主流的人臉檢測方法基于以上特征采用Adaboost學(xué)習(xí)算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。人臉檢測過程中使用Adaboost算法挑選出一些能代表人臉的矩形特征(弱分類器)，按照加權(quán)投1票的方式將弱分類器構(gòu)造為一個強分類器，再將訓(xùn)練得到的若干強分類器串聯(lián)組成一個級聯(lián)結(jié)構(gòu)的層疊分類器，有效地提高分類器的檢測速度。人臉識別，是基于人的臉部特征1信息進行身份識別的一種生物識別技術(shù)。

人臉識別需要積累采集到的大量人臉圖像相關(guān)的數(shù)據(jù)，用來驗證算法，不斷提高識別準(zhǔn)確性，這些數(shù)據(jù)諸如A Neural Network Face Recognition Assignment(神經(jīng)網(wǎng)絡(luò)人臉識別數(shù)據(jù))、orl人臉數(shù)據(jù)庫、麻省理工學(xué)院生物和計算學(xué)習(xí)中心人臉識別數(shù)據(jù)庫、埃塞克斯大學(xué)計算機與電子工程學(xué)院人臉識別數(shù)據(jù)等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現(xiàn)人臉檢測。該理論側(cè)重于人臉實時數(shù)據(jù)的中間值處理，從而可以在識別速率和識別效能之間，達到1佳的匹配效果

人臉識別基于一個默認(rèn)成立的假設(shè)：同一個人在不同照片里的臉，在特征空間里非常接近。

為什么這個假設(shè)默認(rèn)成立，設(shè)想一下，一個棕色頭發(fā)的人，在不同光照，遮擋，角度條件下，發(fā)色看起來雖然有輕微的區(qū)別，但依然與真實顏色非常接近，反應(yīng)在發(fā)色的特征值上，可能是 0 到 0.1 之間的浮動。

深度學(xué)習(xí)的另一任務(wù)和挑戰(zhàn)便是在各種極端復(fù)雜的環(huán)境條件下，精1確的識別各個特征。

　　人臉識別，已是人工智能浪潮中1火熱的技術(shù)之一。目前，它正大規(guī)模走出實驗室，走入各行各業(yè)，方便了生活、降低了成本、提高了效率，也因此逐漸成為人們?nèi)粘Ｉ钪械摹皹?biāo)配”。

當(dāng)下人工智能大潮中，人臉識別技術(shù)是早走向應(yīng)用的技術(shù)之一。其應(yīng)用場景日益豐富，并不斷刷新著人們的想象力。

比如“刷臉”解1鎖已成為越來越多智能手機的標(biāo)配。在安防監(jiān)控領(lǐng)域，“刷臉”技術(shù)可以對銀行、機場、商場等人1流密集場所的人群進行監(jiān)控，實現(xiàn)特定人物的自動識別和追1蹤。其人臉識別技術(shù)在考勤系統(tǒng)、遠(yuǎn)程認(rèn)證、門禁系統(tǒng)、娛樂應(yīng)用等眾多領(lǐng)域廣泛應(yīng)用。今年以來，深圳等多地紛紛啟用電子警1察執(zhí)1法，通過“刷臉”識別行人、非機動車闖紅燈違1法，大大提高了效率。