編者按：近兩年，隨著人臉識(shí)別技術(shù)的迅速發(fā)展，“刷臉”逐漸成為新時(shí)期生物識(shí)別技術(shù)應(yīng)用的主要領(lǐng)域。人臉識(shí)別是通過人臉檢測(cè)，對(duì)五官進(jìn)行一些關(guān)鍵點(diǎn)的定位，然后提取計(jì)算機(jī)能夠識(shí)別的人臉特征，最后進(jìn)行一個(gè)相似度的比對(duì)，從而得到一個(gè)人臉識(shí)別的結(jié)果，也就是判斷“刷臉”的是不是你本人。本文節(jié)選汪德嘉博士《身份危機(jī)》一書中人臉識(shí)別章節(jié)，帶大家了解人臉識(shí)別技術(shù)原理是什么？又有著哪些廣泛的應(yīng)用領(lǐng)域？

人臉識(shí)別基本介紹

人臉識(shí)別理論的完善與技術(shù)的發(fā)展在現(xiàn)實(shí)生活中具有重要意義。首先，它促進(jìn)了人們關(guān)于人類視覺感知能力的理解。其次，它可以應(yīng)用于人工智能的一些應(yīng)用領(lǐng)域，如訪問控制系統(tǒng)。利用計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)檢測(cè)和識(shí)別人臉，是一個(gè)科學(xué)和有效，節(jié)省精力的事情，所以自動(dòng)人臉識(shí)別系統(tǒng)有著非常廣的應(yīng)用前景，相比其他更為成熟的識(shí)別方法（如指紋、虹膜和DNA的檢測(cè)等）。iphoneX刷臉解鎖、農(nóng)行刷臉取款、支付寶商用刷臉支付、武漢火車站刷臉進(jìn)站等熱點(diǎn)事件正在移動(dòng)互聯(lián)網(wǎng)領(lǐng)域掀起新一輪熱潮，據(jù)媒體報(bào)道稱，京東、蘇寧、百度、建設(shè)銀行等都在嘗試刷臉支付。

人臉識(shí)別優(yōu)勢(shì)

人臉識(shí)別有以下三個(gè)優(yōu)勢(shì)：

（1）沒有侵犯的行為，一般的識(shí)別方法需要雙方合作后，但是人臉識(shí)別方法不需要人工的干預(yù)，可以通過攝像頭和其他電子設(shè)備，在不被發(fā)現(xiàn)的情況下，得到識(shí)別的圖片。

（2）價(jià)格便宜，操作容易，只需要一般的攝像頭、相機(jī)，可以達(dá)到人臉識(shí)別系統(tǒng)的需求，隨著智能手機(jī)的高速發(fā)展，許多人喜歡用手機(jī)的嵌入式攝像頭記錄圖像，使圖像獲得更簡(jiǎn)單、方便和普遍。

（3）人臉識(shí)別的過程不需要人工干與，計(jì)算機(jī)系統(tǒng)可以自動(dòng)執(zhí)行，根據(jù)用戶的設(shè)置，并且不需要主動(dòng)參與的測(cè)試對(duì)象。

人臉識(shí)別缺點(diǎn)

隨著人臉識(shí)別技術(shù)日漸成熟，應(yīng)用場(chǎng)景日益豐富，我們這張臉正在被賦予身份證、登機(jī)牌、付款碼等多項(xiàng)功能。和其他應(yīng)用相比，“刷臉支付” 直接關(guān)系著我們網(wǎng)絡(luò)財(cái)產(chǎn)安全，對(duì)安全性要求更高，要取得用戶的信任并不容易。因此，對(duì)刷臉熱潮的來襲，很多人也提出了質(zhì)疑：

（1）沒有統(tǒng)一的安全標(biāo)準(zhǔn)。人臉識(shí)別技術(shù)領(lǐng)域的實(shí)際應(yīng)用還在起步階段，目前還沒有統(tǒng)一的行業(yè)標(biāo)準(zhǔn)與國(guó)家標(biāo)準(zhǔn)，主要都是技術(shù)廠家自己制定標(biāo)準(zhǔn)。然而廠家標(biāo)準(zhǔn)制定的不一致，會(huì)導(dǎo)致不同的安全狀況與安全水平。只有通過制定統(tǒng)一的國(guó)家安全標(biāo)準(zhǔn)，才能解決人臉識(shí)別在技術(shù)推廣過程中的障礙。

（2）識(shí)別中的“矯枉過正”。當(dāng)人臉識(shí)別技術(shù)被作為加密技術(shù)投入實(shí)際應(yīng)用時(shí)，我們最看重的就是它的安全性。而人臉識(shí)別技術(shù)的安全性可以用誤接受率與誤拒絕率兩個(gè)指標(biāo)來衡量。為了嚴(yán)格保證安全，技術(shù)廠商往往會(huì)盡量降低誤接受率，但這同時(shí)會(huì)提高誤拒絕率，使一些真正的用戶也會(huì)被系統(tǒng)拒絕，“矯枉過正”，影響了用戶體驗(yàn)。

（3）可信照片的分辨率低。目前互聯(lián)網(wǎng)金融行業(yè)在使用人臉識(shí)別技術(shù)進(jìn)行開戶等操作時(shí)，用于確定客戶信息的可信照片往往是居民二代身份證。而二代身份證的照片不僅分辨率低而且信息量少，這會(huì)降低人臉注冊(cè)、識(shí)別的準(zhǔn)確率。

