挺好的 現在都是網際網路時代人臉識別特指利用分析比較人臉視覺特徵資訊進行身份鑑別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。
簡介
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉影象採集、人臉定位、人臉識別預處理、身份確認以及身份查詢等；而狹義的人臉識別特指透過人臉進行身份確認或者身份查詢的技術或系統。 生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形 人臉識別
、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。
編輯本段人臉識別的基本方法
幾何特徵的人臉識別方法
幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關係（如相互之間的距離）。這些演算法識別速度 幾何特徵的人臉識別
快，需要的記憶體小，但識別率較低。
基於特徵臉（PCA）的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是影象壓縮的一種最優正交變換。高維的影象空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵向量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於影象灰度的統計特性的。目前有一些改進型的特徵臉方法。
神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉影象、區域性區域的自相關函式、區域性紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。
彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的資訊。該方法結合了灰度特性和幾何因素，在比對時可以允許影象存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。
線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度影象中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關係，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。
支援向量機(SVM) 的人臉識別方法
近年來，支援向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的效能。支援向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的。而且支援向量機訓練時間長，方法實現複雜，該函式的取法沒有統一的理論。
編輯本段人臉識別演算法
一般來說，人臉識別系統包括影象攝取、人臉定位、影象預處理、以及人臉識別（身份確認或者身份查詢）。系統輸入一般是一張或者一系列含有未確定身份的人臉影象，以及人臉資料庫中的若干已知身份的 人臉識別
人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。 人臉識別演算法分類 基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。 基於整幅人臉影象的識別演算法（Appearance-based recognition algorithms）。 基於模板的識別演算法（Template-based recognition algorithms）。 神經網路識別
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。 基於光照估計模型理論 提出了基於Gammar灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。 最佳化的形變統計校正理論 基於統計形變的校正理論，最佳化人臉姿態； 強化迭代理論 強化迭代理論是對DLFA人臉檢測演算法的有效擴充套件； 獨創的實時特徵識別理論 該理論側重於人臉實時資料的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果
編輯本段採用人臉識別的優勢
人臉識別的優勢在於其自然性和不被被測個體察覺的特點。 所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特徵相同。例如人臉識別，人類也是透過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有 虹膜識別
語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不透過此類生物特徵區別個體。 不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉影象資訊，而不同於指紋識別或者虹膜識別，需要利用電子壓力感測器採集指紋，或者利用紅外線採集虹膜影象，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。
編輯本段人臉識別困難性
人臉識別被認為是生物特徵識別領域甚至人工智慧領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。
相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點 人臉類似性
對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。
易變性
人臉的外形很不穩定，人可以透過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺影象也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭髮、鬍鬚等）、年齡等多方面因素的影響。 在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-class difference），而稱第二類變化為類內變化（intra-class difference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。
編輯本段人臉識別主要用途
人臉識別主要用於身份識別。由於影片監控正在快速普及，眾多的影片監控應用迫切需要一種遠距離、使用者非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智慧預警。人臉識別技術無疑 人臉識別主要用於身份識別
是最佳的選擇，採用快速人臉檢測技術可以從監控影片圖象中實時查詢人臉，並與人臉資料庫進行實時比對，從而實現快速身份識別。
編輯本段人臉識別新技術
傳統的人臉識別技術主要是基於可見光影象的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維影象人臉識別，和熱成像人臉識別。但目前這兩種技術還遠不成熟，識別效果不盡人意。 最近迅速發展起來的一種解決方案是基於主動近紅外影象的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別效能，在精度、穩定性和速度方面的整體系統效能超過三維影象人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。
編輯本段人臉識別的應用
人臉識別的應用主要有如下方面。
公安刑偵破案
透過查詢目標人像資料尋找資料庫中是否存在重點人口基本資訊。例如在機場或車站安裝系統以抓捕在逃案犯。
門禁系統
受安全保護的地區可以透過人臉識別辨識試圖進入者的身份。人臉識別系統可用於企業、住宅安全和管 門禁人臉識別
理。如人臉識別門禁考勤系統，人臉識別防盜門等。
攝像監視系統
可在機場、體育場、超級市場等公共場所對人群進行監視，例如在機場安裝監視系統以防止恐怖分子登機。如銀行的自動提款機，如果使用者卡片和密碼被盜，就會被他人冒取現金。如果同時應用人臉識別就會避免這種情況的發生。
網路應用
信用卡網路支付
利用人臉識別輔助信用卡網路支付，以防止非信用卡的擁有者使用信用卡等。
身份辨識
如電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織已確定，從 2010年 4月 1日起，其 118個成員國家和地區，必須使用機讀護照，人臉識別技術是首推識別模式，該規定已經成為國際標準。美國已經要求和它有出入免簽證協議的國家在2006年10月 26日之前必須使用結合了人臉指紋等生物特徵的電子護照系統，到 2006年底已經有 50多個國家實現了這樣的系統。今年年初，美國運輸安全署（ Transportation Security Administration）計劃在全美推廣一項基於生物特徵的國內通用旅行證件。歐洲很多國家也在計劃或者正在實施類似的計劃，用包含生物特徵的證件對旅客進行識別和管理[7]。中國的電子護照計劃公安部一所正在加緊規劃和實施。
資訊保安
如計算機登入、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現。如果密碼被盜，就無法保證安全。如 人臉識別過程
果使用生物特徵，就可以做到當事人在網上的數字身份和真實身份統一。從而大大增加電子商務和電子政務系統的可靠性。
