项目代码链接：https://github.com/ShiqiYu/libfacedetection开源人脸检测库libfacedetection，有如下特点：深度模型仅有85K个参数。采用AVX512/AVX2/NEON指令提速。代码简短和简洁，只有一千多行代码。代码不依赖任何其他第三方库，只要平台能编译C++则可使用。项目License采用3-Clause BSD License，可以商业应用。上一次更新的变化（本次更新只是模型参数数值不同）：参数数量由2340K降到85K，参数量仅为上一版本的1/30。弃用int8，采用float，节约数据类型转换时间，且代码更为简洁。速度略有提升（提升速度好难，花了四五个月）。训练程序采用我们新设计的EIoU损失函数，提升了准确率（论文：Hanyang Peng and Shiqi Yu, A Systematic IoU-Related Method: Beyond Simplified Regression for Better Localization, IEEE Transactions on Image Processing,  vol. 30, pp. 5032-5044, 2021.)准确率参数如下：本次更新在Wider Face上的准确率变化AP_easy:   0.834->0.856AP_medium: 0.824->0.842AP_hard:   0.708->0.727主要贡献人：这一版主要贡献人：吴伟同学 参考文献：Yuantao Feng, Shiqi Yu, Hanyang Peng, Yan-ran Li and Jianguo Zhang, Detect Faces Efficiently: A Survey and Evaluations, IEEE Transactions on Biometrics, Behavior, and Identity Science,（论文近日将上线）Hanyang Peng and Shiqi Yu, A Systematic IoU-Related Method: Beyond Simplified Regression for Better Localization, IEEE Transactions on Image Processing, vol. 30, pp. 5032-5044, 2021. 

分析　　生物特征识别就是采用某种技术和手段对人的身份进行标识，从而依据该标识对人进行身份识别，以达到监督、管理和控制目的的一种技术。用于身份识别和个人信息管理的技术和手段层出不穷，传统的个人信息鉴定方法包括个人特征。如身份证、工作者、学生证、磁卡、智能卡、口令密码等，这些分身验证方法普遍存在易丢失、易破解、易伪造、不易携带等缺点，而且在安全性和鉴定速度方面也已经不能满足人们的需求，这些技术虽然方便快捷，但其致命的缺点是安全性差、易伪造、易窃取等。近年来，计算机的广泛应用使得生物特征识别进行身份识别成为可能。生物特征　　生物特征识别的方法越来越多地被应用于身份识别领域。生物特征识别技术（Biometric Identification Technology）是指**固有的特征为判别标准，达到精确鉴定人身份的技术。这些固有特征包括人脸、虹膜、指纹、掌纹等，也被称为生物模态。这些特征除了外伤等特殊情况下一般会伴随人的一生，而不会改变或者变化很小。生物识别技术对每个个体都具有随身携带性和持久性；对不同个体具有普遍性和唯一性等优于传统身份识别的特点。基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。结合　　结合计算机技术，发展起来了众多jiy基于人类生物特征的人类身份识别技术，如人脸识别技术、指纹识别技术、虹膜识别技术。这些识别技术具有特征录入较为方便、信息丰富、使用范围广等优点。因此有着广阔的应用前景。识别　　1）人脸识别主要通过人脸特征进行识别，也是人们最早使用的生物特征识别技术之一，是一种比较友好、直观、更容易被人接受的识别方式。在实际应用中，人脸识别易于使用，无须使用者的主动参与，尤其适用于视屏监控等应用。但人脸识别的缺点在于稳定性较差，很容易受周围环境、饰物、年龄、表情等干扰，造成错误的识别。另外，对双胞胎、多胞胎的鉴别仍然无能为力。　　2）虹膜识别主要基于虹膜的生理结构，利用虹膜中存在的细丝、斑点、凸点、射线、皱纹和条纹等特征进行识别。据称，没有任何两个虹膜是一样的。虹膜身份认证的可靠性高，其错误接受率和错误拒绝率很低。　　3）指纹识别主要通过分析指纹的全局特征和局部特征进行识别，常用的特征如指纹中的嵴、谷、终点、分叉点和分歧点等。随着指纹识别技术的发展和指纹采集设备的价格降低，指纹识别不仅广泛应用于司法和商务活动中，也越来越多地在笔记本电脑、手机、存储器等终端设备中使用。但采集指纹时要求保持手指的洁净和光滑，污垢和疤痕都会给识别带来困难。老年人和手工劳动者的指纹由于磨损严重而不易识别。另外，在实际采集中发现，由于在犯罪记录中常使用指纹，导致很多人害怕将指纹记录在案，从心理上不愿意接收这种识别方式。目前　　目前，无论是字符识别（如手写数字识别、邮政编码识别、汽车牌照识别、文字识别等）还是人类生物特征识别（如人脸识别、指纹识别、虹膜识别等）的项目开发技术，他们涉及数字图像处理、模式识别、人工智能、智能计算等多个学科领域。随着高科技的发展，这些项目应用已成为衡量当代高科技水平的重要手段。

