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)先訓練好的人臉特征模型進行特征值的提取與比對，即可知道待識別對象與目標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(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(yīng)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。

?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；場所進出領(lǐng)域的軍事機要部門、金融機構(gòu)的門禁控制和進出管理等。