人脸识别方案
在人脸识别人脸检测工作中，可以使用Adaboost算法选择能代表中国脸的矩形特征(弱分类器)，根据企业加权投票将弱分类器组成强分类器。训练学生的几个强大的分类器连接的重要组成部分是级联结构的级联分类器。对提高垃圾分类器的检测速度很有效。人脸识别面部检测:面部数据检测实际上是通过面部图像识别的预处理，即在画像中准确测量人的面部位置和大小。脸部肖像画的图案特征，包括直方图特征、颜特征、模板特征、结构特征、Har特征等。面部检测方法是从中选择有用的信息，利用我们这样的企业特点实现面部检查。(阿尔伯特爱因斯坦、面部检测、面部检测、面部检测、面部检测、面部检测、面部检测、面部检测)。
在现实场景中，往往前端设备抓拍获得的人脸不一定是正脸的角度，所以需要将图像中的人脸姿态进行矫正。通过人脸关键点检测得到人脸的关键点坐标，根据人脸的关键点坐标调整人脸的角度，使人脸对齐。如图，这两个脸在计算机看来，是不同的两张脸，因此我们需要通过一些仿射变换将脸部进行对齐。 仿射变换的功能是从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”（直线之间的相对位置关系保持不变，平行线经仿射变换后依然为平行线，且直线上点的位置顺序不会发生变化）。
人脸识别率 受多种因素影响“现有的人脸识别系统在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是，在用户不配合、采集条件不理想的情况下，现有系统的识别率将陡然下降。人脸识别技术远未达到实用水平，还存在着诸多的挑战性问题需要解决。比如，人脸比对时，与系统中存储的人脸有出入，例如剃了胡子、换了发型、多了眼镜、变了表情都有可能引起比对失败。也就是说，人如果发生微小变化，系统可能就会认失败。如今，保守估计，人脸识别技术准确率能达到95%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。
人脸的建模与查找:
能够将备案进库的人像数据信息开展建模获取人脸的特点,并将其转化成人脸模版(人脸特点文档)储存到数据库查询中。在开展人脸检索时(检索式) , 将特定的人像开展建模,再将其与数据库查询中的任何人的模版对比对分辨,最后将依据所核对的类似值列举最类似的工作人员目录。