介绍　　基于人脸图片中可能存在的畸变、摩尔纹、反光、倒影、边框等信息，判断图片中的人脸是否来自于真人**，有效抵御纸质翻拍照、电子翻拍照以及视频翻拍等各种攻击方式。静默**检测支持单张图片，不支持多人脸图片。约束限制只支持识别JPG、PNG、JPEG、BMP格式的图片。application/json请求的body中，请使用标准Json格式。Base64编码中请勿使用回车换行。系统不保存用户图片。图片大小小于8MB，由于过大图片会导致时延较长，并且图片信息量不大，建议小于1MB。图片分辨率小于4096*2160，图片中人脸像素大于40*40，建议120*120以上。为保证识别效果，人脸图片建议要求如下光照大于200lux、无反光强光阴影现象。人脸无遮挡、整体清晰无拖尾抖动等运动模糊。侧脸不超过30°、俯仰角小于15°、偏转角小于15°、图片中人脸保持竖置正脸。其他的约束限制信息请参见1.4 约束限制章节。建议由于过大图片对识别算法精度无明显提升，同时会导致时延较长，建议传入图片小于1MB，一般500KB左右足够。OBS上存储的图片也建议小于1MB。图片中人脸像素建议120*120以上。

人脸识别出现通过率低　　前端需要抓拍多张才能找到阈值（0.93）以上的结果。问题原因　　底库照片质量不好。　　前端抓拍条件很差。　　前端抓拍到的人脸姿态跟底库照片的姿态相差较多，或者底库照片与抓拍的人像相差太多。解决方案　　重新录入底库的照片，将质量差的底库照片更换。　　改善前端抓拍条件，调节光照，避免背光情况。运动模糊，去掉模糊照片，调节摄像头参数。　　相差太多的情况，可以采用一个人录入多张人脸的方式。录入的人脸应该采用不同的姿态，需要跟抓拍的人脸姿态相近，或者直接采用抓拍到的图像质量比较好的人脸作为底库录入。

人脸识别服务（Face Recognition Service，简称FRS），是基于人的脸部特征信息，利用计算机对人脸图像进行处理、分析和理解，进行身份识别的一种智能服务。人脸识别以开放API（Application Programming Interface，应用程序编程接口）的方式提供给用户，用户通过实时访问和调用API获取人脸处理结果，帮助用户自动进行人脸的识别、比对以及相似度查询等，打造智能化业务系统，提升业务效率。当前人脸识别提供了以下子服务：人脸检测人脸比对人脸搜索**检测人脸检测人脸检测是在图像中准确识别出人脸的位置和大小。用户通过该服务，可以同时识别出图片中包含的不同倾角正脸及侧脸。该子服务是人脸识别领域的基础服务，适用于安防、电子身份、公安刑侦等众多应用场景。图1 人脸检测示意图人脸比对通过对人脸区域的特征进行对比，该服务可以返回给用户两张图片中人脸的相似度。如果两张图片中包含多张人脸，则在两张图片中选取最大的人脸进行相似度比对。图2 人脸比对示意图人脸搜索人脸搜索给用户提供了人脸集操作相关的API。用户可以通过创建人脸集合接口创建属于用户的人脸集；通过添加人脸接口向人脸集中添加图片；通过查询人脸搜索接口，返回与输入人脸相似度最高的N张人脸图片；通过删除人脸接口从人脸集中删除用户不需要的人脸特征；通过删除人脸集接口删除用户创建的人脸集。人脸搜索可用于企业、住宅的安全管理、公安刑侦等多种场景，但由于翻拍照片和本人照片人脸搜索服务无法感知，不可用于防翻拍场景。图3 人脸搜索示意图**检测动作**检测动作**检测的功能是通过判断视频中的人物动作与传入动作列表是否一致来识别视频中人物是否为**。如果有多张人脸出现，则选取最大的人脸进行判定。静默**检测静默**检测是基于人脸图片中可能存在的畸变、摩尔纹、反光、倒影、边框等信息，判断图片中的人脸是否来自于真人**，有效抵御纸质翻拍照、电子翻拍照以及视频翻拍等各种攻击方式。静默**检测支持单张图片，不支持多人脸图片。

