编 | 智东西内参

自20世纪下半叶，打算机视觉技能逐渐地发展壮大。
同时，伴随着数字图像干系的软硬件技能在人们生活中的广泛利用，数字图像已经成为当代社会信息来源的主要构成成分，各种图像处理与剖析的需求和运用也不断匆匆使该技能的改造。
打算机视觉技能的运用十分广泛。
数字图像检索管理、医学影像剖析、智能安检、人机交互等领域都有打算机视觉技能的涉足。
该技能是人工智能技能的主要组成部分，也是当今打算机科学研究的前沿领域。
经由近年的不断发展，已逐步形成一套以数字旗子暗记处理技能。
打算机图形图像、信息论和语义学相互结合的综合性技能，并具有较强的边缘性和学科交叉性。
个中，人脸检测与识别当前图像处理、模式识别和打算机视觉内的一个热门研究课题， 也是目前生物特色识别中最受人们关注的一个分支。

人脸识别，是基于人的脸部特色信息进行身份识别的一种生物识别技能。
常日采取摄像机或摄像头采集含有人脸的图像或***流，并自动在图像中检测和跟踪人脸。
根据资料，2017 年生物识别技能环球市场规模上升到了 172 亿美元，到 2020 年，估量全天下的生物识别市场规模有可能达到 240 亿美元。
自 2015 年到 2020 年，人脸识别市场规模增长了 166.6%，在浩瀚生物识别技能中增幅居于首位，估量到 2020 年人脸识别技能市场规模将上升至 24 亿美元。

本期的智能内参我们推举来自清华大学副教授唐杰领导的学者大数据挖掘项目Aminer的研究报告，讲解人脸识别技能及其运用领域，先容人脸识别领域的海内玩人才并预测该技能的发展趋势。
如果想收藏本文的报告全文（Aminer：人脸识别研究报告），可以在智东西号回答关键词“nc296”获取。

1、基本观点

人类视觉系统的独特魅力使令着研究者们试图通过视觉传感器和打算机软硬件仿照出人类对三维天下图像的采集、处理、剖析和学习能力，以便使打算机和机器人系统具有智能化的视觉功能。
在过去 30 年间，浩瀚不同领域的科学家们不断地考试测验从多个角度去理解生物视觉和神经系统的奥秘，以便借助其研究成果造福人类。
自 20 世纪下半叶，打算机视觉技能就在此背景下逐渐地发展壮大。
同时，伴随着数字图像干系的软硬件技能在人们生活中的广泛利用，数字图像已经成为当代社会信息来源的主要构成成分，各种图像处理与剖析的需求和运用也不断匆匆使该技能的改造。

打算机视觉技能的运用十分广泛。
数字图像检索管理、医学影像剖析、智能安检、人机交互等领域都有打算机视觉技能的涉足。
该技能是人工智能技能的主要组成部分，也是当今打算机科学研究的前沿领域。
经由近年的不断发展，已逐步形成一套以数字旗子暗记处理技能、打算机图形图像、信息论和语义学相互结合的综合性技能，并具有较强的边缘性和学科交叉性。
个中，人脸检测与识别当前图像处理、模式识别和打算机视觉内的一个热门研究课题， 也是目前生物特色识别中最受人们关注的一个分支。

人脸识别，是基于人的脸部特色信息进行身份识别的一种生物识别技能。
常日采取摄像机或摄像头采集含有人脸的图像或***流，并自动在图像中检测和跟踪人脸。
根据中国报告网发布《2018 年中国生物识别市场剖析报告-行业深度剖析与发展前景预测》中内容，2017 年生物识别技能环球市场规模上升到了 172 亿美元，到 2020 年，估量全天下的生物识别市场规模有可能达到 240 亿美元。
自 2015 年到 2020 年，人脸识别市场规模增长了 166.6%，在浩瀚生物识别技能中增幅居于首位，估量到 2020 年人脸识别技能市场规模将上升至 24 亿美元。

在不同的生物特色识别方法中，人脸识别有其自身分外的上风，因而在生物识别中有着重要的地位。
人脸识别的五个上风：

非侵扰性。
人脸识别无需滋扰人们的正常行为就能较好地达到识别效果，无需担心被识别者是否乐意将手放在指纹采集设备上，他们的眼睛是否能够对准虹膜扫描装置等等。
只要在摄像机前自然地勾留少焉，用户的身份就会被精确识别。

便捷性。
采集设备大略，利用快捷。
一样平常来说，常见的摄像头就可以用来进行人脸图像的采集， 不需特殊繁芜的专用设备。
图像采集在数秒内即可完成。

友好性。
通过人脸识别身份的方法与人类的习气同等，人和机器都可以利用人脸图片进行识别。
而指纹，虹膜等方法没有这个特点，一个没有经由分外演习的人，无法利用指纹和虹膜图像对其他人进行身份识别。

非打仗性。
人脸图像信息的采集不同于指纹信息的采集，利用指纹采集信息须要用手指打仗到采集设备，既不卫生，也随意马虎引起利用者的反感，而人脸图像采集，用户不须要与设备直接打仗。

可扩展性。
在人脸识别后，下一步数据的处理和运用，决定着人脸识别设备的实际运用，如运用在出入门禁掌握、人脸图片搜索、高下班刷卡、胆怯分子识别等各个领域，可扩展性强。

正是由于人脸识别拥有这些良好的特性，使其具有非常广泛的运用前景，也正引起学术界和商业界越来越多的关注。
人脸识别已经广泛运用于身份识别、活体检测、唇语识别、创意相机、人脸美化、社交平台等场景中。

2、发展进程

早在 20 世纪 50 年代，认知科学家就已动手对人脸识别展开研究。
20 世纪 60 年代，人脸识别工程化运用研究正式开启。
当时的方法紧张利用了人脸的几何构造，通过剖析人脸器官特色点及其之间的拓扑关系进行辨识。
这种方法大略直不雅观，但是一旦人脸姿态、表情发生变革，精度则严重低落。

20世纪90年代：1991 年，著名的“特色脸”（Eigenface）方法第一次将主身分剖析和统计特色技能引入人脸识别，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 判别准则运用于人脸分类，提出了基于线性判别剖析的Fisherface 方法。

2000-2012年：21 世纪的前十年，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、流形学习以及查究法等进行人脸识别。
2009 年至 2012 年，稀疏表达（Sparse Representation）由于其幽美的理论和对遮挡成分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色提取和子空间方法进行特色选择能够取得最好的识别效果。

