1、什么是人脸识别？

可以使用方向梯度直方图(HOG)来检测人脸位置。先将图片灰度化，接着计算图像中像素的梯度。通过将图像转变成HOG形式，就可以获得人脸位置。

5、人脸对齐

人脸对齐是将不同角度的人脸图像对齐成同一种标准的形状。

先定位人脸上的特征点，然后通过几何变换（仿射、旋转、缩放），使各个特征点对齐（将眼睛、嘴等部位移到相同位置）。

6、人脸编码

人脸图像的像素值会被转换成紧凑且可判别的特征向量，这也被称为模板（template）。理想情况下，同一个主体的所有人脸都应该映射到相似的特征向量。

7、人脸匹配

在人脸匹配构建模块中，两个模板会进行比较，从而得到一个相似度分数，该分数给出了两者属于同一个主体的可能性。

8、人脸识别的 5 个难点

人脸图像在现实世界中的呈现具有高度的可变性。所以人脸识别也是最有挑战性的生物识别方法之一。人脸图像可变的地方包括：

1. 头部姿势
2. 年龄
3. 遮挡
4. 光照条件
5. 人脸表情

9、人脸识别算法的发展轨迹

人脸识别领域，也是从传统机器学习算法过度到深度学习算法的。

10、传统机器学习算法

在机器学习阶段，人脸识别也经历了3个重要的阶段：

1. 几何特征阶段
2. 表象特征阶段
3. 纹理特征阶段

11、深度学习算法

在深度学习阶段，算法的发展也同样经历了3个阶段：

1. 从最开始的 VGG 网络到 Inception 网络再到 Resnet 网络，网络模型总体上呈现出更深，更宽的趋势。
2. 旷视、商汤为代表的在学术公开竞赛中取得好成绩的这些厂商，开始发展实际业务为起点，通过不断扩大他们的实际数据集合，算法性能也在逐渐的提升。
3. 进一步增加数据量以提升算法性能以外，与第一阶段相反，大家开始在不降低识别性能的基础上，研究网络的轻量化。轻量化的主要目的有两个，一个是提升算法的速度，甚至能够部署到移动端；另外一个就是便于硬件实现，从而将人脸识别算法直接做成一个硬件模块。

想要详细了解不同阶段的技术细节，可以看这篇文章《一文看懂人脸识别技术发展脉络》

12、人脸识别的典型应用

人脸识别的应用变得越来越广泛，只要跟身份识别相关的未来都有可能使用人脸识别。下面列几个典型的应用场景。

1. 门禁系统
2. 安防系统
3. 无人超市
4. 电子护照及身份证
5. 自主服务系统（如ATM）
6. 信息安全系统，如刷脸支付
7. 娱乐型应用，如抖音里的部分道具

————————————————
版权声明：

遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：http://www.chanpin100.com/article/110926