人脸识别概述

人脸识别的英文名称是 Human Face Recognition.人脸识别产品利用*S03A图像处理器；可以对人脸明暗侦测,自动调整动态*补偿，人脸*侦测,自动调整影像放大。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。



人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、*、手掌纹、虹膜、*、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、*识别、掌纹识别、虹膜识别、*识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。



人脸识别现状

目前有的人脸检测算法测试项目，它的结论完全可以揭示人脸识别现状。****早是1993年，美国**研究项目署和美国*研究实验室FERET项目组，建立了FERET人脸数据库，用于评价人脸识别算法的性能。针对工业界的是在2002年，FRVT2O02对成熟的全自动人脸识别系统进行*的技术评价，提供评价人脸识别系统满足大规模、真实世界应用能力的性能度量。FRVT2006是****次将静态人脸识别、虹膜识别与3D人脸识别放在一起进行测试；与FRVT2002相比，静态人脸识别与3D人脸识别算法结合的错误率下降了一个数量级；FRVT2006是****次将机器识别效果与人的识别能力进行比较，结果发现，在不同的光照环境下，给定一个低的虚警率，七个自动人脸识别算法的性能相当于或优于人的识别能力，若不*虚警率，则七个算法中的三个算法的性能相当于或优于人的识别能力。 当前人脸识别方法主要包括基于几何特征的人脸识别、*网络方法、隐马尔科夫模型等方法、支持向量机（SVM）、主成分分析法（PCA）等。



人脸是被发展前景

当前，基于“深度学习”的方法在一些算法竞赛中取得了很高的识别准确率，并迅速在业界投入应用。深度学习并不特指某一个算法，而是Sparse Coding、RBM、深信度网络等技术方法的总称。作为一类基于*网络的方法，根据认知心理学，其主要思想是模拟人类大脑*的信号传递。与传统*网络模型2～3层训练层不同，深度学习的训练层数可达8～9层。因此在2006年该思想被提出之初，海量的训练数据和很高的计算复杂度超出了当时硬件的承受能力。但由于计算机硬件性能的提升，深度学习算法在准确率方面的优势迅速凸显。目前，谷歌、微软、百度等公司都成立了专门的部门对深度学习技术进行研究开发，市场上也涌现出一批基于深度学习的人脸识别团队。目前，基于深度学习的方法已经成为人脸识别技术领域的重要发展趋势和方向。



随着技术变革和应用的普及，建设大规模、分布式人脸数据库及识别系统的成本不断降低，识别的精度不断****。可以预见，人脸识别技术在商业银行领域的潜在价值将被不断发掘提升，在保障服务安全性、节约客户时间、提升客户体验、整合与挖掘数据资源等方面具备广泛的应用前景。