Gabor 及 LBP 特色描述子是迄今为止在人脸识别领域最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，比如人脸光照归一化、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（LFW 是由美国马萨诸塞大学发布并掩护的公开人脸数集，测试数据规模为万）在此背景下开始盛行，当时最好的识别系统只管在受限的 FRGC 测试集上能取得 99%以上的识别精度，但是在 LFW 上的最高精度仅仅在 80%旁边，间隔实用看起来间隔颇远。

2013年：微软亚洲研究院的研究者首度考试测验了 10 万规模的大演习数据，并基于高维LBP 特色和 Joint Bayesian 方法在 LFW 上得到了 95.17%的精度。
这一结果表明：大演习数据集对付有效提升非受限环境下的人脸识别很主要。
然而，以上所有这些经典方法，都难以处理大规模数据集的演习场景。

2014年：2014 年前后，随着大数据和深度学习的发展，神经网络重受瞩目，并在图像分类、手写体识别、语音识别等运用中得到了远超经典方法的结果。
喷鼻香港中文大学的 Sun Yi 等人提出将卷积神经网络运用到人脸识别上，采取 20 万演习数据，在 LFW 上第一次得到超过人类水平的识别精度，这是人脸识别发展历史上的一座里程碑。
自此之后，研究者们不断改进网络构造，同时扩大演习样本规模，将 LFW 上的识别精度推到 99.5%以上。
人脸识别发展过程中一些经典的方法及其在 LFW 上的精度，都有一个基本的趋势：演习数据规模越来越大，识别精度越来越高。

▲人脸识别技能发展进程

3、中国政策支持

2015 年以来，国家密集出台了《关于银行业金融机构远程开立公民币账户的辅导见地（搜聚见地稿）》，给人脸识别遍及打开了门缝；其后，《安全戒备***监控人脸识别系统技能哀求》、《信息安全技能网络人脸识别认证系统安全技能哀求》等法律法规，为人脸识别在金融、安防、医疗等领域的遍及打下了坚实的根本，扫清了政策障碍。
同时，2017 年人工智能首次写入国家政府报告，作为人工智能的主要细分领域，国家对人脸识别干系的政策支持力度在不断的加大。
2017 年 12 月发布的《促进新一代人工智能家当发展三年行动操持（2018-2020 年）》方案“到 2020 年，繁芜动态场景下人脸识别有效检出率超过 97%，精确识别率超过 90%”。

▲人脸识别干系政策

4、发展热点

研究通过对以往人脸识别领域论文的挖掘，总结出人脸识别领域的研究关键词紧张集中在人脸识别、特色提取、稀疏表示、图像分类、神经网络、目标检测、人脸图像、人脸检测、图像表示、打算机视觉、姿态估计、人脸确认等领域。

下图是对人脸识别研究趋势的剖析，旨在基于历史的科研成果数据的根本上，对技能来源、热度乃至发展趋势进行研究。
图 2 中，每个彩色分支代表一个关键词领域，其宽度表示该关键词的研究热度，各关键词在每一年份的位置是按照这一韶光上所有关键词的热度高度进行排序。
起初，Computer Vision（打算机视觉）是研究的热点，在 20 世纪末期，Feature Extraction（特色提取）超越 CV，成为研究的新热点，其后在 21 世纪初期被 Face Recognition 超过，至今一贯处在第二的位置上。

▲人脸识别干系热点

此外，研究根据最近两年揭橥于 FG（International Conference on Automatic Face and Gesture Recognition）的论文中提取出来的关键词创造，Face Recognition 涌现频率最高，为118 次，Object Detection 排在第二位，为 41 次，Image Classification 和 Object Recognition 以36 次并列第三，涌现次数超过十次的词汇还有 Image Segmentation（32）、Action Recognition（32）、Sparse Representation（28）、Image Retrieval（27）、Visual Tracking（24）、SingleImage（23）。
词云图如下所示：

▲人脸识别词云剖析

5、人脸识别干系会议

打算机视觉（CV）界三大顶级国际会议：

ICCV： IEEE International Conference on Computer Vision

该会议由美国电气和电子工程师学会（IEEE， Institute of Electrical & Electronic Engineers）主理，紧张在欧洲、亚洲、美洲的一些科研实力较强的国家举行。
作为天下顶级的学术会议，首届国际打算机视觉大会于 1987 年在伦敦揭幕，其后两年举办一届。
ICCV 是打算机视觉领域最高级别的会议，会议的论文集代表了打算机视觉领域最新的发展方向和水平。
论文接管率在 20%旁边。
方向为打算机视觉、模式识别、多媒体打算等。

近年来，环球学界愈来愈关注中国人在打算机视觉领域所取得的科研造诣，这是由于由中国人主导的干系研究已取得了长足的进步——2007 年大会共收到论文 1200 余篇，而获选论文仅为 244 篇，个中来自中国大陆，喷鼻香港及***的论文有超过 30 篇，超过大会获选论文总数的 12%。
作为最早投入深度学习技能研发的华人团队，在多年布局的关键技能根本之上，喷鼻香港中文大学教授汤晓鸥率领的团队迅速取得技能打破。
2012 年国际打算视觉与模式识别会议（CVPR）上仅有的两篇深度学习文章均出自汤晓鸥实验室，而在 2013 年国际打算机视觉大会（ICCV）上环球学者共揭橥的 8 篇深度学习领域的文章中，有 6 篇出自汤晓鸥实验室。

CVPR：IEEE Conference on Computer Vision and Pattern Recognition

该会议是由 IEEE 举办的打算机视觉和模式识别领域的顶级会议。
每年召开一次，录取率在 25%旁边。
方向为打算机视觉、模式识别、多媒体打算等。

喷鼻香港中文大学教授汤晓鸥率领的团队在环球范围内做出了大量深度学习原创技能打破：2012 年国际打算视觉与模式识别会议（CVPR）上仅有的两篇深度学习文章均出自其实验室；2011—2013 年间在打算机视觉领域两大顶级会议 ICCV 和 CVPR 上揭橥了 14 篇深度学习论文，霸占全天下在这两个会议上深度学习论文总数（29篇）的近一半。
他在 2009 年得到打算机视觉领域两大最顶尖的国际学术会议之一 CVPR 最佳论文奖，这是 CVPR 历史上来自亚洲的论文首次获奖。

