人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术(生物特征识别技术所研究的生物特征包括人脸、指纹、手掌纹、掌型、虹膜、视网膜、静脉、声音（语音）、体形 人脸识别、红外温谱、耳型、气味、个人习惯（例如敲击键盘的力度和频率、签字、步态）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、静脉识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。)，是对生物体（一般特指人）本身的生物特征来区分生物体个体。

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统。

人脸识别的优势在于其自然性和不被被测个体察觉的特点。所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同。例如人脸识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有 虹膜识别语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑 人脸识别主要用于身份识别是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。

人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人脸识别的困难主要是人脸作为生物特征的特点所带来的。

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 人脸类似性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。

易变性：人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-class difference），而称第二类变化为类内变化（intra-class difference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。

传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们最熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但目前这两种技术还远不成熟，识别效果不尽人意。最近迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。

人脸识别的基本方法

　　1 几何特征的人脸识别方法 　　几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。

　　2 基于特征脸（PCA）的人脸识别方法

　　特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

　　3 神经网络的人脸识别方法

　　神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

　　4 弹性图匹配的人脸识别方法

　　弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

　　5 线段Hausdorff 距离(LHD) 的人脸识别方法

　　心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

　　6 支持向量机(SVM) 的人脸识别方法

　　近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论

    7隐马尔可夫模型法

Samaria最早提出建立关于人脸的隐马尔可夫模型。HMM是使用马尔可夫链 来模拟信号统计特性的一组统计模型。利用HMM对人脸进行描述和识别，把各个器官的数值特征和一个状态转移模型联系起来。其参数能较好地表征具体的人脸模型。HMM方法的优点是稳定性好，对姿态和环境的变化具有较好的鲁棒性，对不同角度的人脸图像和不同的光照条件，都可以达到满意的识别精度。

人脸识别技术在公安工作中的应用

人脸识别技术研究方法的不断创新和完善，使其在实际工作中的应用前景越来越广阔。随着公安情报资料搜集工作的逐步完善、公安基层管理信息化、自动化水平的提高以及现有情报信息资料和技术设备的不断整合，人脸识别技术在公安工作中的应用领域将更广。

1．布控排查。发达的海陆空交通网络使人员的流动性大大增加，在方便了人们工作和生活的同时，也为犯罪分子提供了便利。在机场、港口、火车站、汽车站等公共场所设置人脸识别系统，当犯罪嫌疑人、通缉的在逃人员以及重要的贩毒人员等出现时可以及时识别并报警；

2．边境检查。对外开放的不断深入，国际交往的不断增加，使出入境人员数量不断猛增。把好边境检查关，就是守护好国门，保护好国家的安全。在边检通道设置人脸识别系统，当国际恐怖分子等重大嫌疑人入境或重大案件犯罪嫌疑人外逃时可以及时识别并报警；

3．犯罪嫌疑人识别。公安机关可以利用各种人像资料库，将犯罪嫌疑人的图像与人脸识别系统资料库中重点人口的图像进行筛选、比对并识别，这样可以提高办案效率；

4．司法人像鉴定。在刑事司法鉴定中，可以使用在犯罪现场监控录相获得的视频图像与嫌疑对象进行人像同一鉴定；在民事诉讼中，可以对检材中的人像与样本照片或某人进行同一鉴定，从而判断检材中的人像与样本照片是否同一或检材中的人像是否就是某人；

5．重点场所的门禁：一些重点场所对出入人员有严格的资格限制，对出入人员身份进行准确识别是确保重点场所安全的关键。比如在银行金库、博物馆、机要室、武器库、重要会议室等重点场所设置人脸识别系统，可以对出入人员进行身份识别，保障重点场所的安全。

随着图像处理、模式识别、人工智能以及生物心理学的研究进展，人脸识别技术也将会获得更大的发展。在一些高级信息安全的应用中，需要研究人脸与指纹、虹膜、语音等识别技术的融合方法，以提高特征表达的鲁棒性和可持续性，进而提高识别率，这也是生物特征识别技术的发展趋势。