YOLO模型和mtcnn模型对比，在做人脸识别时，有何不...脸进行比对从而达到识别的目的。
如MTCNN(Multi-task Cascaded Convolutional Neural Networks)，MTCNN人脸识别的主要方法是：
当给定一张照片的时候，将其缩放到不同尺度形成图像金字塔，以达到尺度不变。
步骤1：使用P-Net生成候选窗和边框回归向量(bounding box regression vectors)。使用Bounding box regression的方法来校正这些候选窗，使用非极大值抑制(NMS)合并重叠的候选框。全卷积网络和FasterR-CNN中的RPN一脉相承；
步骤2：使用N-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；
步骤3：最后使用O-Net输出最终的人脸框和特征点位置。和第二步类似，但是不同的是生成5个特征点位置。
可以看出，MTCNN是使用分阶段的方式实现人脸检测及人脸对齐任务，即每一个阶段由一个网络组成，使用中需要对这些网络进行分阶段的训练，这样的识别方式显然不是一种端对端的学习方式，人脸识别效率慢。且网络泛化能力弱、鲁棒性差。
人脸识别的算法component analysis，Hidden Markov ModeI(HMM) l 引言近十年来，人脸识别的研究有了很大进展。与指纹、语音等其他人体生物特征相比，人脸识别更加直接、友好，在身份识别，视频检索，安伞舱控等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点【”特征提取在人脸识别中的作用至关重要，如何根据人的视觉机制提取有效的特征一直是模式识别领域的研究热点。早期的研究中有人用Gabor小波对大脑皮层的视觉感知细胞的性态进行建模‘，即可以把每个视觉细胞看作一个具有一定方向和尺度的Gabor滤波器。当外界刺激(例如图像信号)输入到视觉细2004．08．09收到．2005．01．1】改回中国科学院科技创新基金资助课题胞时，视觉细胞的输出响应就是图像与Gabor滤波器的卷积，而这个输出信号经大脑的进一步处理后形成最后的认知映像。
http://www.jdl.ac.cn/project/faceId/res-identify.htm
http://www.cqvip.com/qk/91130A/200603/21450873.html
(这个网站里面有很多这方面的参考文献)
Z33-1109门厅鞋柜储物柜
人脸精确识别的数学模型技术研发
人脸识别技术是基于深度学习方法，结合海量训练数据集，在CUDA并行计算平台上深度学习并提取人脸特征，实现基于活体人脸对比和检索，高清晰人脸实时标定和抓拍。系统可实现毫秒级检索大规模人脸数据库，迅速给出身份认证。
全家桶方案：
1. 本地服务器方案；
2. 云服务器方案；
3. android单机版；
4. 网络摄像机IPC方案；
5. 防照片攻击；
人脸识别 1:N 与 1:1
无需任何交互操作，“刷脸”即可实现身份识别；
主动采集，自动识别，无需预操作和姿势位置配合；
提升用户体验，引领传统人脸识别走向人工智能和深度学习平台；
人脸跟踪
实时视频流中实现实时人脸跟踪，为应用或设备提供了更多想象空间。创新的人机交互、客户关注度跟踪、门禁防尾随、出入口人员动态识别、陌生人员预警等等，都可以一一实现。
人脸检测
利用深度学习算法，基于大量素材的机器学习，不论是视频还是图片，人脸检测技术都能够快速准确 识别人脸。即使在复杂环境、多人脸、光线不佳、大角度人脸的情况下也能够有优异的表现。
性别与年龄识别
人脸识别系统中的性别与年龄
模块，可以从图片或者视频流中精确快速获取到人物的性别与大致年龄。
人脸关键点
动态人脸关键点检测，精准定位视频中人脸关键部位并精准跟随，明确人脸轮廓及眉、眼、鼻、嘴等各关键部位。 即使低头、侧脸等条件下也能够精准检测，可应用于防照片攻击动态识别、活体识别等特定应用场景。
防照片
双目摄像机方案，有效防止照片攻击，在门禁等特定高等级应用场景，杜绝各种照片、头套等非活体进行攻击识别。 适用于各种高等级安防要求场所。 动作识别方案更可以在不增加硬件成本的基础上，有效防止照片攻击，根据提示张嘴或眨眼即可；
活体检测（3D结构光）
3D结构光活体检测，通过主动光发射，在物体上形成光栅，并接受光反射信息进行活体分析。 3D结构光进行活体检测是，不依赖自然光照即可完成。 3D结构光成像稳定，抗攻击能力强，并具备超强的图像噪声抗干扰能力，是当下最前沿的活体检测技术。
人脸识别SDK 人脸识别动态服务器 人脸识别静态服务器 人证通离线版人脸识别
人脸关键点 人脸识别摄像机 单机版人脸识别 人脸识别闸机 静默活体检测
人脸检测