ECCV：European Conference on Computer Vision

ECCV 是一个欧洲的会议，每次会议在环球范围任命论文 300 篇旁边，紧张的任命论文都来自美国、欧洲等顶尖实验室及研究所，中国大陆的论文数量一样平常在 10-20 篇之间。
ECCV2010 的论文录取率为 27%。
两年召开一次，论文接管率在 20%旁边。
方向为打算机视觉、模式识别、多媒体打算等。
2018 年的 ECCV 于 2018 年 9 月 8 日-14 日在德国慕尼黑举办。

亚洲打算机视觉会议：

ACCV：Asian Conference on Computer Vision

ACCV 即亚洲打算机视觉会议，是 AFCV（Asian Federation of Computer Vision，亚洲打算机视觉同盟）自 1993 年以来官方组织的两年一度的会议，旨在为研究者、开拓者和参与者供应一个良好的平台来展示和谈论打算机视觉领域和干系领域的新问题、新方案和新技能。
2018 年第 14 届亚洲打算机视觉会议将于 2018 年 12 月 4 日-6 日在澳大利亚举办。

人脸和手势识别专门的会议：

FG：IEEE International Conference on Automatic Face and Gesture Recognition

“International Conference on Automatic Face and Gesture Recognition”是环球范围内人脸与手势识别领域的威信学术会议。
会议方向有人脸检测、人脸识别、表情识别、姿势剖析、生理行为剖析等。

1、人脸识别流程

人脸识别技能事理大略来讲紧张是三大步骤：一是建立一个包含大批量人脸图像的数据库，二是通过各种办法来获得当前要进行识别的目标人脸图像，三是将目标人脸图像与数据库中既有的人脸图像进行比对和筛选。
根据人脸识别技能事理详细履行起来的技能流程则紧张包含以下四个部分，即人脸图像的采集与预处理、人脸检测、人脸特色提取、人脸识别和活体鉴别。

▲人脸识别技能流程

人脸图像的采集与预处理

人脸图像的采集与检测详细可分为人脸图像的采集和人脸图像的检测两部分内容。

人脸图像的采集：采集人脸图像常日情形下有两种路子，分别是既有人脸图像的批量导入和人脸图像的实时采集。
一些比较前辈的人脸识别系统乃至可以支持有条件的过滤掉不符合人脸识别质量哀求或者是清晰度质量较低的人脸图像，尽可能的做到清晰精准的采集。
既有人脸图像的批量导入：即将通过各种办法采集好的人脸图像批量导入至人脸识别系统，系统会自动完成逐个人脸图像的采集事情。
人脸图像的实时采集：即调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集事情。

人脸图像的预处理：人脸图像的预处理的目的是在系统对人脸图像的检测根本之上，对人脸图像做出进一步的处理以利于人脸图像的特色提取。
人脸图像的预处理详细而言是指对系统采集到的人脸图像进行光芒、旋转、切割、过滤、降噪、放大缩小等一系列的繁芜处理过程来使得该人脸图像无论是从光芒、角度、间隔、大小等任何方面来看均能够符合人脸图像的特色提取的标准哀求。
在现实环境下采集图像，由于图像受到光芒明暗不同、脸部表情变革、阴影遮挡等浩瀚外在成分的滋扰，导致采集图像质量不理想，那就须要先对采集到的图像预处理，如果图像预处理不好，将会严重影响后续的人脸检测与识别。
研究先容三种图像预处理手段，即灰度调度、图像滤波、图像尺寸归一化等。

灰度调度：由于人脸图像处理的终极图像一样平常都是二值化图像，并且由于地点、设备、光照等方面的差异，造成采集到彩色图像质量不同，因此须要对图像进行统一的灰度处理，来平滑处理这些差异。
灰度调度的常用方法有均匀值法、直方图变换法、幂次变换法、对数变换法等。

图像滤波：在实际的人脸图像采集过程中，人脸图像的质量会受到各种噪声的影响，这些噪声来源于多个方面，比如周围环境中充斥大量的电磁旗子暗记、数字图像传输受到电磁旗子暗记的滋扰等影响信道，进而影响人脸图像的质量。
为担保图像的质量，减小噪声对后续处理过程的影响， 必须对图像进行降噪处理。
去除噪声处理的事理和方法很多，常见的有均值滤波，中值滤波等。
目前常用中值滤波算法对人脸图像进行预处理。

图像尺寸归一化：在进行大略的人脸演习时候，碰着人脸库的图像像素大小不一样时，我们须要在上位机人脸比对识别之前对图像做尺寸归一化处理。
须要比较常见的尺寸归一化算法有双线性插值算法、最近邻插值算法和立方卷积算法等。

人脸检测

一张包含人脸图像的图片常日情形下可能还会包含其他内容，这时候就须要进行必要的人脸检测。
也便是在一张人脸图像之中，系统会精准的定位出人脸的位置和大小，在挑选出有用的图像信息的同时自动剔除掉其他多余的图像信息来进一步的担保人脸图像的精准采集。

人脸检测是人脸识别中的主要组成部分。
人脸检测是指运用一定的策略对给出的图片或者***来进行检索，判断是否存在着人脸，如果存在则定位出每张人脸的位置、大小与姿态的过程。
人脸检测是一个具有寻衅性的目标检测问题，紧张表示在两方面：人脸目标内在的变革引起：1、人脸具有相称繁芜的细节变革和不同的表情(眼、嘴的开与闭等)，不同的人脸具有不同的外面，如脸形、肤色等；2、人脸的遮挡，如眼镜、头发和头部饰物等。
外在条件变革引起：1、由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及高下旋转等，个中深度旋转影响较大；2、光照的影响，如图像中的亮度、比拟度的变革和阴影等；3、图像的成像条件，如摄像设备的焦距、成像间隔等。

人脸检测的浸染，便是在一张人脸图像之中，系统会精准的定位出人脸的位置和大小， 在挑选出有用的图像信息的同时自动剔除掉其他多余的图像信息来进一步的担保人脸图像 的精准采集。
人脸检测重点关注以下指标：

检测率：识别精确的人脸/图中所有的人脸。
检测率越高，检测模型效果越好； 误检率：识别缺点的人脸/识别出来的人脸。
误检率越低，检测模型效果越好； 漏检率：未识别出来的人脸/图中所有的人脸。
漏检率越低，检测模型效果越好； 速率：从采集图像完成到人脸检测完成的韶光。
韶光越短，检测模型效果越好。