挺好的 現在都是網際網路時代人臉識別特指利用分析比較人臉視覺特徵資訊進行身份鑑別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。
簡介
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉影象採集、人臉定位、人臉識別預處理、身份確認以及身份查詢等；而狹義的人臉識別特指透過人臉進行身份確認或者身份查詢的技術或系統。 生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形 人臉識別
、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別（用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術）、體形識別、鍵盤敲擊識別、簽字識別等。
編輯本段人臉識別的基本方法
幾何特徵的人臉識別方法
幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關係（如相互之間的距離）。這些演算法識別速度 幾何特徵的人臉識別
快，需要的記憶體小，但識別率較低。
基於特徵臉（PCA）的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是影象壓縮的一種最優正交變換。高維的影象空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵向量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於影象灰度的統計特性的。目前有一些改進型的特徵臉方法。
神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉影象、區域性區域的自相關函式、區域性紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。
彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的資訊。該方法結合了灰度特性和幾何因素，在比對時可以允許影象存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。
線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度影象中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關係，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。
支援向量機(SVM) 的人臉識別方法
近年來，支援向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的效能。支援向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的。而且支援向量機訓練時間長，方法實現複雜，該函式的取法沒有統一的理論。
編輯本段人臉識別演算法
一般來說，人臉識別系統包括影象攝取、人臉定位、影象預處理、以及人臉識別（身份確認或者身份查詢）。系統輸入一般是一張或者一系列含有未確定身份的人臉影象，以及人臉資料庫中的若干已知身份的 人臉識別
人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。 人臉識別演算法分類 基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。 基於整幅人臉影象的識別演算法（Appearance-based recognition algorithms）。 基於模板的識別演算法（Template-based recognition algorithms）。 神經網路識別
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。 基於光照估計模型理論 提出了基於Gammar灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。 最佳化的形變統計校正理論 基於統計形變的校正理論，最佳化人臉姿態； 強化迭代理論 強化迭代理論是對DLFA人臉檢測演算法的有效擴充套件； 獨創的實時特徵識別理論 該理論側重於人臉實時資料的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果
編輯本段採用人臉識別的優勢
人臉識別的優勢在於其自然性和不被被測個體察覺的特點。 所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特徵相同。例如人臉識別，人類也是透過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有 虹膜識別
語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不透過此類生物特徵區別個體。 不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉影象資訊，而不同於指紋識別或者虹膜識別，需要利用電子壓力感測器採集指紋，或者利用紅外線採集虹膜影象，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。
編輯本段人臉識別困難性
人臉識別被認為是生物特徵識別領域甚至人工智慧領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。
相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點 人臉類似性
對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。
易變性
人臉的外形很不穩定，人可以透過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺影象也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭髮、鬍鬚等）、年齡等多方面因素的影響。 在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-class difference），而稱第二類變化為類內變化（intra-class difference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。
編輯本段人臉識別主要用途
人臉識別主要用於身份識別。由於影片監控正在快速普及，眾多的影片監控應用迫切需要一種遠距離、使用者非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智慧預警。人臉識別技術無疑 人臉識別主要用於身份識別
是最佳的選擇，採用快速人臉檢測技術可以從監控影片圖象中實時查詢人臉，並與人臉資料庫進行實時比對，從而實現快速身份識別。
編輯本段人臉識別新技術
傳統的人臉識別技術主要是基於可見光影象的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維影象人臉識別，和熱成像人臉識別。但目前這兩種技術還遠不成熟，識別效果不盡人意。 最近迅速發展起來的一種解決方案是基於主動近紅外影象的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別效能，在精度、穩定性和速度方面的整體系統效能超過三維影象人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。
編輯本段人臉識別的應用
人臉識別的應用主要有如下方面。
公安刑偵破案
透過查詢目標人像資料尋找資料庫中是否存在重點人口基本資訊。例如在機場或車站安裝系統以抓捕在逃案犯。
門禁系統
受安全保護的地區可以透過人臉識別辨識試圖進入者的身份。人臉識別系統可用於企業、住宅安全和管 門禁人臉識別
理。如人臉識別門禁考勤系統，人臉識別防盜門等。
攝像監視系統
可在機場、體育場、超級市場等公共場所對人群進行監視，例如在機場安裝監視系統以防止恐怖分子登機。如銀行的自動提款機，如果使用者卡片和密碼被盜，就會被他人冒取現金。如果同時應用人臉識別就會避免這種情況的發生。
網路應用
信用卡網路支付
利用人臉識別輔助信用卡網路支付，以防止非信用卡的擁有者使用信用卡等。
身份辨識
如電子護照及身份證。這或許是未來規模最大的應用。在國際民航組織已確定，從 2010年 4月 1日起，其 118個成員國家和地區，必須使用機讀護照，人臉識別技術是首推識別模式，該規定已經成為國際標準。美國已經要求和它有出入免簽證協議的國家在2006年10月 26日之前必須使用結合了人臉指紋等生物特徵的電子護照系統，到 2006年底已經有 50多個國家實現了這樣的系統。今年年初，美國運輸安全署（ Transportation Security Administration）計劃在全美推廣一項基於生物特徵的國內通用旅行證件。歐洲很多國家也在計劃或者正在實施類似的計劃，用包含生物特徵的證件對旅客進行識別和管理[7]。中國的電子護照計劃公安部一所正在加緊規劃和實施。
資訊保安
如計算機登入、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現。如果密碼被盜，就無法保證安全。如 人臉識別過程
果使用生物特徵，就可以做到當事人在網上的數字身份和真實身份統一。從而大大增加電子商務和電子政務系統的可靠性。