人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行識別的一系列相關技術，通常也叫做人像識別、面部識別。
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。它屬于生物特征識別技術，是對生物體(一般特指人)本身的生物特征來區分生物體個體。
人臉識別的技術流程
人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。
1、人臉圖像采集及檢測
主流的人臉檢測方法基于以上特征采用Adaboost學習算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。
人臉檢測過程中使用Adaboost算法挑選出一些能代表人臉的矩形特征(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。
2、人臉圖像預處理
對于人臉的圖像預處理是基于人臉檢測結果，對圖像進行處理并終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對于人臉圖像而言，其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。
3、人臉圖像特征提取
人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數特征或統計學習的表征方法。
4、人臉圖像匹配與識別
提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。
雖然人臉識別技術早在上世紀五十年代就被科學家開始研究，但就目前來看，現有的人臉識別系統在用戶配合、采集條件比較理想的情況下可以取得令人滿意的結果。但是，在用戶不配合、采集條件不理想的情況下，現有系統的識別率將陡然下降。這就意味當今人臉識別技術依舊有很大的進步空間與潛在的市場。
人臉識別技術未來發展前景
隨著算法和芯片的進一步成熟，各廠家集成能力的提升，人臉識別技術必將在安防的各個領域中得到更加廣泛的應用。結合人臉技術的研究進展，將會呈現出以下發展趨勢：
(1)隨著芯片價格的下探，人臉識別類產品的價格將會進一步下探，人臉識別設備在整個安防市場中的占比將會越來越高。
(2)當前應用場景中，還是需要人員有一定的配合度才能完成人臉識別，*非配合的人臉識別必然會導致識別準確率的下降。未來隨著關鍵算法和技術方案的進一步成熟，非配合、無感知的人臉識別產品將會出現，這將會大大提升使用體驗。
(3)當前的人臉識別主要還是二維空間下的人臉識別，紅外+可見光的雙目人臉識別設備也僅僅是簡單的融合識別方案，還遠沒有達到三維立體識別的程度。未來隨著結構光、TOF等深度傳感技術的進一步成熟，三維人臉識別算法和技術將會出現，在大大地提升人臉識別的準確性的同時，也將為人臉識別技術帶來更多的用戶。(作者：縉霄)