目前的人脸检测方法可分为三类，分别是基于肤色模型的检测、基于边缘特色的检测、基于统计理论方法，下面将对其进行大略的先容：

1、基于肤色模型的检测：肤色用于人脸检测时，可采取不同的建模方法，紧张有高斯模型、高斯稠浊模型，以及非参数估计等。
利用高斯模型和高斯稠浊模型可以在不同颜色空间中建立肤色模型来进行人脸检测。
通过提取彩色图像中的面部区域以实现人脸检测的方法能够处理多种光照的情形， 但该算法须要在固定摄像机参数的条件下才有效。
Comaniciu 等学者利用非参数的核函数概率密度估计法来建立肤色模型，并利用 mean-shift 方法进行局部搜索实现了人脸的检测和跟踪。
这一方法提高了人脸的检测速率，对付遮挡和光照也有一定的鲁棒性。
该方法的不敷是和其他方法的可结合性不是很高，同时，用于人脸检测时，处理繁芜背景和多个人脸时存在困难。

为理解决人脸检测中的光照问题，可以针对不同光照进行补偿，然后再检测图像中的肤色区域。
这样可以办理彩色图像中偏光、背景繁芜和多个人脸的检测问题，但对人神颜色、位置、尺度、旋转、姿态和表情等具有不敏感性。

2、基于边缘特色的检测：利用图像的边缘特色检测人脸时，打算量相对较小，可以实现实时检测。
大多数利用边缘特色的算法都是基于人脸的边缘轮廓特性，利用建立的模板（如椭圆模版）进行匹配。
也有研究者采取椭圆环模型与边缘方向特色，实现大略背景的人脸检测。
Fröba 等采取基于边缘方向匹配（Edge-Orientation Matching，EOM）的方法，在边缘方向图中进行人脸检测。
该算法在繁芜背景下误检率比较高，但是与其他的特色相领悟后可以得到很好的效果。

3、 基于统计理论方法：本文重点先容基于统计理论方法中的Adaboost人脸检测算法。
Adaboost算法是通过无数次循环迭代来寻求最优分类器的过程。
用弱分类器Haar特色中任一特色放在人脸样本上，求出人脸特色值，通过更多分类器的级联便得到人脸的量化特色，以此来区分人脸和非人脸。
Haar功能由一些大略玄色白色水平垂直或旋转45°的矩形组成。
目前的Haar特色总的来说广义地分为三类：边缘特色、线特色以及中央特色。

这一算法是由剑桥大学的 Paul Viola 和 Michael Jones 两位学者提出，该算法优点在于不仅打算速率快，还可以达到和其他算法相称的性能，以是在人脸检测中运用比较广泛，但也存在着较高的误检率。
由于在采取 Adaboost 算法学习的过程中，末了总有一些人脸和非人脸模式难以区分，而且其检测的结果中存在一些与人脸模式并不相像的窗口。

人脸特色提取

目前主流的人脸识别系统可支持利用的特色常日可分为人脸视觉特色、人脸图像像素统计特色等，而人脸图像的特色提取便是针对人脸上的一些详细特色来提取的。
特色大略，匹配算法则大略，适用于大规模的建库；反之，则适用于小规模库。
特色提取的方法一样平常包括基于知识的提取方法或者基于代数特色的提取方法。

以基于知识的人脸识别提取方法中的一种为例，由于人脸紧张是由眼睛、额头、鼻子、耳朵、下巴、嘴巴等部位组成，对这些部位以及它们之间的构造关系都是可以用几何形状特色来进行描述的，也便是说每一个人的人脸图像都可以有一个对应的几何形状特色，它可以帮助我们作为识别人脸的主要差异特色，这也是基于知识的提取方法中的一种。

人脸识别

我们可以在人脸识别系统中设定一个人脸相似程度的数值，再将对应的人脸图像与系统数据库中的所有人脸图像进行比对，若超过了预设的相似数值，那么系统将会把超过的人脸图像逐个输出，此时我们就须要根据人脸图像的相似程度高低和人脸本身的身份信息来进行精确筛选，这一精确筛选的过程又可以分为两类：其一是一对一的筛选，即对人脸身份进行确认过程；其二是一对多的筛选，即根据人脸相似程度进行匹配比对的过程。

活体鉴别

生物特色识别的共同问题之一便是要差异该旗子暗记是否来自于真正的生物体，比如，指纹识别系统须要差异带识别的指纹是来自于人的手指还是指纹手套，人脸识别系统所采集到的人脸图像，是来自于真实的人脸还是含有人脸的照片。
因此，实际的人脸识别系统一样平常须要增加活体鉴别环节，例如，哀求人旁边转头，眨眼睛，开开口说句话等。

2、 人脸识别紧张方法

人脸识别技能的研究是一个超过多个学科领域知识的高端技能研究事情，其包括多个学科的专业知识，如图像处理、生理学、生理学、模式识别等知识。
在人脸识别技能研究的领域中，目前紧张有几种研究的方向，如：一种是根据人脸特色统计学的识别方法，其紧张有特色脸的方法以及隐马尔科夫模型（HMM，Hidden Markov Model）方法等；另一种人脸识别方法是关于连接机制的，紧张有人工神经网络（ANN，Artificial Neural Network）方法和支持向量机（SVM，Support Vector Machine）方法等；还有一个便是综合多种识别办法的方法。

基于特色脸的方法

特色脸的方法是一种比较经典而又运用比较广的人脸识别方法，其紧张事理是把图像做降维算法，使得数据的处理更随意马虎，同时，速率又比较快。
特色脸的人脸识别方法，实际上是将图像做 Karhunen-Loeve 变换，把一个高维的向量转化为低维的向量，从而肃清每个分量存在的关联性，使得变换得到的图像与之对应特色值递减。
在图像经由 K-L 变换后，其具有很好的位移不变性和稳定性。
以是，特色脸的人脸识别方法具有方便实现，并且可以做到速率更快，以及对正面人脸图像的识别率相称高档优点。
但是，该方法也具有不敷的地方， 便是比较随意马虎受人脸表情、姿态和光照改变等成分的影响，从而导致识别率低的情形。

