近年，随着人工智能在各领域的成熟应用和发展，世界开始进入一个全新时代一一“刷脸时代”。刷腧认证、刷脸考勤、刷脸支付、刷脸安检、刷脸登机……人工智能人脸识别技术在越来越多的应用场景落地，彰显出AI人脸识别技术的科技魅力和商业价值。

其实，目前人工智能技术的落地应用，主要集中在人脸识别领域，人脸识别也是目前人工智能最大的商用市场。

人脸识别系统的构成和特特性

人脸识别是生物识别一个重要组成部分。人脸识别技术主要包括四个组成部分：人脸图像检测及采集、人脸图像预处理、人脸图像特征提取以及人脸特征数据匹配与识别。

安防监控公司称人脸图像采集及检测：基于人的脸部特征，对输入的人脸图像或视频流，首先判断是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个面部器官的位置信息。

人脸图像预处理：对于人脸的图像预处理是基于人脸采集及检测结果，通过人脸智能算法，对选择出来的人脸图片进行优化和择优选择，挑选当前环境下最优人脸并最终服务于特征提取的过程。其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。基于知识的表征方法主要是根据人脸器官的形状捕述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点问的欧氏距离，曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。

人脸特征比对识别：通过采集到的人脸图片形成人脸特征数据，与后端人脸库中的人脸特征数据模板进行搜索匹配，通过设定一个阙值，相似度超过这一阈值．则把匹配得到的结果输出。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

与指纹识别、虹膜识别等其他生物识别应用相比，人脸识别具有可见性、主动性和远距离识别等特性。指纹识别需要接触才能完成，虹膜识别需要靠近才能完成，二者都需要被识别对象配合才能完成识别。但人脸识别却可以实现较远距离的识别，而且不需要被识别对象配合，在被识别对象不知道的情况下就能完成识别。人脸识别只需要看到某个人的人脸，就可以识别这个人是准，再与人脸大数据对比，能够在最短的时间之内检索出是不是需要找的人。而指纹、虹膜以及其他的生物识别，无法做到这一点。指纹识别和虹膜识别基本上都需要被识别对象主动配合才能够完成，而人脸识别则不需要。

而且，指纹识别和虹膜识别都需要专业的设备才能完成识别，而人脸识别不需要专门的设备支持，因为现在图像采集设备无处不在，智能手机已全民普及几乎人手一部，公共场所满大街都是高清摄像机，这些都可以协助进行人脸的抓拍和捕捉。这就决定了人脸识别的应用场景更为广泛，尤其是在公安应用中，人脸识别技术的价值更能得到充分体现。