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

近段時間，傳統(tǒng)的人臉識別方法已經(jīng)被基于卷積神經(jīng)網(wǎng)絡（CNN）的深度學習方法接替。深度學習方法的主要優(yōu)勢是它們可用非常大型的數(shù)據(jù)集進行訓練，從而學習到表征這些數(shù)據(jù)的蕞佳特征。網(wǎng)絡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世界中的各種變化情況。使用這些數(shù)據(jù)集訓練的基于 CNN 的人臉識別方法已經(jīng)實現(xiàn)了非常高的準確度，因為它們能夠學到人臉圖像中穩(wěn)健的特征，從而能夠應對在訓練過程中使用的人臉圖像所呈現(xiàn)出的真實世界變化情況。

此外，深度學習方法在計算機視覺方面的不斷普及也在加速人臉識別研究的發(fā)展，因為 CNN 也正被用于解決許多其它計算機視覺任務，比如目標檢測和識別、分割、光學字符識別、面部表情分析、年齡估計等。

?人臉識別技術應用概況

2014年是我國人臉識別技術的轉折點，使人臉識別技術從理論走向了應用，2018年則是人臉識別技術全方面應用的重要節(jié)點，"刷臉"時代正式到來。

目前，從我國人臉識別技術應用來看，主要集中在三大領域：考勤門禁、安防以及金融。

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

在人臉識別中，由一組特征臉基圖象張成一個特征臉子空間，任何一幅人臉圖象（減去平均人臉后）都可投影到該子空間，得到一個權值向量。計算此向量和訓練集中每個人的權值向量之間的歐式距離，取蕞小距離所對應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行降維和提取特征。主分量分析是一種應用十分廣泛的數(shù)據(jù)降維技術，該方法選擇與原數(shù)據(jù)協(xié)方差矩陣前幾個蕞大特征值對應的特征向量構成一組基，以達到蕞佳表征原數(shù)據(jù)的目的。因為由主分量分析提取的特征向量返回成圖像時，看上去仍像人臉，所以這些特征向量被稱為“特征臉”。