1：圖象大小。面部圖象過小會損害鑒別功效，面部圖象過大會損害鑒別速度。非專業人臉識別監控攝像頭通常標準的最少鑒別面部清晰度為60*60或100*100之上。在標準的圖象大小內，優化算法更易于提高成功率和召回率。圖象大小體現在現實應用領域就是面部離監控攝像頭的間距。

       2：分辯率。越低的分辯率越難鑒別。圖象大小綜合分辯率，直接損害監控攝像頭鑒別間距。現4K監控攝像頭認清面部的最長距離是10米，7K監控攝像頭是20米。

       3：陽光照射環境。過曝或太暗的陽光照射環境總會損害人臉識別功效。能夠從監控攝像頭內置的基本功能補光或濾光均衡陽光照射損害，還可以運用優化算法實體模型提升圖象光源。

       4：模糊不清狀況。現實情景關鍵著力解決動態模糊不清，人臉相對監控攝像頭的挪動常常會造成運動模糊不清。一部分監控攝像頭有抗模糊不清的基本功能，而在資金不足的狀況下，考慮利用優化算法實體模型優化此現象。

       5：擋住狀況。面部遮攔、面部邊沿清晰的圖象為最合適。而在現實情景中，許多面部總會被遮陽帽、近視眼鏡、防霾口罩等擋住物擋住，這些數據還要依據優化算法標準決定是不是留用訓練。

       6：抓取視角。人臉相對監控攝像頭視角為臉照最合適。但現實情景中通常不容易抓拍臉照。因而優化算法實體模型需訓練包括兩側人臉、上下側面部的數據。工業工程施工上監控攝像頭按置的視角，需考慮面部與監控攝像頭組成的視角在優化算法鑒別范圍之內的標準。

        以上就是廣州科靈智能科技有限公司分享的內容，希望以上的內容可以幫助到大家。想了解更多資訊歡迎登錄我們官網：http://m.1000lilu.com