人脸识别的定义

人脸识别技术始于20世纪70年代初，是计算机视觉(CV,Computer Vision)中里很典型的应用。而计算机视觉属于深度学习(DL, Deep Learning)。

同时人脸识别也是生物识别技术的一种，其他的生物识别技术还有：指纹，虹膜，语音，静脉，视网膜。相比较于其他生物识别技术，人脸识别有非接触，非强制，便捷，并行处理等特点。

不同生物识别技术比较

人脸识别的目的就是要判断和识别图片和视频（视频是由图片构成的）中人脸的信息，对图像及视频中的人脸进行检测、识别和跟踪。

人脸识别算法分类传统的基于人工设计的特征和机器学习技术，包括几何的方法、整体方法、基于特征的方法和混合方法。现在的基于大型的数据集训练的深度神经网络(DNN)和卷积神经网络（CNN）的深度学习方法。

早期使用CNN深度学习人脸算法效果不佳的原因是算力及数据量不够。

现阶段有了大数据和算力支持，各种算法的人脸识别的准确度已经很高了，Facebook的DeepFace在LFW上取得了97.35%的准确率，之后Google推出的FaceNet在LFW上取得了99.63%的准确率。人脸识别领域目前的发展方向是轻量化（方便部署到移动端）和基于硬件的模块化。

但随着技术进入深水区，寻找合适的商业模式真正成为了机器视觉这门技术的最大难点。国家政策一直是鼓励并支持AI产业的发展的，相信未来它们一定能找到更好的出路，带领中国的计算机视觉乃至整个AI产业走在全球前列。

人工智能深度学习不仅仅需要需要实战项目基础，同时还需要很多理论作为指导，为了方便大家学习理解，整理了一份200G的AI资料：

①人工智能必看优质书籍电子书汇总

② 人工智能实战项目【含源码】

③ 人工智能行业报告

④国内外知名精华资源

⑤人工智能论文合集

⑥超详解人工智能学习路线图

⑦优质人工智能资源网站整理（找前辈、找代码、找论文都有）私信备注【05】添加领取

人脸识别的过程

人脸检测。

人脸检测器用于寻找图像中人脸的位置，如果有人脸，就返回包含每张人脸的边界框的坐标。人脸对齐。

人脸对齐的目标是使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像。这个过程通常需要使用一个特征点检测器来寻找一组人脸特征点，在简单的2D对齐情况中，即为寻找最适合参考点的最佳仿射变换。更复杂的3D对齐算法还能实现人脸正面化，即将人脸的姿势调整到正面向前。人脸表征。

在人脸表征阶段，人脸图像的像素值会被转换成紧凑且可判别的特征向量，这也被称为模板（template）。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。人脸匹配。

在人脸匹配构建模块中，两个模板会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。人脸识别应用

人脸识别技术难点头部姿势

多数的人脸识别算法主要针对正面、准正面人脸图像，当发生俯仰或者左右侧偏转比较厉害的情况，人脸识别算法的识别率也会急剧下降。年龄。

反面例子，我国身份证的有效期一般是20年，20年间每个人的容貌必然会发生很大的变化，所以身份证照片识别上也同样存在很大的问题。遮挡

眼镜、帽子等遮挡面部。光照条件人脸表情。

表情的精细化程度划分，表情类别的多样化。人脸防伪

伪造人脸，如何活体检测。思考隐私安全。

确保知情，明确同意。李彦宏说，大家愿意用隐私换取便利。在国内，由于人们对新技术的包容性，这AI三要素得到全面的突破，而被称为“个人隐私”的数据，人们并不在意。最近杭州人脸识别第一案宣判了，买房者被人脸识别，大数据杀熟等案例，应该会给国内相关人脸识别研究企业，政府机构，人脸识别技术产品使用者一些启示。技术不完善。

目前人脸识别技术对识别有色人种，分辨女性性别，双胞胎等有欠缺，涉及到种族歧视，性别歧视等问题。

照片欺骗问题，如何加强活体检测。数据保护。

人脸识别数据采集，传输，存储，使用，销毁等过程中如何保证数据安全。政府机构使用，是否侵犯民主自由和人权！

典型的，比如，美剧（Person of Interest / POI）中的随时随地被监控，面部识别的场景相信是大家不愿意看到的。

微软人脸识别研究工作遵循的6大原则

人脸识别代表性企业

目前人脸识别领域，中国的企业表现很活跃和出色，有代表性的企业有商汤，旷视，依图，云从，海康，百度，阿里，腾讯，研究机构有香港中文大学的汤晓鸥团队（其实就是商汤的技术团队，旷视的创始人也曾经师从汤晓鸥教授）等。

国外企业早期人脸识别领域有很多成绩，比如Facebok的DeepFace，Google的FaceNet。受限于政策法律等方面考虑，近些年表现不活跃。代表性企业是Google，Microsoft，Facebook等。