中文名
面部識別
另壹個名字
人像識別，面部識別
工具
照相機還是攝像機
傳統技術
可見光圖像中的人臉識別
加工方法
人臉識別算法
人臉識別技術容易被濫用。
10 6月13日，小蠻腰科技大會在廣州開幕。在“後疫情時代的大數據應用與隱私保護”分論壇上，南方都市報人工智能倫理課題組和App專項治理工作組發布了《人臉識別應用公眾調查報告(2020)》。報告顯示，60%的受訪者認為人臉識別技術有被濫用的傾向，30%的受訪者表示曾因人臉信息的泄露和濫用而遭受隱私或財產損失。
新華網2020-10-19
快的
航行
技術特征
工藝過程
識別算法
識別數據
合作程度
優勢和困難
主要應用
應用前景
主要產品
應用示例
發展歷史
人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展而得到完善，但真正進入初級應用階段是在90年代後期，主要由美國、德國和日本的技術實現。人臉識別系統成功的關鍵在於是否擁有最前沿的核心算法，並使識別結果具有實用的識別率和速度；“人臉識別系統”集成了人工智能、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等專業技術。同時需要結合中值處理的理論和實現。這是生物識別的最新應用。其核心技術的實現，顯示了弱人工智能向強人工智能的轉變。[1]
技術特征
面部識別
傳統的人臉識別技術主要是基於可見光圖像，這也是我們熟悉的識別方法，已經發展了30多年。但是這種方法有不可克服的缺陷，特別是當環境光照變化時，識別效果會急劇下降，不能滿足實際系統的需要。解決光照問題的有三維圖像人臉識別和熱成像人臉識別。但這兩種技術都遠未成熟，識別效果也不盡如人意。
壹種快速發展的解決方案是基於主動近紅外圖像的多光源人臉識別技術。它能克服光線變化的影響，取得了優異的識別性能。整個系統在準確率、穩定性、速度等方面的性能都超過了三維圖像人臉識別。這項技術在近兩三年發展迅速，使得人臉識別技術逐漸實用化。
人臉天生具有人體的其他生物特征(指紋、虹膜等。)，其唯壹性和不易被復制的良好特性為身份認證提供了必要的前提。與其他類型的生物特征識別相比，人臉識別具有以下特征:
非強制性:用戶幾乎不需要特別配合人臉采集設備就可以無意識地采集人臉圖像，所以這種采樣方式不是“強制性”的；
非接觸式:用戶無需直接接觸設備即可獲得人臉圖像；
並發性:在實際應用場景中可以對多張人臉進行排序、判斷和識別；
此外，還符合視覺特點:“以貌取人”的特點，以及操作簡單、結果直觀、隱蔽性好的特點。
工藝過程
人臉識別系統主要包括四個部分，即:人臉圖像采集與檢測、人臉圖像預處理、人臉圖像特征提取、匹配與識別。
人臉圖像采集和檢測
人臉圖像采集:可以通過攝像機鏡頭采集異臉緣圖像，如靜態圖像、動態圖像、不同姿勢、不同表情等。當用戶在采集設備的拍攝範圍內時，采集設備會自動搜索並拍攝用戶的人臉圖像。
人臉檢測:在實踐中，人臉檢測主要用於人臉識別的預處理，即精確標定人臉在圖像中的位置和大小。人臉圖像包含豐富的模式特征，如直方圖特征、顏色特征、模板特征、結構特征和Haar特征。人臉檢測就是挑出有用的信息，利用這些特征實現人臉檢測。
主流的人臉檢測方法是基於上述特點采用Adaboost學習算法。Adaboost算法是壹種分類方法，它將壹些弱分類方法結合起來，形成壹種新的強分類方法。