人臉識別是指能夠識別或驗證圖像或視頻中的主體的身份的技術(shù)。人臉識別算法誕生于七十年代初。自那以后，它們的準確度已經(jīng)大幅提升，現(xiàn)在相比于指紋或虹膜識別等傳統(tǒng)上被認為更加穩(wěn)健的生物識別方法，人們往往更偏愛人臉識別。讓人臉識別比其它生物識別方法更受歡迎的一大不同之處是人臉識別本質(zhì)上是非侵入性的。

比如，指紋識別需要用戶將手指按在傳感器上，虹膜識別需要用戶與相機靠得很近，語音識別則需要用戶大聲說話。相對而言，現(xiàn)代人臉識別系統(tǒng)僅需要用戶處于相機的視野內(nèi)（假設(shè)他們與相機的距離也合理）。這使得人臉識別成為了對用戶友好的生物識別方法。這也意味著人臉識別的潛在應用范圍更廣，因為它也可被部署在用戶不期望與系統(tǒng)合作的環(huán)境中，比如監(jiān)控系統(tǒng)中。人臉識別的其它常見應用還包括訪問控制、欺詐檢測、身份認證和社交媒體。

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）與機器學習技術(shù)（比如主成分分析、線性判別分析或支持向量機）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，比如能應對不同年齡的方法、能應對不同姿勢的方法、能應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）的深度學習方法接替。深度學習方法的主要優(yōu)勢是它們可用非常大型的數(shù)據(jù)集進行訓練，從而學習到表征這些數(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)集訓練的基于 CNN 的人臉識別方法已經(jīng)實現(xiàn)了非常高的準確度，因為它們能夠?qū)W到人臉圖像中穩(wěn)健的特征，從而能夠應對在訓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，深度學習方法在計算機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視覺任務(wù)，比如目標檢測和識別、分割、光學字符識別、面部表情分析、年齡估計等。

（1）軟件結(jié)構(gòu)

針對機關(guān)的實際情況，從可靠性、可管理性、可擴充性、開發(fā)性和安全性等角度出發(fā)，本系統(tǒng)采用客戶/服務(wù)器和瀏覽器/服務(wù)器相結(jié)合的體系結(jié)構(gòu)。客戶/服務(wù)器主要用于那些界面復雜、保密性、安全性高、以數(shù)據(jù)庫修改操作的部分。瀏覽器/服務(wù)器利用WWW技術(shù)的HTTP，基于頁面進行瀏覽信息。它用于那些以信息共享、信息通信、信息檢索查詢?yōu)橹鞯牟糠?。以瀏覽器/服務(wù)器結(jié)構(gòu)設(shè)計系統(tǒng)，用戶使用時不需要安裝專用的客戶端軟件便可查詢公用信息，也不需要對用戶進行專門的培訓，而且在系統(tǒng)升級時，只需修改服務(wù)器端的數(shù)據(jù)與應用，維護方便。

在進行應用程序的設(shè)計和開發(fā)時，采用站點與構(gòu)件方式。不同的業(yè)務(wù)對應于不同的功能模塊。并且，每個操作人員和用戶在訪問某一個系統(tǒng)時，站點上僅出現(xiàn)其權(quán)限范圍內(nèi)的應用和相關(guān)處理數(shù)據(jù)。通過系統(tǒng)的定制功能，可以提高系統(tǒng)的友好性和安全性。

（2）網(wǎng)絡(luò)結(jié)構(gòu)

該系統(tǒng)可以在機關(guān)原有一卡通網(wǎng)上平滑升級，也可以單獨組成網(wǎng)絡(luò)。

與其它類型的生物識別比較人臉識別具有如下特點：

非強制性：用戶不需要專門配合人臉采集設(shè)備，幾乎可以在無意識的狀態(tài)下就可獲取人臉圖像，這樣的取樣方式?jīng)]有“強制性”；

非接觸性：用戶不需要和設(shè)備直接接觸就能獲取人臉圖像；

并發(fā)性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；

除此之外，還符合視覺特性：“以貌識人”的特性，以及操作簡單、結(jié)果直觀、隱蔽性好等特點。