基于几何特色的方法

基于几何特色的识别方法是根据人脸面部器官的特色及其几何形状进行的一种人脸识别方法，是人们最早研究及利用的识别方法，它紧张是采取不同人脸的不同特色等信息进行匹配识别，这种算法具有较快的识别速率，同时，其占用的内存也比较小，但是，其识别率也并不算高。
该方法紧张做法是首先对人脸的嘴巴、鼻子、眼睛等人脸紧张特色器官的位置和大小进行检测，然后利用这些器官的几何分布关系和比例来匹配，从而达到人脸识别。

基于几何特色识别的流程大体如下：首先对人脸面部的各个特色点及其位置进行检测， 如鼻子、嘴巴和眼睛等位置，然后打算这些特色之间的间隔，得到可以表达每个特色脸的矢量特色信息，例如眼睛的位置，眉毛的长度等，其次还打算每个特色与之相对应关系，与人脸数据库中已知人脸对应特色信息来做比较，末了得出最佳的匹配人脸。
基于几何特色的方法符合人们对人脸特色的认识，其余，每幅人脸只存储一个特色，以是占用的空间比较小； 同时，这种方法对光照引起的变革并不会降落其识别率，而且特色模板的匹配和识别率比较高。
但是，基于几何特色的方法也存在着鲁棒性不好，一旦表情和姿态轻微变革，识别效果将大打折扣。

基于深度学习的方法

深度学习的涌现使人脸识别技能取得了打破性进展。
人脸识别的最新研究成果表明，深度学习得到的人脸特色表达具有手工特色表达所不具备的主要特性，例如它是中度稀疏的、对人脸身份和人脸属性有很强的选择性、对局部遮挡具有良好的鲁棒性。
这些特性是通过大数据演习自然得到的，并未对模型加入显式约束或后期处理，这也是深度学习能成功运用在人脸识别中的紧张缘故原由。

深度学习在人脸识别上有 7 个方面的范例运用：基于卷积神经网络(CNN)的人脸识别方法，深度非线性人脸形状提取方法，基于深度学习的人脸姿态鲁棒性建模，有约束环境中的全自动人脸识别，基于深度学习的***监控下的人脸识别，基于深度学习的低分辨率人脸识别及其他基于深度学习的人脸干系信息的识别。

个中，卷积神经网络（Convolutional Neural Networks,CNN）是第一个真正成功演习多层网络构造的学习算法，基于卷积神经网络的人脸识别方法是一种深度的监督学习下的机器学习模型，能挖掘数据局部特色，提取全局演习特色和分类，其权值共享构造网络使之更类似于生物神经网络，在模式识别各个领域都得到成功运用。
CNN 通过结合人脸图像空间的局部感知区域、共享权重、在空间或韶光上的降采样来充分利用数据本身包含的局部性等特色，优化模型构造，担保一定的位移不变性。

利用 CNN 模型，喷鼻香港中文大学的 Deep ID 项目以及 Facebook 的 Deep Face 项目在 LFW 数据库上的人脸识别精确率分别达 97.45%和 97.35%只比人类视觉识别 97.5%的精确率略低。
在取得打破性成果之后，喷鼻香港中文大学的 DeepID2 项目将识别率提高到了 99.15%。
Deep ID2 通过学习非线性特色变换使类内变革达到最小，而同时使不同身份的人脸图像间的间隔保持 恒定，超过了目前所有领先的深度学习和非深度学习算法在 LFW 数据库上的识别率以及人类在该数据库的识别率。
深度学习已经成为打算机视觉中的研究热点，关于深度学习的新算 法和新方向不断呈现，并且深度学习算法的性能逐渐在一些国际重大评测比赛中超过了浅层 学习算法。

基于支持向量机的方法

将支持向量机（SVM）的方法运用到人脸识别中起源于统计学理论，它研究的方向是如何布局有效的学习机器，并用来办理模式的分类问题。
其特点是将图像变换空间，在其他空间做分类。

支持向量机构造相对大略，而且可以达到全局最头等特点，以是，支持向量机在目前人脸识别领域取得了广泛的运用。
但是，该方法也和神经网络的方法具有一样的不敷，便是须要很大的存储空间，并且演习速率还比较慢。

其他综合方法

以上几种比较常用的人脸识别方法，我们不丢脸出，每一种识别方法都不能做到完美的识别率与更快的识别速率，都有着各自的优点和缺陷，因此，现在许多研究职员则更喜好利用多种识别方法综合起来运用，取各种识别方法的上风，综合利用，以达到更高的识别率和识别效果。

人脸识别三大经典算法

特色脸法（Eigenface）

征脸技能是近期发展起来的用于人脸或者一样平常性刚体识别以及其它涉及到人脸处理的一种方法。
利用特色脸进行人脸识别的方法首先由 Sirovich 和 Kirby（1987）提出（《Low- dimensional procedure for the characterization of human faces》），并由 Matthew Turk 和 Alex Pentland 用于人脸分类（《Eigenfaces for recognition》）。
首先把一批人脸图像转换成一个特色向量集，称为“Eigenfaces”，即“特色脸”，它们是最初演习图像集的基本组件。
识别的过程是把一副新的图像投影到特色脸子空间，并通过它的投影点在子空间的位置以及投影线的长度来进行剖断和识别。

将图像变换到另一个空间后，同一个类别的图像会聚到一起，不同类别的图像会聚力比较远，在原像素空间中不同类别的图像在分布上很难用大略的线或者面切分，变换到另一个空间，就可以很好的把他们分开了。
Eigenfaces 选择的空间变换方法是 PCA（主身分剖析）， 利用 PCA 得到人脸分布的紧张身分，详细实现是对演习集中所有人脸图像的协方差矩阵进行本征值分解，得到对应的本征向量，这些本征向量便是“特色脸”。
每个特色向量或者特色脸相称于捕捉或者描述人脸之间的一种变革或者特性。
这就意味着每个人脸都可以表示为这些特色脸的线性组合。

局部二值模式（Local Binary Patterns，LBP）

局部二值模式（Local Binary Patterns LBP）是打算机视觉领域里用于分类的视觉算子。
LBP 一种用来描述图像纹理特色的算子，该算子由芬兰奥卢大学的 T.Ojala 等人在 1996 年提 出 （ 《 A comparative study of texture measures with classification based on featured distributions》）。
2002 年， T.Ojala 等人在 PAMI 上又揭橥了一篇关于 LBP 的文章（《Multiresolution gray-scale and rotation invariant texture classification with local binary patterns》）。
这一文章非常清楚的阐述了多分辨率、灰度尺度不变和旋转不变、等价模式的改进的 LBP 特色。
LBP 的核心思想便是：以中央像素的灰度值作为阈值，与他的领域比较较得到相对应的二进制码来表示局部纹理特色。

