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(yàn)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(jì)算學(xué)習(xí)中心人臉識別數(shù)據(jù)庫、埃塞克斯大學(xué)計(jì)算機(jī)與電子工程學(xué)院人臉識別數(shù)據(jù)等。來自艾媒咨詢的數(shù)據(jù)顯示，2017年中國計(jì)算機(jī)視覺市場規(guī)模為68億元，預(yù)計(jì)2020年市場規(guī)模達(dá)到780億元，年均復(fù)合增長率達(dá)125。該理論側(cè)重于人臉實(shí)時(shí)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(dá)到1佳的匹配效果

這些應(yīng)用場景的共同特點(diǎn)是：人臉識別系統(tǒng)都事先存儲了大量的不同人臉和身1份信息，系統(tǒng)運(yùn)行時(shí)需要將見到的人臉與之前存儲的大量人臉做比對，找出匹配的人臉。

兩者在早期（2012年~2015年）是通過不同的算法框架來實(shí)現(xiàn)的，想同時(shí)擁有人臉驗(yàn)證和人臉識別系統(tǒng)，需要分開訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)。而 2015 年 Google 的 FaceNet [1] 的發(fā)表改變了這一現(xiàn)狀，將兩者統(tǒng)一到一個(gè)框架里。

人臉識別應(yīng)用場景

廣告精準(zhǔn)投放

人臉分析技術(shù)可快速準(zhǔn)確的分析畫面中出現(xiàn)的人物屬性，如年齡、性別等信息，在廣告投放方面可以給予一定的指導(dǎo)。

人1流監(jiān)控

通過人臉檢測技術(shù)，可以輕松計(jì)算在畫面里出現(xiàn)的人的數(shù)量，可以應(yīng)用在零售行業(yè)分析貨品擺放合理性，也可以應(yīng)用在學(xué)校、公司、會議等場所進(jìn)行出勤率統(tǒng)計(jì)。

相冊分類

通過人臉識別與人臉檢索，可以聚合相冊中的相似的人臉，輕松將照片按人臉進(jìn)行智能分類。

美顏美妝

五官定位技術(shù)可以精準(zhǔn)定位五官的位置，實(shí)現(xiàn)人臉美顏美妝、人臉變形、人臉漫畫、人臉換臉、人臉貼紙等。