近年，隨著人工智能在各領域的成熟應用和發展，世界開始進入一個全新時代一一“刷臉時代”。刷腧認證、刷臉考勤、刷臉支付、刷臉安檢、刷臉登機……人工智能人臉識別技術在越來越多的應用場景落地，彰顯出AI人臉識別技術的科技魅力和商業價值。

其實，目前人工智能技術的落地應用，主要集中在人臉識別領域，人臉識別也是目前人工智能最大的商用市場。

人臉識別系統的構成和特特性

人臉識別是生物識別一個重要組成部分。人臉識別技術主要包括四個組成部分：人臉圖像檢測及采集、人臉圖像預處理、人臉圖像特征提取以及人臉特征數據匹配與識別。

安防監控公司稱人臉圖像采集及檢測：基于人的臉部特征，對輸入的人臉圖像或視頻流，首先判斷是否存在人臉，如果存在人臉，則進一步的給出每個臉的位置、大小和各個面部器官的位置信息。

人臉圖像預處理：對于人臉的圖像預處理是基于人臉采集及檢測結果，通過人臉智能算法，對選擇出來的人臉圖片進行優化和擇優選擇，挑選當前環境下最優人臉并最終服務于特征提取的過程。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。

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。基于知識的表征方法主要是根據人臉器官的形狀捕述以及他們之間的距離特性來獲得有助于人臉分類的特征數據，其特征分量通常包括特征點問的歐氏距離，曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。基于知識的人臉表征主要包括基于幾何特征的方法和模板匹配法。

人臉特征比對識別：通過采集到的人臉圖片形成人臉特征數據，與后端人臉庫中的人臉特征數據模板進行搜索匹配，通過設定一個闕值，相似度超過這一閾值．則把匹配得到的結果輸出。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。

與指紋識別、虹膜識別等其他生物識別應用相比，人臉識別具有可見性、主動性和遠距離識別等特性。指紋識別需要接觸才能完成，虹膜識別需要靠近才能完成，二者都需要被識別對象配合才能完成識別。但人臉識別卻可以實現較遠距離的識別，而且不需要被識別對象配合，在被識別對象不知道的情況下就能完成識別。人臉識別只需要看到某個人的人臉，就可以識別這個人是準，再與人臉大數據對比，能夠在最短的時間之內檢索出是不是需要找的人。而指紋、虹膜以及其他的生物識別，無法做到這一點。指紋識別和虹膜識別基本上都需要被識別對象主動配合才能夠完成，而人臉識別則不需要。

而且，指紋識別和虹膜識別都需要專業的設備才能完成識別，而人臉識別不需要專門的設備支持，因為現在圖像采集設備無處不在，智能手機已全民普及幾乎人手一部，公共場所滿大街都是高清攝像機，這些都可以協助進行人臉的抓拍和捕捉。這就決定了人臉識別的應用場景更為廣泛，尤其是在公安應用中，人臉識別技術的價值更能得到充分體現。