什么是人脸识别技术?

其中基于模板的匹配方法是将数据库中所有模板直接匹配待处理的人脸图像，并选择最相似的模板图像作为待处理图像的分类。但是，由于数据库中每个人的模板映像数量有限，因此无法覆盖现实中所有复杂的情况。简单模板匹配只使用相关信息，对背景、光线、表达等无关信息非常敏感。因此，该方法仅适用于理想条件下的人脸识别，不适用于实际场景。

基于几何特征的方法是，人的脸有不同的形状和大小，比如鼻子和嘴。通过比较这些零件的形状和检测零件之间的位置来实现人脸识别。与基于模板的匹配方法类似，形状和距离信息不能表达图像中的姿态和表达等非线性因素，导致该方法的可靠性和有效性较低。

基于人工神经网络的方法直接使用图像像素作为神经网络的输入。通过模拟人脑神经元的工作机制，可以学习到其他方法难以实现的隐性面部特征表征。神经网络具有非线性激活函数，使得神经网络具有一定的表达人脸图像非线性因素和关系的能力。

在基于稀疏表示的人脸识别方法中，稀疏表示字典直接由训练中使用的所有图像组成，不需要学习字典。

最后一个是基于深度学习的人脸识别。其核心内容是分层训练的网络结构。每一层都使用自编码神经网络。自编码神经网络主要包括数据编码和解码两部分。通过编码和解码实现输入数据的无监督学习，随着数据的增加，识别能力逐渐提高。

人脸识别的应用

目前，人脸识别技术在金融、安全、门禁、公安、交通、教育、移动支付等领域的应用逐渐增多。其中，金融和安全是人脸识别技术相对容易实现商业登陆的两个领域，应用较为成熟。

公共安全方面

人脸识别产品在公安中的使用主要体现在两个方面，一是动态人脸识别系统的使用，二是手持设备的人脸识别。

公共交通方面

公共交通的主要应用场景是在安全检查点和检查点部署人脸识别设备。包括机场、火车站、公交车站、码头等场所。早期的高速铁路、机场等地方得到了广泛的应用。

金融安全方面

在金融安全方面，目前的人脸识别产品主要用于银行人脸比对、开户、取款等，所以对个人识别设备的需求比较大。目前国内多家银行，如农业银行、建设银行、工商银行、民生银行等，已将人脸识别设备引入不同的业务环节。