分析　　受技术与成本多种因素制约，人脸识别服务存在一些约束限制。其中系统级约束限制，是所有子服务的约束。除系统级约束限制外，各子服务还有独立的约束条件。静默 Huoti 检测　　1、图片大小小于8MB，由于过图片过大会导致图片在网络传输过程中耗时较长，建议小于1MB。　　2、图片分辨率小于4096*2160，图片中人脸像素大于40*40，建议120*120以上。　　3、为保证识别效果，人脸图片建议要求如下：　　4、光照大于200lux、无反光强光阴影现象。　　5、人脸无遮挡、整体清晰无拖尾抖动等运动模糊。　　6、侧脸不超过30°、俯仰角小于15°、偏转角小于15°、图片中人脸保持竖置正脸。

功能说明　　本节定义了人脸识别服务上报云监控服务的监控指标的命名空间、监控指标列表和维度定义，用户可以通过云监控服务提供管理控制台或API接口来检索人脸识别服务产生的监控指标和告警信息。命名空间　　SYS.FRS监控指标指标ID指标名称指标含义取值范围测量对象监控周期（原始指标）api_calls成功调用次数该指标用于统计接口的成功调用次数。单位：次≥ 0 times接口1分钟error_4xx4xx失败调用次数该指标用于统计接口的4xx失败调用次数。单位：次≥ 0 times接口1分钟error_5xx5xx失败调用次数该指标用于统计接口的5xx失败调用次数。单位：次≥ 0 times接口1分钟average_latency平均时延该指标用于统计接口的平均时延。单位：毫秒≥ 0 ms接口1分钟face_number人脸数量该指标用于统计人脸库的人脸数量。单位：个≥ 0 counts人脸库1分钟维度KeyValuecall_of_api接口face_set人脸库

一　　登录人脸识别管理控制台。二　　在左侧导航栏中选中“服务列表”，选择“管理与部署 > 云监控服务 ”。三　　展开左侧导航树的“云服务监控”，单击待查看的云服务。四　　单击操作列“查看监控指标”，进入指标监控页面。五　　在监控区域，您可以通过选择时长，查看对应时间的监控数据。六　　您可以根据需要选择查看云服务“近1小时”、“近3小时”、“近12小时”、“近24小时”和“近7天”的监控数据。

一　　局部二值模式（Local binary patterns LBP）是计算机视觉领域里用于分类的视觉算子。二　　LBP，一种用来描述图像纹理特征的算子，该算子由芬兰奥卢大学的T.Ojala等人在1996年提出。。三　　2002年，T.Ojala等人在PAMI上又发表了一篇关于LBP的文章非常清楚的阐述了多分辨率、灰度尺度不变和旋转不变、等价模式的改进的LBP特征。四　　LBP的核心思想就是：以中心像素的灰度值作为阈值，与他的领域相比较得到相对应的二进制码来表示局部纹理特征。五　　LBP是提取局部特征作为判别依据的。六　　LBP方法显著的优点是对光照不敏感，但是依然没有解决姿态和表情的问题。七　　不过相比于特征脸方法，LBP的识别率已经有了很大的提升。