LBP 是提取局部特色作为判别依据的。
LBP 方法显著的优点是对光照不敏感，但是依然没有办理姿态和表情的问题。
不过比较于特色脸方法，LBP 的识别率已经有了很大的提升。

Fisherface

线性鉴别剖析在降维的同时考虑种别信息，由统计学家 Sir R. A. Fisher1936 年发明（《The use of multiple measurements in taxonomic problems》）。
为了找到一种特色组合办法，达到最大的类间离散度和最小的类内离散度。
这个想法很大略：在低维表示下，相同的类该当牢牢的聚在一起，而不同的种别只管即便间隔越远。
1997 年，Belhumer 成功将 Fisher 判别准则运用于人脸分类，提出了基于线性判别剖析的 Fisherface 方法（《Eigenfaces vs. fisherfaces: Recognition using class specific linear projection》）。

经典论文

Sirovich,L.,&Kirby,M.(1987).Low-dimensional procedure for the characterization of human faces.Josa a,4(3),519-524. 研究证明任何的分外人脸都可以通过称为 Eigenpictures 的坐标系统来表示。
Eigenpictures 是面部凑集的均匀协方差的本征函数。

Turk,M.,&Pentland,A.(1991).Eigenfaces for recognition.Journal of cognitive neuroscience, 3(1), 71-86. 研究开拓了一种近实时的打算机系统，可以定位和追踪人的头部，然后通过比较面部特色和已知个体的特色来识别该人。
该方法将面部识别问题视为二维识别问题。
识别的过程是把一副新的图像投影到特色脸子空间，该特色空间捕捉到已知面部图像之间的显著变革。
主要特色称为特色脸，由于它们是面集的特色向量。

Ojala,T.,Pietikäinen,M.,&Harwood,D.(1996).A comparative study of texture measures with classification based on featured distributions.Pattern recognition,29(1),51-59. 研究对不同的图形纹理进行比较，并提出了用来描述图像纹理特色的 LBP 算子。

Ojala,T.,Pietikainen,M.,&Maenpaa,T.(2002).Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE Transactions on pattern analysis and machine intelligence,24(7),971-987. 研究提出了一种理论上非常大略而有效的灰度和旋转不变纹理分类方法，该方法基于局部二值模式和样本和原型分布的非参数判别。
该方法具有灰度变革稳健、打算大略的特点。

Fisher,R.A.(1936).The use of multiple measurements in taxonomic problems.Annals of eugenics,7(2),179-188. 研究找到一种特色组合办法，以达到最大的类间离散度和最小的类内离散度。
办理办法为：在低维表示下，相同的类该当牢牢的聚在一起，而不同的种别只管即便间隔越远。

Belhumeur,P.N.,Hespanha,J.P.,&Kriegman,D.J.(1997).Eigenfaces vs.fisherfaces:Recognition using class specific linear projection. Yale University New Haven United States. 研究基于 Fisher 的线性判别进行面部投影，能够在低维子空间中产生良好分离的类，纵然在光照和面部表情的变革较大情形下也是如此。
广泛的实验结果表明， 所提出的“Fisherface”方法的偏差率低于哈佛和耶鲁人脸数据库测试的特色脸技能。

常用的人脸数据库

紧张先容以下几种常用的人脸数据库：

ERET人脸数据库

http://www.nist.gov/itl/iad/ig/colorferet.cfm

由 FERET 项目创建，此图像集包含大量的人脸图像，并且每幅图中均只有一个人脸。
该集中，同一个人的照片有不同表情、光照、姿态和年事的变革。
包含 1 万多张多姿态和光照的人脸图像，是人脸识别领域运用最广泛的人脸数据库之一。
个中的多数人是西方人，每个人所包含的人脸图像的变革比较单一。

CMU Multi-PIE人脸数据库

http://www.flintbox.com/public/project/4742/

由美国卡耐基梅隆大学建立。
所谓“PIE”便是姿态（Pose），光照（Illumination）和表情（Expression）的缩写。
CMU Multi-PIE 人脸数据库是在 CMU-PIE 人脸数据库的根本上发展起来的。
包含 337 位志愿者的 75000 多张多姿态，光照和表情的面部图像。
个中的姿态和光照变革图像也是在严格掌握的条件下采集的，目前已经逐渐成为人脸识别领域的一个主要的测试凑集。

YALE人脸数据库（美国，耶鲁大学）

http://cvc.cs.yale.edu/cvc/projects/yalefaces/yalefaces.html

由耶鲁大学打算视觉与掌握中央创建，包含 15 位志愿者的 165 张图片，包含光照、表情和姿态的变革。

Yale 人脸数据库中一个采集志愿者的 10 张样本，比较较 ORL 人脸数据库 Yale 库中每个工具采集的样本包含更明显的光照、表情和姿态以及遮挡变革。

YALE人脸数据库 B

ttps://computervisiononline.com/dataset/1105138686

包含了 10 个人的 5850 幅在 9 种姿态，64 种光照条件下的图像。
个中的姿态和光照变革的图像都是在严格掌握的条件下采集的，紧张用于光照和姿态问题的建模与剖析。
由于采集人数较少，该数据库的进一步运用受到了比较大的限定。

MIT人脸数据库

由麻省理工大学媒体实验室创建，包含 16 位志愿者的 2592 张不同姿态（每人 27 张照片），光照和大小的面部图像。

ORL人脸数据库

https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html

由英国剑桥大学 AT&T 实验室创建，包含 40 人共 400 张面部图像，部分志愿者的图像包括了姿态,表情和面部饰物的变革。
该人脸库在人脸识别研究的早期常常被人们采取，但由于变革模式较少，多数系统的识别率均可以达到 90%以上，因此进一步利用的代价已经不大。

ORL 人脸数据库中一个采集工具的全部样本库中每个采集工具包含10 幅经由归一化处理的灰度图像，图像尺寸均为 92×112 ，图像背景为玄色。
个中采集工具的面部表情和细节均有变革，例如笑与不笑、眼睛睁着或闭着以及戴或不戴眼镜等，不同人脸样本的姿态也有变革，其深度旋转和平面旋转可达 20 度。

