說到人臉識別，大部分的人第一反應是“刷臉”，我們來看下人臉識別的定義：人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。

從上面這段話，我們能夠推斷出人臉識別需要：人臉圖像采集及檢測、人臉圖像特征提取以及匹配和識別這四個步驟，同時這也是人臉識別系統的三個組成部分。

人臉圖像采集及檢測

目前主流的人臉檢測及采集的方法有Adaboost人臉檢測算法、基于特征的方法、基于模板的方法等等。

主要說說Adaboost人臉檢測算法。Adaboost人臉檢測算法，是基于積分圖、級聯檢測器和Adaboost算法的方法，該方法能夠檢測出正面人臉且檢測速度快。其核心思想是自動從多個弱分類器的空間中挑選出若干個分類器，構成一個分類能力很強的強分類器。

缺點是在復雜背景中，AdaBoost人臉檢測算法容易受到復雜環境的影響，導致檢測結果并不穩定，極易將類似人臉區域誤檢為人臉，誤檢率較高。

人臉圖像特征提取

人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數特征或統計學習的表征方法。

基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據，其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。

基于統計理論的方法是指利用統計分析與機器學習的方法分別尋找人臉與非人臉樣本特征，利用這些特征構建分類，使用分類進行人臉檢測。它主要包括神經網絡方法，支持向量機方法和隱馬爾可夫模型方法?；诮y計理論的方法是通過樣本學習而不是根據人們的直觀印象得到的表象規律，因此可以減小由于人眼觀測不完整和不精確帶來的錯誤而不得不擴大檢測的范圍，但是這種方法需要大量的統計特性，樣本訓練費時費力。

人臉圖像匹配與識別

提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，簡稱1：1，另一類是辨認，是一對多進行圖像匹配對比的過程，簡稱1：N。

1：1意思為“這人是不是某人？”

比如我們在車站乘車過安檢時，檢票人員總是拿著身份證跟你本人做對比，證明身份證里面是不是你本人，這種場景就是1:1的場景。

據相關統計證明人的肉眼識別精準度達到95%左右，但是人的眼睛是有疲勞度的，所以車站安檢人員需要定時換班換崗。目的就是為了保持比較平均的識別的準確率。但是，在這種場景下，如果采用人臉識別技術，識別率可達到97%甚至是更高的準確率而且系統設備是沒有疲勞度的問題。

1：N意思為“這人是誰？”

比如我們現在在車站或一些重要的場所如步行街、城中村等人流密集的場所應用的人臉識別布控系統，其特點是動態和非配合。所謂的動態也就是識別的不是照片，不是圖片，而是由前端攝像機采集的動態視頻流;非配合是指識別對象不用感知到攝像頭的位置并配合完成識別工作，整個識別過程非常方便，不會讓人排斥。但1:N會因為使用地點，環境，光線，甚至是玻璃反射都會影響識別的準確性，所以1:N相對更具有挑戰性。

人臉識別技術目前已經廣泛應用于金融、司法、軍隊、公安、邊檢、安防等領域。隨著平安城市、智慧小區、智能樓宇、智能交通的建設和發展，人臉識別技術將越來越深入我們的生活。

上一信息：“高新技術”和“高新技術企業”簡介

下一信息：高新技術企業認定管理辦法