人脸签到系统：单机版，可改为安卓版或Mac版
2、项目系统架构设计
基础设施重点是GPU：图像处理需要高资源高消耗，对性能的要求非常高，单纯的CPU模式以及不能满足，需要引入GPU（有限制，往往只显卡层面上对性能的加速）
3、关键技术
技术构架中的技术
支撑CPU，相当于利用技术显卡的力量参与计算机的并行计算，从而加速CPU性能。 cuda构成是设备（最后要和设备交互）和它本身。用到cuda的运行时间和libraries库。了解了cuda的运行原理和机制，借助于它所提供的开发接口进行cuda类应用程序的开发和设计。 cuda是因特尔出的，所以对显卡有明确的要求，安装时需要提前考虑显卡的型号是否和cuda当前支持的显卡类型相兼容。
OpenCV框架的核心处理框架是Image
大部分深度学习框架是用C++开发的，只不过提供了Python封装的接口
关于深度学习的算法模型，每年在一些会议上排名都会更新，能出现在前50名榜单里且准确率在99%以上的都可以拿来当做模型训练里的工具，在此项目中针对我们的需求，比如人脸特征点区域的识别提供了HOG算法和CNN算法，对人脸特征点标注用的是。 人脸识别中非常好的、在图像处理方面比较专业的算法dlib、DeepID1、DeepID2。 dlib一能够解决别的算法能够解决的问题；二在计算机图像处理方面更专业，且有比较成熟的训练模型和方法。
4、项目业务需求说明
人脸识别：人脸检测、人脸对齐、人脸验证
人脸对齐：根据标注的68个点的面部特征。
人脸验证：1、是否本人（人脸识别）；2、是否活体。
人脸识别：把标定的做完位置校正的人脸特征点信息映射到一个128维向量中，判定这两个人之间的欧氏距离，设置一个阈值，在阈值范围之内就可认为他们是同一个人。
5、业务流程设计
1、（业务架构）
程序实现：模型应用、模型训练、样本标注
2、人脸注册
3、人脸识别
4、模型训练
