01—人脸识别的定义

人脸识别技术始于20世纪70年代初，是计算机视觉(CV,Computer Vision)中里很典型的应用。而计算机视觉属于深度学习(DL, Deep Learning)。

同时人脸识别也是生物识别技术的一种，其他的生物识别技术还有：指纹，虹膜，语音，静脉，视网膜。相比较于其他生物识别技术，人脸识别有非接触，非强制，便捷，并行处理等特点。

不同生物识别技术比较

人脸识别的目的就是要判断和识别图片和视频（视频是由图片构成的）中人脸的信息，对图像及视频中的人脸进行检测、识别和跟踪。

02—人脸识别算法分类

传统的基于人工设计的特征和机器学习技术，包括几何的方法、整体方法、基于特征的方法和混合方法。

现在的基于大型的数据集训练的深度神经网络(DNN)和卷积神经网络（CNN）的深度学习方法。

早期使用CNN深度学习人脸算法效果不佳的原因是算力及数据量不够。现阶段有了大数据和算力支持，各种算法的人脸识别的准确度已经很高了，Facebook的DeepFace在LFW上取得了97.35%的准确率，之后Google推出的FaceNet在LFW上取得了99.63%的准确率。人脸识别领域目前的发展方向是轻量化（方便部署到移动端）和基于硬件的模块化。

03—人脸识别的过程

人脸检测
人脸检测器用于寻找图像中人脸的位置，如果有人脸，就返回包含每张人脸的边界框的坐标。

人脸对齐
人脸对齐的目标是使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像。这个过程通常需要使用一个特征点检测器来寻找一组人脸特征点，在简单的2D对齐情况中，即为寻找最适合参考点的最佳仿射变换。更复杂的3D对齐算法还能实现人脸正面化，即将人脸的姿势调整到正面向前。

人脸表征
在人脸表征阶段，人脸图像的像素值会被转换成紧凑且可判别的特征向量，这也被称为模板（template）。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。

人脸匹配
在人脸匹配构建模块中，两个模板会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。

04—人脸识别应用

05—人脸识别技术难点

头部姿势
多数的人脸识别算法主要针对正面、准正面人脸图像，当发生俯仰或者左右侧偏转比较厉害的情况，人脸识别算法的识别率也会急剧下降。

年龄
反面例子，我国身份证的有效期一般是20年，20年间每个人的容貌必然会发生很大的变化，所以身份证照片识别上也同样存在很大的问题。

遮挡
眼镜、帽子等遮挡面部。

光照条件

人脸表情
表情的精细化程度划分，表情类别的多样化。

人脸防伪
伪造人脸，如何活体检测。