BioID人脸数据库

https://www.bioid.com/facedb/

包含在各种光照和繁芜背景下的 1521 张灰度面部图像，眼睛位置已经被手工标注。

UMIST图像集

由英国曼彻斯特大学建立。
包括 20 个人共 564 幅图像，每个人具有不同角度、不同姿态的多幅图像。

年事识别数据集IMDB-WIKI

https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/

包含 524230 张从 IMDB 和 Wikipedia 爬取的名人数据图片。
运用了一个新颖的化回归为分类的年事算法。
实质便是在 0-100 之间的 101 类分类后，对付得到的分数和 0-100 相乘， 并将终极结果求和，得到终极识别的年事。

1、学者概况

AMiner 基于揭橥于国际期刊会议的学术论文，对人脸识别领域全 TOP1000 的学者进行打算剖析，绘制了该领域学者环球分布舆图。
从环球范围来看，美国是人脸识别研究学者聚拢最多的国家，在人脸识别领域的研究霸占绝对的上风；英国紧随其后，位列第二；中国位列环球第三，霸占一席之地；加拿大、德国和日本等国家也聚拢了部分人才。

▲人脸识别学者 TOP1000 环球分布图

▲人脸识别专家国家数量排名

▲人脸识别环球学者 h-index 统计

h-index：国际公认的能够比较准确地反响学者学术造诣的指数，打算方法是该学者至多有 h 篇论文分别被引用了至少 h 次。

环球人脸识别学者的 h-index 均匀数为 48， h-index 指数在 20 到 40 之间的学者最多，占比 33%； h-index 指数在 40 到 60 之间的学者和大于 60 占比相持不下，前者为 27%，后者为 28%； h-index 指数小于即是 10 的学者最少，仅占 2%。

▲人脸识别环球人才迁徙图

AMiner 选取人脸识别领域影响力排名前 1000 的专家学者，对其迁徙路径做了剖析。
由上图可以看出，各国人脸识别领域人才的流失落和引进略有差异，个中美国是人脸识别领域人才流动大国，人才输入和输出都大幅领先，且从数据来看人才流入略大于流出。
英国、中国、德国、加拿大和澳大利亚等国紧随其后，个中英国、中国和澳大利亚有轻微的人才流失落征象。

研究根据在环球范围内人脸与手势识别领域的威信学术会议（ IEEE International Conference on Automatic Face and Gesture Recognition，FG）上最近五年引用论文中，研究打算出 citation 和 h-index 排在前十的人脸识别专家，并截取部分领先学者加以先容。

Citation 排在前十的干系学者位列如下：

▲Citation 前十的人脸识别专家

h-index 排在前十二的干系学者位列如下：

▲h-index 前十的人脸识别专家

2、国内外人才

报告列举了环球 6 位专家学者和5位海内专家，详见本内参附件。

从运用角度看，人脸识别运用广泛，可运用于自动门禁系统、***件的鉴别、银行ATM 取款机以及家庭安全等领域。
详细来重视要有：

1、 公共安全：公安刑侦追逃、罪犯识别、边防安全检讨；

2、 信息安全：打算机和网络的登录、文件的加密和解密；

3、 政府职能：电子政务、户籍管理、社会福利和保险；

4、商业企业：电子商务、电子货币和支付、考勤、市场营销；

5、场所进出：军事机要部门、金融机构的门禁掌握和进出管理等。

1、门禁人脸识别

随着人们生活水平的提高，人们更加看重家居环境的安全，安防不雅观念不断加强；伴随着这种需求的提高，智能门禁系统应运而生，越来越多的企业、商铺、家庭都安装了各种各样的门禁系统。

当前比较普遍利用的门禁系统不外乎***门禁、密码门禁、射频门禁或指纹门禁等等。
个中，***门禁只是大略地把***信息传送给用户，并无多少智能化，实质上离不开“人防”，用户不在场时并不能绝对保障家居安全；密码门禁最大的硬伤是，密码随意马虎忘却，并且随意马虎破解；射频门禁的缺陷则是“认卡不认人”，射频卡随意马虎丢失及易被他人盗用；其余，指纹门禁的安全隐患则是指纹随意马虎复制。
因此，现有技能中供应的上述门禁系统均对应缘故原由存在安全性较低的问题。
安装了人脸识别系统，只要对着摄像头露个脸就可以轻松出入小区，真正实现了“刷脸卡”。
生物识别门禁系统不须要携带验证介质，验证特色具有唯一性，安全 性极好。
目前广泛的运用于机密等级较高的场所，例如研究所、银行等。

2、市场营销

面部识别技能在营销上紧张有两方面的运用：首先，可以识别一个人的基本个人信息， 例如性别、大致年事，以及他们看过什么，看了多久等。
户外广告公司，例如 Val Morgan Outdoor（VMO），开始采取面部识别技能来网络消费者数据。
其次，该技能可以用于识别已知的个人，例如小偷，或者已经加入系统的会员。
这方面的运用已经引起一些做事供应商和零售商的把稳。

此外，面部识别技能还可以提高广告的效果，并许可广告主对消费者的表现及时做出反应。
VMO 公司推出了一个丈量工具 DART，这个工具可以实时看出消费者眼睛关注的方向以及时长，从而可以判断出他们对一支广告的关注程度。
下一代的 DART 还将纳入更多的人口统计学信息，除了年事之外，还包括消费者在看一个数字标牌时的感情。

3、 商业银行

利用人脸识别技能戒备网络风险：对付我国广泛利用的磁条***，虽然技能成熟，规范，但制作技能并不繁芜，银行磁条卡磁道标准已经是公开的秘密，仅凭一台电脑和一台磁条读写器就可以顺利“克隆”银行 卡。
其余制卡机发卖管理不足严格。
不法分子利用***诱骗案件时有发生，紧张手段便是通过各种办法“克隆”或者盗用***。
目前，各家商业银行也采纳了一些技能手段防止伪 造和克隆卡，如采取 CVV（Check Value Verify）技能，在天生卡磁条信息的同时产生一组校验值，该校验值与每个卡片本身的特性干系联，从而达到复制无效的功能。
虽然采纳了多种方法，但磁条卡本身固有的毛病已严重威胁到客户的利益。
对付这些银行网络安全问题， 我们可以利用人脸识别技能戒备网络风险。
人脸识别技能便是通过图像采集设备捕捉人的脸部区域，然后把捕捉到的人脸和数据库中的人脸进行匹配，从而完成身份识别的任务。
利用人脸识别技能准确认定持卡人的真实身份，确保持卡人的资金安全。
其余，还可以通过人脸识别技能进一步锁定不法分子，有利于公安机关快速破案。

