人脸识别模组是一种根据人的面部特征(如统计特征或几何特征)自动识别人的生物识别技术，又称人脸识别、人像识别等。我们通常所说的人脸识别模组是基于光学人脸图像的识别和验证的简称。

　　人脸识别模组利用摄像头或摄像机采集包含人脸的图像或视频流，自动检测并跟踪图像中的人脸，然后对检测到的人脸图像进行一系列相关的应用操作。技术上，包括图像采集、特征定位、身份确认和搜索等。简单来说就是从照片中提取人脸的特征，比如眉毛的高度、嘴角等。然后通过比较特征输出结果。

　　初始人脸识别模组被认为是一个通用的模式识别问题，主流技术是基于人脸的几何特征。这主要体现在人们对Profile的研究上，人们对人脸轮廓曲线的结构特征提取和分析做了大量的研究。人工神经网络曾经被研究人员用于人脸识别模组。

　　人脸识别模组采集的主要影响因素

　　人脸识别模组的图像大小：如果人脸图像太小，会影响识别效果；如果人脸图像过大，会影响识别速度。非专业人脸识别模组相机通常规定识别的人脸像素为60*60或100*100以上。在指定的图像大小内，该算法更容易提高准确率和召回率。图像大小反映在实际应用场景中，即人脸与摄像头之间的距离。

　　人脸识别模组的图像分辨率：图像分辨率越低，越难识别。图像大小，结合图像分辨率，直接影响相机识别距离。目前4K相机看到人脸的距离是10米，7K相机是20米。

　　光照环境：过度曝光或者太暗的光照环境都会影响人脸识别模组效果。可以平衡来自相机自身补光或滤光功能的光照影响，也可以使用算法模型优化图像光线。

　　模糊程度：实际场景主要侧重于解决运动模糊，人脸相对于摄像机的运动往往会产生运动模糊。有些相机具有抗模糊功能，但在成本有限的情况下，可以考虑通过算法模型来优化这个问题。

　　人脸识别模组的遮挡程度：五官通畅、面部边缘清晰的图像为最佳。在实际场景中，很多人脸会被帽子、眼镜、口罩等口罩遮住。这部分数据需要根据算法要求决定是否继续训练。

　　人脸识别模组的采集角度：人脸相对摄像头的角度最好。然而，在实际场景中往往很难捕捉到正面。因此，算法模型需要训练包括左右脸和上下脸的数据。工业建筑中摄像机放置的角度应满足人脸与摄像机之间的角度在算法识别范围内的要求。