(2)關愛老人、殘疾人等人群，每天運行預警信息不開門不關門，兩天不回電，三天不開門不關門上門探視；
(3)通過人臉識別門禁設備，減輕社區工作人員和警察的壓力，大量註入到為民服務的工作中。
人臉識別測溫終端的優勢:
1.非接觸式識別:人臉識別不需要像指紋驗證或虹膜識別那樣。通常鑒定人必須主動進行檢查，只需站在機器設備的檢查區即可，方便快捷。
2.非強制性:客戶基本可以下意識獲取面部圖像，不需要面部采集機械設備的專業配合，也不存在這種“強制性”的采樣方式。
3.防偽標識水平強:人臉作為壹種獨特的生理特征，加上越來越完善的活體檢測技術，可以有效應對多種假冒攻擊。
4.並發性:人臉在真實的應用環境中可以清晰的排序、判斷和識別，符合視覺效果的特點:具有“以貌取人”、操作簡單、結果直觀、隱蔽性好等特點。
不同個體之間差別不大。所有的人臉在結構上是相似的，甚至面部器官在結構和外觀上也是相似的。這壹特征有利於人臉的定位，但不利於利用人臉來區分人類個體。影響人臉識別測溫終端工作的因素有哪些？
1.人臉相似度
不同個體之間差別不大。所有的人臉在結構上是相似的，甚至面部器官在結構和外觀上也是相似的。這壹特征有利於人臉的定位，但不利於利用人臉來區分人類個體。
化妝、整容等旨在模仿某個明星的人為因素，讓這個問題變得更加棘手。尤其是對於雙胞胎，人臉識別系統能否正確識別，其實在學術界是有爭議的。有專家認為，完全不應該用人臉識別技術區分雙胞胎，用人臉識別技術也不可能準確區分。
2.人臉防偽
偽造人臉圖像進行識別的主要欺騙手段是建立三維模型或者嫁接壹些表情。隨著人臉防偽技術的提高，3D人臉識別技術和攝像頭等智能計算視覺技術的引入，偽人臉圖像識別的成功率會大大降低。
3.動態識別
在人臉識別不協調的情況下，由於攝像頭移動或對焦不正確，會導致人臉圖像模糊，嚴重影響人臉識別的成功率。這種難度在安防、監控、識別的使用上是很明顯的，比如地鐵、高速公路卡口、車站卡口、超市防盜、邊檢等。
4.缺少樣品
基於統計學習的人臉識別算法是目前人臉識別領域的主流算法，但是統計學習方法需要大量的訓練。由於人臉圖像在高維空間的分布是壹種不規則的流形分布，所以能夠得到的樣本只是人臉圖像空間中很小的壹部分。如何解決小樣本下的統計學習問題，需要進壹步研究。此外，訓練中涉及的人臉圖像數據庫大多是外國人的圖像，關於中國人和亞洲人的人臉圖像數據庫非常少，這使得人臉識別模型的訓練更加困難。
5.圖像質量問題
人臉圖像的來源可能有很多，由於采集設備不同，得到的人臉圖像質量也不同。特別是對於那些分辨率低、噪聲大、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖像、遠程監控拍攝的圖片等。).
如何有效的識別人臉是壹個需要註意的問題。同樣，高分辨率圖像對人臉識別算法的影響也需要進壹步研究。目前我們在識別人臉的時候，壹般都是使用大小相同、清晰度相近的人臉圖像，所以圖像質量問題基本可以解決，但是面對現實中更復雜的問題，還需要繼續優化處理。
原文出自哈馬的智慧。