人脸识别技能在管理假钞方面的运用：目前，我国商业银行在自助设备方面存在的紧张问题：一是部分自助设备安装没有达到哀求。
商业银行的部分自助设备安装没有按照公安部门的哀求对设备进行与地面加固连接； 有的电气环境没有达到哀求：有的没有设置 110 连动报警或者没有可视监控报警，有的监控录像不足清晰，监控录像保存韶光没有达到规定哀求等，其余设备人为毁坏征象严重等。
二是自助设备端软件设计毛病。
特殊是某些国产设备软件设计不足合理，软件变更随意性大， 存在漏洞，造成错帐可能性比较大。
三是银行的 ATM 机中没有假钞鉴别设备。
由于我国商业银行在自助设备方面存在的问题，目前，假钞层出不穷。
由于银行的 ATM 机中没有假钞鉴别设备，只是在清机职员放入现金前做了鉴别，这样的方法并不足完善，且随意马虎造成银行与持卡人之间的轇轕。
纵然是现金存款机（CRS）有假钞鉴别功能，但每每由于假钞识别特色提取的滞后，而被不法分子所利用。
不法分子先存入假钞，然后立时在柜台或其他自助设备上提取真钞，以此手段谋取不法利益。

总的来说，人脸识别的趋势包括以下几方面。

1、机器识别与人工识别相结合

目前市情上主流的一些人脸识别公司在引用国内外有名的人脸图像数据库进行测试时， 其人脸识别的精准性一样平常都可以达到 95%以上，而且进行精准人脸识别的速率也非常快，这也从侧面为人脸识别技能投入实际运用供应了强有力的实践证明。

不过在实际的生活中，每个人的人脸相对付摄像头而言并不是保持静止不动的，相反则是处于高速的运动状态之中，摄像机采集到的人脸图像会由于人脸的姿态、表情、光芒、装饰物平分歧而呈现出完备不同的样子，也极有可能会涌现采集到的人脸图像不清晰、不完全、关键部位特色不明显的情形，这个时候人脸识别系统也就可能无法做到快速和精准的人脸识别了。

因此在设定了一定的人脸图像相似程度数值之后，人脸识别公司系统会对高于该相似程度数值的人脸图像做出提示，然后再由人工进行逐个的筛选，采取机器识别与人工识别相结合的办法才能最大限度的做到人脸图像的精准识别。

2、3D 人脸识别技能的广泛运用

不论是时下主流的人脸图像数据库中已经保存好的人脸图像，还是在街边路口由摄像头实时采集到的人脸图像，绝大多数实在都是一张 2D 人脸图像。
2D 人脸图像本身实在存在着固有的毛病，那便是它无法做到深度的表达人脸图像信息，在拍摄时特殊随意马虎受到光照、姿态、表情等成分的影响。
而对付人脸来讲，人脸面部包括眼睛、鼻子、耳朵、下巴等诸多的关键部位并不是处于一个平面上的，人脸天然具有立体效果，拍摄 2D 人脸图像不能够很好的完备反响出人脸面部的全部关键特色。

2017 年，iPhone X 这部搭载了浩瀚最新前沿技能的智好手机一经亮相，便引起业界的极大关注。
个中最引人瞩目确当属于一项黑科技：3D 人脸解锁功能，即 Face ID，一种新的身份认证办法。
在开锁时，用户只须要注目动手机，Face ID 就能实现人脸识别解锁。

▲苹果在 3D 视觉领域的布局

苹果 iPhone X 加入 3D 面部识别功能并不是心血来潮，由于其在 2010 年的时候就已经开始在 3D 视觉领域进行告终构。
特殊是在 2013 年，苹果公司以 3.45 亿美元的价格收购了以色列的 3D 视觉公司 PrimeSense。
这项收购是苹果公司史上最大手笔的收购之一。
此后， 苹果还投资了一些列的 3D 视觉技能和人脸识别技能公司。

此外，Face ID 还可用于 Apple pay 和第三方运用。
比如，苹果就利用 Face ID 对 emoji 功能进行了升级，可通过 Face ID 利用户面部表情来创建 3D 表情 Animojis，可利用动画来表达感情，不过目前这个功能只能利用在苹果自己的 iMessage 中。
这种直接“刷脸”的办法带给了用户更真实的人机交互体验。

3、基于深度学习的人脸识别技能的广泛运用

目前主流的人脸识别技能大多都是针对轻量级的人脸图像数据库，对付未来完备可预见的亿万级的人脸图像数据库则还不太成熟，因此须要重点研究基于深度学习的人脸识别技能。

普通意义上来讲便是，目前海内子口有十三亿之多，由实力雄厚的人脸识别公司牵头在不久的未来建立起一个覆盖全国范围的统一的人脸图像数据库也是可以预见的，那么该人脸图像数据库存储的人脸图像的容量可能会达到数十亿乃至是数百亿的级别，这时候可能就会存在大量表征相似、关键特色点相似的人脸，如果没有基于深度学习的人脸识别技能，建立更为繁芜的多样化的人脸模型，那么在实现精准和快速的人脸识别就会比较困难。

4、人脸图像数据库的本色提升

建立具备优秀的多样性和通用性的人脸图像数据库也是一个一定的事情，与目前主流的人脸识别公司引用的数据库比较，其本色上的提升紧张表示在如下几个方面：一是人脸图像数据库量级的提升，将会从现在的十万百万级提升至未来的十亿级乃至是百亿级；二是质级的提升，将会由主流的2D 人脸图像提升至各种关键特色点更为明显和清晰的3D 人脸图像； 三是人脸图像的类型提升，将会采集每个人在各个不同的姿态、表情、光芒、装饰物等之下的人脸图像，以充足每个人的人脸表征进而做到精准的人脸识别。

智东西认为，人脸识别是AI技能发展较快、运用较多的一个领域，有着广泛的运用范围。
在今年的安博会上，人脸识别及动态捕捉技能，险些成为每家展商的“标配”。
随着国家科研机构的研发投入、企业对技能的研讨、市场的推广等，人脸识别将迎来更美好的发展浪潮。
未来人脸识别或成为有效身份识别主流，届时，人脸识别就不是什么新鲜词了。