傳統(tǒng)的人臉識(shí)別技術(shù)主要是基于可見光圖像的人臉識(shí)別，這也是人們熟悉的識(shí)別方式，已有30多年的研發(fā)歷史。但這種方式有著難以克服的缺陷，尤其在環(huán)境光照發(fā)生變化時(shí)，識(shí)別效果會(huì)急劇下降，無法滿足實(shí)際系統(tǒng)的需要。解決光照問題的方案有三維圖像人臉識(shí)別，和熱成像人臉識(shí)別。但這兩種技術(shù)還遠(yuǎn)不成熟，識(shí)別效果不盡人意。人臉識(shí)別系統(tǒng)主要包括四個(gè)組成部分，分別為：人臉圖像采集及檢測(cè)、人臉圖像預(yù)處理、人臉圖像特征提取以及匹配與識(shí)別。游人在網(wǎng)上預(yù)訂電子門票后，可以在檢票系統(tǒng)上通過刷臉進(jìn)入景點(diǎn)，也可以憑借一張門票逛到所有景點(diǎn)。

人臉識(shí)別需要積累采集到的大量人臉圖像相關(guān)的數(shù)據(jù)，用來驗(yàn)證算法，不斷提高識(shí)別準(zhǔn)確性，這些數(shù)據(jù)諸如A Neural Network Face Recognition Assignment(神經(jīng)網(wǎng)絡(luò)人臉識(shí)別數(shù)據(jù))、orl人臉數(shù)據(jù)庫(kù)、麻省理工學(xué)院生物和計(jì)算學(xué)習(xí)中心人臉識(shí)別數(shù)據(jù)庫(kù)、埃塞克斯大學(xué)計(jì)算機(jī)與電子工程學(xué)院人臉識(shí)別數(shù)據(jù)等。同時(shí)抓取的照片還將通過網(wǎng)絡(luò)傳輸給公1安相對(duì)應(yīng)的人口庫(kù)（黑名單庫(kù)）進(jìn)行比對(duì)識(shí)別，結(jié)果將實(shí)時(shí)傳回前端。該理論側(cè)重于人臉實(shí)時(shí)數(shù)據(jù)的中間值處理，從而可以在識(shí)別速率和識(shí)別效能之間，達(dá)到1佳的匹配效果

這些應(yīng)用場(chǎng)景的共同特點(diǎn)是：人臉識(shí)別系統(tǒng)都事先存儲(chǔ)了大量的不同人臉和身1份信息，系統(tǒng)運(yùn)行時(shí)需要將見到的人臉與之前存儲(chǔ)的大量人臉做比對(duì)，找出匹配的人臉。

兩者在早期（2012年~2015年）是通過不同的算法框架來實(shí)現(xiàn)的，想同時(shí)擁有人臉驗(yàn)證和人臉識(shí)別系統(tǒng)，需要分開訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)。而 2015 年 Google 的 FaceNet [1] 的發(fā)表改變了這一現(xiàn)狀，將兩者統(tǒng)一到一個(gè)框架里。

人臉識(shí)別同樣考慮一個(gè)場(chǎng)景，人臉考勤。公司 X 有員工 A,B,C，公司會(huì)要求三名員工在入職的時(shí)候各提供一張個(gè)人照片用于注冊(cè)在公司系統(tǒng)里，靜靜地躺在特征空間中。

第二天早上員工 A 上班打卡時(shí)，將臉對(duì)準(zhǔn)考勤機(jī)器，系統(tǒng)會(huì)把當(dāng)前員工 A 的臉放到特征空間里，與之前特征空間里注冊(cè)好的臉一一對(duì)比，發(fā)現(xiàn)注冊(cè)的臉中距離當(dāng)前采集到的臉近的特征臉是員工 A，打卡完畢。

知道了人臉識(shí)別的基本原理，便能看清它的技術(shù)局限。