人臉識(shí)別技術(shù)這些年已經(jīng)發(fā)生了重大的變化。傳統(tǒng)方法依賴于人工設(shè)計(jì)的特征（比如邊和紋理描述量）與機(jī)器學(xué)習(xí)技術(shù)（比如主成分分析、線性判別分析或支持向量機(jī)）的組合。人工設(shè)計(jì)在無約束環(huán)境中對(duì)不同變化情況穩(wěn)健的特征是很困難的，這使得過去的研究者側(cè)重研究針對(duì)每種變化類型的專用方法，比如能應(yīng)對(duì)不同年齡的方法、能應(yīng)對(duì)不同姿勢的方法、能應(yīng)對(duì)不同光照條件的方法等。

近段時(shí)間，傳統(tǒng)的人臉識(shí)別方法已經(jīng)被基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)方法接替。深度學(xué)習(xí)方法的主要優(yōu)勢是它們可用非常大型的數(shù)據(jù)集進(jìn)行訓(xùn)練，從而學(xué)習(xí)到表征這些數(shù)據(jù)的蕞佳特征。網(wǎng)絡(luò)上可用的大量自然人臉圖像已讓研究者可收集到大規(guī)模的人臉數(shù)據(jù)集，這些圖像包含了真實(shí)世界中的各種變化情況。使用這些數(shù)據(jù)集訓(xùn)練的基于 CNN 的人臉識(shí)別方法已經(jīng)實(shí)現(xiàn)了非常高的準(zhǔn)確度，因?yàn)樗鼈兡軌驅(qū)W到人臉圖像中穩(wěn)健的特征，從而能夠應(yīng)對(duì)在訓(xùn)練過程中使用的人臉圖像所呈現(xiàn)出的真實(shí)世界變化情況。

此外，深度學(xué)習(xí)方法在計(jì)算機(jī)視覺方面的不斷普及也在加速人臉識(shí)別研究的發(fā)展，因?yàn)?CNN 也正被用于解決許多其它計(jì)算機(jī)視覺任務(wù)，比如目標(biāo)檢測和識(shí)別、分割、光學(xué)字符識(shí)別、面部表情分析、年齡估計(jì)等。

?人臉識(shí)別技術(shù)應(yīng)用概況

2014年是我國人臉識(shí)別技術(shù)的轉(zhuǎn)折點(diǎn)，使人臉識(shí)別技術(shù)從理論走向了應(yīng)用，2018年則是人臉識(shí)別技術(shù)全方面應(yīng)用的重要節(jié)點(diǎn)，"刷臉"時(shí)代正式到來。

目前，從我國人臉識(shí)別技術(shù)應(yīng)用來看，主要集中在三大領(lǐng)域：考勤門禁、安防以及金融。

從具體應(yīng)用來看，主要包含了公共安全領(lǐng)域的刑偵追逃、罪犯識(shí)別以及邊防安全等；信息安全領(lǐng)域的政府職能領(lǐng)域的電子政務(wù)、戶籍管理、社會(huì)福利和保險(xiǎn)；商業(yè)企業(yè)領(lǐng)域的電子商務(wù)、電子貨幣和支付、考勤、市場營銷；場所進(jìn)出領(lǐng)域的軍事機(jī)要部門、金融機(jī)構(gòu)的門禁控制和進(jìn)出管理等。

在人臉識(shí)別中，由一組特征臉基圖象張成一個(gè)特征臉子空間，任何一幅人臉圖象（減去平均人臉后）都可投影到該子空間，得到一個(gè)權(quán)值向量。計(jì)算此向量和訓(xùn)練集中每個(gè)人的權(quán)值向量之間的歐式距離，取蕞小距離所對(duì)應(yīng)的人臉圖像的身份作為測試人臉圖像的身份。

特征臉方法利用主分量分析進(jìn)行降維和提取特征。主分量分析是一種應(yīng)用十分廣泛的數(shù)據(jù)降維技術(shù)，該方法選擇與原數(shù)據(jù)協(xié)方差矩陣前幾個(gè)蕞大特征值對(duì)應(yīng)的特征向量構(gòu)成一組基，以達(dá)到蕞佳表征原數(shù)據(jù)的目的。因?yàn)橛芍鞣至糠治鎏崛〉奶卣飨蛄糠祷爻蓤D像時(shí)，看上去仍像人臉，所以這些特征向量被稱為“特征臉”。