在人臉識別過程中，對于前端在各種環(huán)境下采集到的圖像，需要先做預(yù)處理，譬如光線規(guī)整、圖像增強、關(guān)鍵點分析、人臉對齊等手段，在檢測到人臉后，再以預(yù)先訓(xùn)練好的人臉特征模型進(jìn)行特征值的提取與比對，即可知道待識別對象與目標(biāo)對象是否為同一個人。

人臉識別的完整過程是：人臉數(shù)據(jù)采集-模型訓(xùn)練-圖片拍攝-預(yù)處理-特征采集與比對-輸出結(jié)果。人臉檢測只是其中個別環(huán)節(jié)。

人臉識別技術(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(cè)重研究針對每種變化類型的專用方法，比如能應(yīng)對不同年齡的方法、能應(yīng)對不同姿勢的方法、能應(yīng)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(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 的人臉識別方法已經(jīng)實現(xiàn)了非常高的準(zhǔn)確度，因為它們能夠?qū)W到人臉圖像中穩(wěn)健的特征，從而能夠應(yīng)對在訓(xùn)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(xué)習(xí)方法在計算機(jī)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(jī)視覺任務(wù)，比如目標(biāo)檢測和識別、分割、光學(xué)字符識別、面部表情分析、年齡估計等。

?人臉識別技術(shù)應(yīng)用概況

2014年是我國人臉識別技術(shù)的轉(zhuǎn)折點，使人臉識別技術(shù)從理論走向了應(yīng)用，2018年則是人臉識別技術(shù)全方面應(yīng)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(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、社會福利和保險；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。