7、人脸识别（Face Recognition）
“人脸识别（Face Recognition）”是识别出输入人脸图对应身份的算法。
它的输入为一个人脸特征，通过和注册在库中N个身份对应的特征进行逐个比对，找出“一个”与输入特征相似度最高的特征。将这个最高相似度值和预设的阈值相比较，如果大于阈值，则返回该特征对应的身份，否则返回“不在库中”。
举例说明：人脸识别过程如下，判断结果为输入图像为注册库中的jason
8、人脸检索（Face Retrieval）
“人脸检索”是查找和输入人脸相似的人脸序列的算法。
人脸检索通过将输入的人脸和一个集合中的说有人脸进行比对，根据比对后的相似度对集合中的人脸进行排序。根据相似度从高到低排序的人脸序列即使人脸检索的结果。
举例说明：人脸检索过程如下，右侧绿框内排序序列为检索结果
9、人脸聚类（Face Cluster）
“人脸聚类（Face Cluster）”是将一个集合内的人脸根据身份进行分组的算法。
人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行分析，将属于同一个身份的人划分到一个组里。
在没有进行人工身份标注前，只知道分到一个组的人脸是属于同一个身份，但不知道确切身份。
举例说明：人脸聚类过程如下，右侧绿框内按身份的分组结果为聚类结果
10、人脸活体（FaceLiveness）
“人脸活体（FaceLiveness）”是判断人脸图像是来自真人还是来自攻击假体（照片、视频等）的方法。
在我们生活环境中，人脸认证系统中主要容易受到这种手段欺骗：
（1）用偷拍的照片假冒真实人；
（2）在公开场合录的视频或网上公开的视频片段；
（3）用计算机辅助软件设计的三维模型欺骗；
（4）用蜡或塑料等材质构造的三维雕像欺骗。
现在所以人脸活体检测技术的研究显得异常重要。对于照片欺骗，主要是根据分辨率、三位三维信息、眼动等来进行区分；对于视频欺骗，根据三维信息、光线等来区分。
人脸识别技术的主要用途
1、人脸识别技术应用于铁路安防系统
随着技术的进步，人员组织的不断复杂化，铁路安全形势不断面临新的挑战。火车票实名制有效阻止了不法分子进入车站，但是，目前铁路客运安全检查，基本还是靠安检员来检查票、证、人是否一致，而证件照片往往是多年前的照片，安检员很难辨认，辨别度很低。而人脸识别技术，准确度高、便捷性好，运用于铁路安防系统，将极大的提高安防系统，强化通关，让不法分子无空子可钻。另外，人脸识别技术还能助力强化追溯，支持在超大的人像库中定位查找对象，这将有力协助公安部门侦破案件，或抓捕在逃案犯。
2、人脸识别技术应用于教育领域
近年来，从中考、高考等升学考试，到执业资格、晋级升职等等考试，均不同程度地出现了替考现象，而利用人脸识别技术实现证件内照片特征和实时人脸照片特征比对识别，辨别考生身份，可防止考场替考现象的发生。人脸识别技术还可应用于校园，能有效地对进入校园的可疑人员做到预警。
3、人脸识别技术推进于智能城市建设
随着人类社会的不断发展，未来城市将承载越来越多的人口，为实现城市可持续发展，建设智慧城市已成为当今世界城市发展不可逆转的历史潮流。而在智慧城市的建设过程中，需注重对信息的结构化存储、分析挖掘，人脸的结构化云识别储存是构建整个智慧城市基础数据之一，是智慧城市云储存体系中的不可或缺的一部分。通过智慧城市的高速数据传输链及结构化的数据筛选，可将人脸大数据与智慧城市中其它的大数据之间碰撞出火花，更加凸显出人脸识别“用”的价值。
如今，人脸识别技术不再仅仅局限在考勤、门禁行业的简单应用，而是凭借其人脸的唯一匹配性以及安全优势，受到高安全性环境应用领域的青睐。而厦门云脉技术近年来致力于人脸识别核心技术的研发与产品化，并推动其与各行业相结合，依托自研的人脸识别算法以及成熟的OCR识别技术，为切实解决不同行业难题，推出了不同的人脸识别解决方案。云脉人脸识别技术识别速度快，精度高，不受一些化妆、眼镜等因素影响。
人脸识别的技术难点
人脸识别虽说发展到现在3、40年的时间了，但它一直存在的几个难点，到现在也没能彻底解决。
1、光照问题
光照问题是机器视觉重的老问题，在人脸识别中的表现尤为明显。由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。
2、表情姿态问题
与光照问题类似，姿态问题也是目前人脸识别研究中需要解决的一个技术难点。姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化，其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失。针对姿态的研究相对比较的少，目前多数的人脸识别算法主要针列正面、准正而人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。
3、遮挡问题
对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题。特别是在监控环境下，往往彼监控对象都会带着眼镜，帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。
4、年龄变化
随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。一个人从少年变成青年，变成老年，他的容貌可能会发生比较大的变化，从而导致识别率的下降。对于不同的年龄段，人脸识别算法的识别率也不同。
5、人脸相似性
不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
6、图像质量
人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大、质量差的人脸图像（如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等）如何进行有效地人脸识别是个需要关注的问题。同样的，对于高分辨图像对人脸识别算法的影响也需要进一步的研究。
7、样本缺乏
基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。
8、海量数据
传统人脸识别方法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据，这些方法其训练过程难以进行，甚至有可能崩溃。
9、大规模人脸识别
随着人脸数据库规模的增长，人脸算法的性能将呈现下降。
