這些應用場景的共同特點是：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)運行時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現(xiàn)的，想同時擁有人臉驗證和人臉識別系統(tǒng)，需要分開訓練兩個神經(jīng)網(wǎng)絡。而 2015 年 Google 的 FaceNet [1] 的發(fā)表改變了這一現(xiàn)狀，將兩者統(tǒng)一到一個框架里。

人臉識別基于一個默認成立的假設：同一個人在不同照片里的臉，在特征空間里非常接近。

為什么這個假設默認成立，設想一下，一個棕色頭發(fā)的人，在不同光照，遮擋，角度條件下，發(fā)色看起來雖然有輕微的區(qū)別，但依然與真實顏色非常接近，反應在發(fā)色的特征值上，可能是 0 到 0.1 之間的浮動。

深度學習的另一任務和挑戰(zhàn)便是在各種極端復雜的環(huán)境條件下，精1確的識別各個特征。

通常采取三種應對措施，使人臉識別系統(tǒng)能正常運作：

1. 工程角度：研發(fā)質量模型，對檢測到人臉質量進行評價，質量較差則不識別/檢驗。

2. 應用角度：施加場景限制，比如刷臉，人臉閘機，會場簽到時，都要求用戶在良好的光照條件下正對攝像頭，以避免采集到質量差的圖片。

3. 算法角度：提升人臉識別模型性能，在訓練數(shù)據(jù)里添加更多復雜場景和質量的照片，以增強模型的抗干擾能力。

人臉識別系統(tǒng)由人證識別終端、通道閘、人臉識別管理客戶端及平臺組成。系統(tǒng)采用人臉識別算法，高速芯片作為識別算法的運行硬件平臺，通過出入口的身1份證信息采集、實時人臉抓拍和人證比對，從而實現(xiàn)人證合一驗證。并針對不同場所實現(xiàn)固定人員刷臉通行，訪客人員人證比對登記，解決固定人員每次需要刷證或輸入密碼的問題，人證比對失敗人員則需要安保人員或工作人員人工確認后手動放行。在深圳科葩及一些對講廠商的相關技術研發(fā)和市場推動下，人臉識別門禁正逐漸成為國內(nèi)“智慧小區(qū)”標配。