人脸识别技术是以身份检索或校验为目标，通过从给定的静态或动态图像中提取人脸信息等手段，与数据库中已知身份人脸进行匹配的过程。由于受到光照、表情、遮挡、朝向等干扰因素的影响，与其他基于身份证、虹膜、掌纹、指纹等技术手段相比，人脸识别技术的准确率相对较低，但其采集方式最为友好：无须当事人配合，甚至在其意识不到的情况下，就完成了对人脸信息的采集与识别。因此，人脸识别技术在过去的四十多年中一直是人工智能领域的热点研究课题，至今已逐渐走向成熟，已经应用于反恐、安防、门禁等领域，近年来开始向教育、金融等领域推广。

    根据应用场景的不同，人脸识别可分为针对二维图像的人脸识别、针对监控视频的人脸识别、针对近红外、热红外成像或素描等的多模态人脸识别和针对深度信息的三维人脸识别等。对于上述各种数据输入类型，均有来自学术界、业界的研究人员提出了基于不同假设、不同模型、不同学科背景的人脸识别处理方法。经归纳，这些方法有类似的处理步骤，主要包括以下几类：一是人脸检测。解决“有几张脸、脸在哪”的问题，即从图片或视频中检测并确定人脸的位置，并将其分离。二是人脸跟踪(针对视频人脸)。解决识别人脸“从哪来、到哪去”的问题，对检测到的每一张脸在视频各帧中进行跟踪，如出现遮挡应在遮挡结束后恢复跟踪，比如两张人脸交错而过应不出现混淆。三是人脸规范化。解决“鼻子、眼睛、嘴巴位置对得上”的问题，具体操作包括预处理、归一化、人脸标定等。四是人脸识别。即解决“这个人是谁”(检索)、“这个人是不是某客户”(校验)的问题。

　　在建立人脸数据库及识别系统时，需要对人脸数据进行训练并建模，如果数据库动态更新还将涉及到在线学习等内容;识别人脸时，要把须识别的人脸与数据库中已有的人脸进行对比，判断二者相似程度，并按预先设定的标准进行检索或校验。人脸识别有多种方法，如：基于几何特征、基于子空间映射降维、基于模板、基于模型、基于神经网络等方法。

　　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。作为一类基于神经网络的方法，根据认知心理学，其主要思想是模拟人类大脑神经的信号传递。与传统神经网络模型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，识别的精度不断提高。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。

<<<<：监狱安防,监狱人脸识别系统,监狱人脸识别解决方案,监狱AB门禁系统