一　　线性鉴别分析在降维的同时考虑类别信息，由统计学家Sir R. A.Fisher1936年发明（《The useof multiple measurements in taxonomic problems》）。二　　为了找到一种特征组合方式，达到最大的类间离散度和最小的类内离散度。三　　这个想法很简单：在低维表示下，相同的类应该紧紧的聚在一起，而不同的类别尽量距离越远。四　　1997年，Belhumer成功将Fisher判别准则应用于人脸分类，提出了基于线性判别分析的Fisherface方法

【功能模块】有没有哪位大佬有 人脸识别服务 FRS产品】【SDK3.0.58】这个SDK版本的demo 案例,急救！！！

【功能模块】python版本-人脸检测-presenterserver功能https://gitee.com/ascend/samples/tree/master/python/level2_simple_inference/2_object_detection/face_detection_camera#%E6%A0%B7%E4%BE%8B%E9%83%A8%E7%BD%B2【操作步骤&问题现象】1、已修改征率为10，运行案例时，摄像头刚开始能够实时读取数据并由代码处理分析，但是仅仅在运行不到1min时，就又出现画面卡死了。2、观察开发板的终端terminal界面，没有实时分析结果的输出【见截图中右侧terminal所示】【截图信息】【日志信息】（可选，上传日志内容或者附件）

【功能模块】Atlas200DKYOLOV3_coco_detection_video 样例【操作步骤&问题现象】1、将本样例自带的yolov3模型换成了人脸检测的模型，模型下载地址如下：https://gitee.com/ascend/modelzoo/tree/master/contrib/TensorFlow/Research/cv/facedetection/ATC_resnet10-SSD_caffe_AE#https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/facedection/face_detection_fp32.caffemodel2、本样例使用openv读取视频帧，模型转换时aipp配置尝试了YOLOV3_coco_detection_video 样例中的配置文件aipp_bgr，也尝试了各种其他的色域转换的方案3、程序中也将和CreateModelInputdDataset相关的代码由原始的4输入改成了2输入4、但是视频推理还是没有结果，发送网页后能正常播放，但是不能进行人脸检测。【截图信息】【日志信息】（可选，上传日志内容或者附件）

第一张：尝试原SDK代码测试及直接post请求API数据发送本地皆失败第二张：API Explorer SDK代码示例在线调试截图在错误码中搜索FRS0017后查询到是body类体积过大，可是正常在API上输入图片样例却能正常运行，也无法进一步查看body源码，因而求助

刷脸支付已经走入我们的生活，人们将脸对准普通的智能手机的摄像头完成支付交易的身份识别与授权，就可以完成刷脸支付的全过程。作者：振亭   来源：快科技刷脸支付已经走入我们的生活，人们将脸对准普通的智能手机的摄像头完成支付交易的身份识别与授权，就可以完成刷脸支付的全过程。虽然刷脸支付非常方便，但是这项支付手段也存在一定的风险。8月28日消息，据央视报道，近日广州互联网法院通报了一起因为“刷脸”引发的纠纷。2020年，广州某银行起诉称，2019年11月25日，王女士在某银行线下营业网点申请设立借记卡账户。按照该银行要求，王女士现场填写了开户签约申请表，随后在该银行营业厅的自助柜员机经人脸识别核验身份后，自助办理了借记卡账户业务，并开通了手机银行功能。随后，王女士通过手机银行申请了一笔约一万多元的借款，但是借钱之后就没有再还款了，于是银行起诉借款人王女士，但法院经过审理发现借款人可能另有他人。视频王女士辩称，她的身份证在2019年10月18日，也就是开卡和在线借款之前就已经被盗遗失，当时已向公安机关报案并办理了挂失手续，所以不应该由她来承担还款责任。对于王女士的陈述，银行方面坚持认为是王女士自行申办的借记卡，且在开卡过程中已通过自助柜员机的人脸识别进行了身份核验。正是在完成了身份比对后，王女士才能在线签订借款合同申请贷款。王女士向法院申请对笔迹和预留手机信息进行比对。经鉴定，涉案客户签名及手机号码信息均与王女士本人信息不符。最终，法院驳回银行全部诉讼请求。