听网络请求