人脸识别算法
“ 决定把发布在安防知识网（https://ipc.name）的一些文章全部转载发布到此微信公众号上，以方便更多对安防感兴趣的读者。受限于微信公众号展现形式的种种不便，文章内容可能会略有删减。需要阅读原文的可以点击每篇文章下面的 阅读原文 访问发布在安防知识网上的原文。
所有文章会统一归类到此微信公众号 专栏 分类里，欢迎大家转载，收藏，交流。 ”
01
—
人脸识别的定义
人脸识别技术始于20世纪70年代初，是计算机视觉(CV,Computer Vision)中里很典型的应用。而计算机视觉属于深度学习(DL, Deep Learning)。
同时人脸识别也是生物识别技术的一种，其他的生物识别技术还有：指纹，虹膜，语音，静脉，视网膜。相比较于其他生物识别技术，人脸识别有非接触，非强制，便捷，并行处理等特点。
不同生物识别技术比较
人脸识别的目的就是要判断和识别图片和视频（视频是由图片构成的）中人脸的信息，对图像及视频中的人脸进行检测、识别和跟踪。
02
—
人脸识别算法分类
传统的基于人工设计的特征和机器学习技术，包括几何的方法、整体方法、基于特征的方法和混合方法。
现在的基于大型的数据集训练的深度神经网络(DNN)和卷积神经网络（CNN）的深度学习方法。
早期使用CNN深度学习人脸算法效果不佳的原因是算力及数据量不够。现阶段有了大数据和算力支持，各种算法的人脸识别的准确度已经很高了，Facebook的DeepFace在LFW上取得了97.35%的准确率，之后Google推出的FaceNet在LFW上取得了99.63%的准确率。人脸识别领域目前的发展方向是轻量化（方便部署到移动端）和基于硬件的模块化。03
—
人脸识别的过程
人脸检测。
人脸对齐。
人脸表征。
人脸匹配。
04
—
人脸识别应用
05
—
人脸识别技术难点
头部姿势
年龄。
遮挡
光照条件
人脸表情。
人脸防伪
06
—
思考
隐私安全。
技术不完善。
照片欺骗问题，如何加强活体检测。
数据保护。
政府机构使用，是否侵犯民主自由和人权！
微软人脸识别研究工作遵循的6大原则
07
—
人脸识别代表性企业
目前人脸识别领域，中国的企业表现很活跃和出色，有代表性的企业有商汤，旷视，依图，云从，海康，百度，阿里，腾讯，研究机构有香港中文大学的汤晓鸥团队（其实就是商汤的技术团队，旷视的创始人也曾经师从汤晓鸥教授）等。国外企业早期人脸识别领域有很多成绩，比如Facebok的DeepFace，Google的FaceNet。受限于政策法律等方面考虑，近些年表现不活跃。代表性企业是Google，Microsoft，Facebook等。2020年6月IBM宣布停用人脸识别技术，关闭所有相关研发。
