就看见罗诚往摄像头前面一站，本来是黑屏的显示器瞬间亮了起来，把正在观察的张旭下了一跳。

罗诚稍微调整了一下距离和角度，让他的脸全部显示在屏幕上，下一秒屏幕上就显示出打卡成功的字样，旁边的电脑上也同步刷新出来他的打卡信息。

张旭：“这也没什么啊，这东西国外国内都有啊！没有什么特别的吧！”

罗诚一听赶紧解释：“打卡机的人脸识别系统很早就有，不过我们这个更先进？”

“怎么说？”

“人脸识别早期算法有几何特征的法，模板匹配的法，局部特征的法，子空间算法还有主成分分析法和线性判别分析法，还有稀疏表达法。”

“那现在呢？”

罗诚：“现在世面上基本上是【人工特征+分类器】，人工特征分为：方向梯度直方图，尺度不变特征变化和局部二值模式，而分类思想是给定一个包含正例和反例的样本集合，其目的是寻找一个超平面将样本正例和反例分隔开，并且使所有点中离超平面最近的点距离超平面有更大的间距。”

“那你们现在呢？”

罗诚：“我们的方向就是基于人工智能的功能，让机器进行深度学习。”

“深度学习？”

罗诚：“对，深度学习！深度卷积神经网络您了解吗？”

张旭摇了摇头，他现在感觉自己就是一个猴子，刚刚从原始森林走进了人类社会，周围的人都用一种关爱小动物的目光注视着他。

罗诚不知道他在想什么，继续讲解到：“在人脸对齐方面，D我们模型采用了3D对齐的方式，并且使用传统的LBP直方图进行图片纹理化并提取对应的特征。对提取出的特征使用SVR（suppression）处理以提取人脸及对应的六个基本点。根据六个基本点做仿射变换，再根据3D模型得到对应的67个面部关键点，根据这些点做三角划分，最终得出对应的3D人脸。”

“模型是3D的？”

罗诚：“是的，我们的机器在训练过程中采用的是一般的交叉熵损失函数，并且采用一般的softmax对训练的数据进行分类，只不过从特征向量产生到用来分类的过程中使用了一些内积、卡方距离或siamese的度量方式来计算相似度，用相似度来进行训练产生分类器。”

王浩接话道：“具体对齐流程为

第一步：检测出人脸和对应的六个基本点

第二步：二维对齐后的人脸

第三步：使用狄罗尼三角划分在2D人脸上划分出67个关键点，并在边缘处采用添加三角形的方式避免不连续

第四步：标准3D人脸模型（转化为2D平面并和原始2D图片进行比较时所需要的）（通过标准3D人脸库USF生成的对应的平均人脸模型）

第五步：标准3D脸转化为2D以及原有的2D做残差使用时所需的变化，黑色部分表示不可见的三角形。对于不可见的三角形处理采用的是对称方式解决

第六步：通过3D模型产生的67个基准点进行分段映射使人脸变弯曲，对人脸进行对齐处理

第七步：处理生成的2D人脸

第八步：根据处理生成的3D人脸。”

张旭有些麻木了，现在已经有些头晕眼花了，一个打卡机做得那么高端干什么？打卡成功竟然需要八步走，他就知道把大象放冰箱需要几步，第一步，把冰箱门打开，第二步把大象……