關於人臉識別領域的文章很多，我只能摘抄部分有代表性的文章，供感興趣的同志參考。①《揚子晚報》2017年1月17日，滬寧高速南京馬群公安檢查站，從2015年12月使用人臉識別系統以來，查獲幾十起問題人員，其中在逃人員五名。②外媒高度評價中國面部識別技術(2017年:7月12日)，北京某肯德基店透過面部識別，掃描客戶面部從而判斷客戶年令，性別。③人臉識別成為監控的制高技術(2017年5月2日)，2017年影片監控最熱最火的技術產品。④俄羅斯研發出"反面部識別演算法"(2017年8月15日。太神奇！只需在臉上畫幾條線就能防止被人臉識別。俄羅斯搜尋公司一位技術高管，因不滿人們濫用人臉識別而發明的(2017年7月31日)⑤IBM革命性識別系統。面對"蒙面人也設用"(2017年5月24日在今年一月份一檔電視節目上)⑥中國電子網(2017年8月10日)英國啟用人臉識別系統取代火車票購買，透過兩個高速紅外攝像頭，來埔捉乖客面部資訊。

學術問題你也在這問，服了你了。如果英文不好，就去知網等搜尋，如果英文不錯就去ei,sci等網站查。新聞類的報告大多蜻蜓點水，講不全面，而且也沒有嚴謹論證，或者為了吸引眼球捕風捉影，誇大其詞，不可取。

人臉識別？你學會模糊抽象和立體組合抽象了麼？模糊抽象就是以固定一點或影片感測器軸心為點向周圍成一定角度擴充套件的抽象技術，而立體組合抽象技術就是將平面資料變成立體抽象物件資料集(不過這一技術著重於邊界測繪演算法，邊界測繪對於影片感測陣列而言，不外乎就是不同速率之下對於不同變化電流的監測)，視網膜無外乎就是光感陣列或極窄平行視角的成像陣列。

簡單談一下人臉識別，人臉識別分為人臉檢測和人臉比對兩個部分。無論是傳統演算法還是深度學習，或者說整個計算機視覺領域，都是基於特徵點檢測。

先說說傳統演算法的部分，基礎研究國外很早就開始，原理很簡單，先確定特徵點，這是最關鍵的，特徵點直接影響演算法準確率，比如早期是使用兩個眼睛和鼻子做特徵點，但是會誤將動物的臉識別成人臉。確定了特徵點，那麼就需要從圖片中去提取特徵點，也就說怎麼找到眼睛和鼻子的位置，這就是計算機視覺的內容了，比如邊緣檢測、橫向縱向梯度檢測、影象深度檢測等等。這些影象檢測演算法本身是經過多年的研究和積澱形成，目前python的影象處理庫非常的強大，使用python可以輕鬆做眼睛和鼻子的定位，而後透過特徵點之間的位置關係來確定演算法。這是人臉檢測，那麼人臉比對呢？其實特徵點確定了之後，傳統演算法有幾種方法來比對，一種簡單粗暴的方法是將所有的特徵點生成一個雜湊值，為雜湊值的差設定一個門限。實踐證明這種方法確實準確性較高。

再說說深度學習演算法的部分，主要工作就是確定特徵點了。傳統演算法階段，人臉檢測特徵點不會超過10點，而到了深度學習階段，特徵點可以達到幾百個。怎麼做，將人臉資料集標記好特徵點。並構建深度學習模型去訓練，最後得出運算元。並且你可以透過訓練和測試來確定最優的特徵點。鑑於目前的深度學習框架如此好用，你完全不需要懂任何計算機視覺相關的演算法。你所需要的只是儘可能多的人臉資料集，當然最好是標註好特徵點的。當然也有另外一種做法，就是人臉資料集的標註只有1和0，也就是說是人臉還是非人臉，但是這樣一來複雜場景準確率會降低，二來人臉比對就無法實現了。對於深度學習來說，人臉比對，仍然是傳統演算法使用的多，也有用深度學習模型來構建的演算法，但是相對更加複雜。