【导读】：本文主要介绍如何基于opencv来实现一个人脸检测和人脸分类器。该人脸识别和人脸分类器可以应用于考勤打卡，人机交互，城市安防等多个领域。
二、ResNet50介绍 ResNet50是一种基于深度卷积神经网络（Convolutional Neural Network，CNN）的图像分类算法。
为了实现FaceID人脸识别技术在移动端上更快更准的运行，量化就成为一个重要手段。量化简单来说，就是用更低比特数据代替原浮点数据，已达到缩小模型的过程。
4.0版本底层算法模型整体进行了升级，4.0和3.2版本成了整个安卓版SDK的“风水岭”。
黑夜无障碍人脸识别 在示例工程中集成了『RGB+NIR』混合模态人脸识别，只需注册任意模态的底库，就能实现两种模态的识别，如底库图为RGB可见光拍摄图片，前端实拍图为NIR近红外，使用该功能可快速完成高精度人脸识别
4.0版本底层算法模型整体进行了升级，4.0和3.2版本成了整个安卓版SDK的“分水岭”。
但该系统成功证明了面部识别是可行的生物特征识别技术，迈出了人脸识别技术重要的第一步。 随着计算机硬件性能的飞跃，研究者不断地突破人脸识别系统的上限，但成功率一直无法实现大规模商用。
机器中的面部识别是以同样的方式实现的。首先，我们采用面部检测算法来检测场景中的人脸，然后从检测到的人脸中提取面部特征，最后使用算法对人进行分类。 ⬆️面部识别系统的工作流 1.
项目效果 经过一系列的优化，模型实现了对驾驶过程中的机动车、行人、红绿灯、车道线等目标的识别，最终整体识别精度达到85%。
初学 AI，算法零基础，如何快速上手实战？ 数据量大，模型调优成本高，有没有办法降低成本快速实践？ 开发视觉边端推理项目，需要各种零配件搭建，对软件人员不甚友好，怎么办？ 机会来啦！
