人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
转眼之间，我们已步入了2017年年底，回首这一年科技圈的各类大事件，令人印象颇为深刻的便是苹果公司最新推出的Face ID技术了，Face ID技术的推出也将人脸识别技术的关注带入了一个新的高度。作为一个"跟风"型小编，自然不会错过今年最大的热点。没错！本次专题正是要为大家介绍2017年最火爆的"黑科技"--人脸识别技术。这次小编为大家带来了有关人脸识别技术的全方位解读，相信喜爱科技的你一定不会错过！
人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征（Geometric feature based）的方法。这集中体现在人们对于剪影（Profile）的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也 一度曾经被研究人员用于人脸识别问题中。
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的 FERET 人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics（现为 Identix）的 FaceIt 系统。 美国麻省理工学院（MIT）媒体实验室的特克（Turk）和潘特（Pentland）提出的"特征脸"方法无疑是这一时期内最负盛名的人脸识别方法。
最近几年来，由于计算机技术的发展，人脸识别研究引起了学术界越来越多的关注。而在众多研究方向中，研究最多的是关于人脸正面模式的研究，主要可以分为三个发展阶段：
第一阶段是对人脸识别所需要的面部特征进行研究。
第二阶段是人机交互式识别阶段。
第三阶段是自动识别阶段。
人脸识别法主要集中在二维图像方面，主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。人脸识别算法主要有：
1.基于模板匹配的方法:模板分为二维模板和三维模板，核心思想:利用人的脸部特征规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位,解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。
2.基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。
3.子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。
4.局部保持投影(Locality Preserving Projections，LPP)是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。
三维人脸识别可以极大的提高识别精度，真正的三维人脸识别是利用深度图像进行研究，自90年代初期开始，已经有了一定的进展。三维人脸识别方法有：
1.基于图像特征的方法：采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，去作脸部不同特征点(这些特征点是人工的鉴别出来)的局部匹配。
2.基于模型可变参数的方法：使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。基于模型可变参数的方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。
一、自然性，所谓的自然性是指通过观察比较人脸来区分和确认身份;
二、非强制性，被识别的人脸图像信息可以主动获取而不被被测个体察觉，人脸识别是利用可见光获取人脸图像信息，这种特殊的采集方式很容易被人察觉，从而带有可被伪装欺骗性。
三、非接触性，相比较其他生物识别技术而言，人脸识别是非接触的，用户不需要和设备直接接触。
四、并发性，在实际应用场景中，人脸识别技术可以进行多个人脸的分拣、判断及识别。
首先是人类脸部存在相似性，不同个体之间的区别不大，所有的人脸的结构都相似，在加上化妆的掩盖及双胞胎的天然相似性更增加了识别的难度。
其次是人脸存在易变性，人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件(例如白天和夜晚，室内和室外等)、人脸的很多遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响。
同时随着待识别的人数的增加、出现张得比较像的人的概率增加等情况逐渐增多，原有的人脸识别已满足不了实际的应用。
隐私权限问题
安防监控在中国基本是遍地都有，中国人实际上对隐私问题并没有那么高的关注度，但如果人脸识别应用进来，监控系统和人脸识别的使用人员就可以找到任何一个人的位置。对打击犯罪和恐怖主义的确是很好手段，但对普通民众来说，还是有点被监视的恐怖感。
网络安全问题
目前安防领域对于网络安全的保护基本是零。一旦黑客拿到视频录像文件或者视频流，甚至只需要自己有人脸识别系统，不需要原系统有，就可以"借用"别人的监控系统做人脸分析了。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。
特征脸方法具有简单有效的点,也称为基于主成分分析的人脸识别方法。从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸。
弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法，由于该算法较好的利用了人脸的结构和灰度分布信息，而且还具有自动精确定位面部特征点的功能，因而具有良好的识别效果。
Lee等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的定位，将五官之间的几何距离输入模糊神经网络进行识别，神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，它的适应性更强，一般也比较容易实现。
