随着疫情在世界范围内的肆虐，利用生物识别手段来实现高效即时的防疫已成为人工智能的新研究方向。
面对各个行业的复工复产，对工作人员或学生的防疫检测已经成为了当下的主流，但实地落实时还有很多弊端，例如操作过程复杂，人员劳动量大，检查过程不规范等，这些都会为防疫落实带来影响，因此设计智能防疫系统替代人工检测成为必然，本设计通过人脸识别对被测者进行身份核实与记录，如果通过核实则进行红外测温和口罩检测，若被测者信息不匹配、体温异常或未佩戴口罩，本地便会触发异常报警，并将相关信息反馈上云，实现防疫检测去人工化，达到更高效防疫实施和更精准的防疫效果。
本设计的关键是人脸识别技术的应用，而传统的人脸识别技术是基于可见光图像的人脸识别，但这种方法受到环境光照的影响较大，如光照强度变化较大的时候，识别效果会急剧下降。
人脸识别设计
基于多分类的人脸识别方法多分类器方法主要是运用数据库内数据的整合拼凑来获取目标图像数据的，首先需要将人脸的不同变化数据分别存储于多个分类器中，每个分类器中储存一种人脸状态。在进行数据采集时便将数据分成不同种类，再根据数据的分类器储存数据的不同从数据库中提取所需的数据。特征提取完成后，将提取到的数据进行拼凑叠加，这种识别的方法因为是将大量的表情进行聚类，所以当遇到光照或者表情的变化时，表现得相比于其他的方法要好一些，但也存在着采集系统过于庞大和数据传输过于缓慢的缺点。
基于几何识别的人脸识别方法几何识别方法是利用人脸器官特征轮廓的分布比例进行数据分析，从而构建模型的。主要是将人脸构建一个矢量的人脸几何模型。Ｃｒｏｗ曾提出人脸椭圆特征检测，是将人脸分为三个部分进行检测，根据曲线进行模拟人脸。后又由ＤＲ．Ｇｐｖｉｎｄａｒａｊｕ等人进行方法改进，提高了精确度，该方法的缺点就是当人脸的表情不同或体态不同时都会有较大的影响，导致识别效果不准确。
基于深度学习的人脸识别方法神经网络的手段是综合运用深度卷积、网络级联、面部区域识别等技术，从标签相关性加权和多分支网络融合两方面，综合研究基于机器视觉的人脸属性识别技术该方法是现在人脸识别应用的主流技术，基于深度学习的人脸识别识别速度快，适应力强应用场景复杂多样，弊端是神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。
人脸识别算法使用开源的Ｒｅｔｉｎａｆａｃｅ人脸识别算法实现人脸识别功能，ｒｅｔｉｎａｆａｃｅ是一种鲁棒的ｓｉｎｇｌｅｓｔａｇｅ人脸检测器，这种算法利用额外监督（ｅｘｔｒａ－ｓｕｐｅｒｖｉｓｅｄ）和自监督（ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄ）结合的多任务学习（ｍｕｌｔｉ－ｔａｓｋｌｅａｒｎｉｎｇ），能对不同的人脸进行像素级的定位。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
