“他来听我的演唱会，门*换了一对”。****近歌神张学友变阿SIR，演唱会上频频抓到罪犯，将人脸识别技术又一次推到了大众的视线中。

要说人脸识别技术的爆发，当属去年9月份苹果iPhone x的发布，不再需要*，只需要扫描面部就可以轻松*手机。任何技术一旦进入智能手机这个消费市场，尤其是被苹果这个标志性的品牌采用，就意味着它将成为一种趋势，一个智能设备的标配。



在智能手机快速崛起的这几年，其密码锁经历了从数字密码、手势*到*识别的升级，发展到如今的虹膜识别和人脸识别。可以预料的是，由于*屏幕的普及和更为安全、便捷的 FaceID 技术的出现，在不久的将来，*识别也将被智能手机厂商们所抛弃，完成它的历史使命。

那么人脸识别到底是一项怎样的技术，小编就将带大家走进人脸识别，聊聊这项黑科技。

人脸识别是什么？

人脸识别技术，是基于人的脸部特*息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式。简单的来说就是一个让计算机认出你的过程。

人脸识别技术主要是通过人脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。



将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的*进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

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*、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。

人脸识别技术发展

早在20世纪50年代，认知科学家就已着手对人脸识别展开研究。20世纪60年代，人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构，通过分析人脸*特征点及其之间的拓扑关系进行辨识。这种方法简单直观，但是一旦人脸姿态、表情发生变化，则精度严重下降。

1991年

1991年，****的“特征脸”方法****次将主成分分析和统计特征技术引入人脸识别，在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大，例如，Belhumer成功将Fisher判别准则应用于人脸分类，提出了基于线性判别分析的Fisherface方法。

2000-2012年

21世纪的*年，随着机器学习理论的发展，学者们相继探索出了基于遗传算法、支持向量机(Support Vector Machine， SVM)、boosting、流形学习以及核方法等进行人脸识别。 2009年至2012年，稀疏表达(Sparse Representation)因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。

与此同时，业界也基本达成共识：基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得的识别效果。

Gabor及LBP特征描述子是迄今为止在人脸识别领域****为成功的两种人工设计局部描述子。这期间，对各种人脸识别影响因子的针对性处理也是那一阶段的研究热点，比如人脸光照*化、人脸姿态校正、人脸超分辨以及遮挡处理等。

也是在这一阶段，研究者的关注点开始从受限场景下的人脸识别转移到非受限环境下的人脸识别。LFW人脸识别公开竞赛在此背景下开始流行，当时的识别系统尽管在受限的FRGC测试集上能取得99%以上的识别精度，但是在LFW上的精度仅仅在80%左右，距离实用看起来距离颇远。

2013年

2013年，MSRA的研究者首度尝试了10万规模的大训练数据，并基于高维LBP特征和Joint Bayesian方法在LFW上获得了95.17%的精度。这一结果表明：大训练数据集对于有效提升非受限环境下的人脸识别很重要。然而，以上所有这些经典方法，都难以处理大规模数据集的训练场景。