（4）人臉的變化。隨著時(shí)間的推移，用戶的年齡增長(zhǎng)，會(huì)發(fā)生胖瘦、常規(guī)的化妝、自然老化等變化。通常情況下，這些變化是在計(jì)算機(jī)的識(shí)別范圍內(nèi)的，但是如果出現(xiàn)整容、過濃的妝容、或者是佩戴眼鏡與一些裝飾性的飾物可能就會(huì)影響人臉識(shí)別的識(shí)別率。同時(shí)，由于雙胞胎、多胞胎的人臉信息過于相像，雙胞胎、多胞胎人臉信息的分辨在人臉識(shí)別技術(shù)中也是一個(gè)待攻克的難題。

人臉識(shí)別研究現(xiàn)狀

人臉識(shí)別技術(shù)是一種基于人臉的面部特征進(jìn)行身份識(shí)別的技術(shù)。在識(shí)別時(shí)一般通過2個(gè)階段；第1階段首先通過檢測(cè)技術(shù)檢測(cè)圖像或者視頻中是否存在人臉，如果存在人臉則收集人臉大小和各個(gè)面部器官位置信息，這部分信息可以提供代表身份的特征；第2階段將收集到的特征與現(xiàn)存的人臉數(shù)據(jù)庫(kù)進(jìn)行對(duì)比識(shí)別出人臉身份。人臉識(shí)別技術(shù)根據(jù)人臉數(shù)據(jù)的獲取方式分為在線人臉識(shí)別和離線人臉識(shí)別。

人臉識(shí)別技術(shù)研究最早開始于1960年，當(dāng)時(shí)的系統(tǒng)是以半自動(dòng)方式進(jìn)行人臉識(shí)別。該系統(tǒng)只是檢查人臉不同位置特征的連貫性，如眼睛之間的距離和前額發(fā)際線等，但是對(duì)不同方向的人臉該系統(tǒng)無法正確識(shí)別。70年代全自動(dòng)人臉識(shí)別系統(tǒng)面世，該系統(tǒng)提取了16個(gè)人臉參數(shù)進(jìn)行人臉識(shí)別。80年代早期，Nixon在以往研究基礎(chǔ)上提出了將眼部間距（eye-spacing）作為主要特征的人臉識(shí)別方法。后來人們利用人工神經(jīng)網(wǎng)絡(luò)提出諸多方法。1986年，Sirovich等人提出了基于本征臉的識(shí)別技術(shù)，這種識(shí)別技術(shù)采用PCA在低維空間上重新組織并表征人臉數(shù)據(jù)。該技術(shù)對(duì)各種新的人臉識(shí)別方法打下了基礎(chǔ)，該方法至今對(duì)人臉識(shí)別技術(shù)有顯著影響。

人臉識(shí)別技術(shù)方法主要有主成分分析（PCA）、線性判別分析（LDA）、神經(jīng)網(wǎng)絡(luò)（neural networks，NN）、自適應(yīng)增強(qiáng)算法（ada—boost）、支持向量機(jī)（support vector machine，SVM）、本征臉（Eigen face）方法、Fisher Face方法和LBP（local binary pattern）方法等。本征臉方法的主要思想是尋找主成分或者本征向量，數(shù)據(jù)庫(kù)中的每一張圖片對(duì)本征向量都有貢獻(xiàn)，這些本征向量用于表示本征臉，每一張人臉能夠通過本征臉的線性組合表示，一張人臉可用最大特征值的本征臉辨認(rèn)。相對(duì)于本征臉方法，F(xiàn)isherFace方法的優(yōu)點(diǎn)是使用類相關(guān)映射矩陣來克服光照現(xiàn)象導(dǎo)致的問題，它使用區(qū)分性分析尋找區(qū)分性特征來區(qū)分人臉。Ahonen等人提出基于LBP的人臉識(shí)別方法，該方法區(qū)分性能力高、簡(jiǎn)單性、高效，并且對(duì)光照效果具有魯棒性。

人臉識(shí)別系統(tǒng)技術(shù)原理

1、人臉定位

人臉檢測(cè)定位是將待檢測(cè)圖像分為非人臉區(qū)域和人臉區(qū)域，以從中分割出人臉區(qū)域。常用人臉檢測(cè)定位可分為啟發(fā)式方法和統(tǒng)計(jì)方法：

（1）啟發(fā)式方法：基于先驗(yàn)知識(shí)或經(jīng)驗(yàn)，利用待檢測(cè)人臉中的灰度、紋理、器官的形狀或臉部輪廓、膚色等特征信息，實(shí)現(xiàn)人臉檢測(cè)。常用方法院基于模板匹配、基于器官或輪廓分布特征、基于膚色模型等。

（2）統(tǒng)計(jì)方法：將人臉區(qū)域看作一類樣本，通過對(duì)大量人臉圖像進(jìn)行學(xué)習(xí)訓(xùn)練，根據(jù)人臉的灰度特征構(gòu)造人臉模式與非人臉模式分類器，使用分類器判別圖像中所有可能區(qū)域?qū)儆谌四樳€是非人臉區(qū)域，從而實(shí)現(xiàn)人臉檢測(cè)。常用方法基于人工神經(jīng)網(wǎng)絡(luò)堯基于概率模型、基于支持向量機(jī)、基于特征空間等

2、活體檢測(cè)

生物特征活體檢測(cè)技術(shù)通過活體特性對(duì)生物特征數(shù)據(jù)進(jìn)行判判，以確保采集到的生物特征數(shù)據(jù)（如人臉圖像）來源于生物活體，而非依照活體生物特征所制作的不具備生物活性的虛假樣本（如人臉照片、面部視頻、三維模型），常用方法：三維深度信息分析、眨眼生理行為檢測(cè)、面部表情交互、傅立葉頻譜分析、熱紅外線等。

3、特征提取

面部特征提取是檢測(cè)人臉上的某些或所有特征的位置、大小、輪廓線等信息的過程。面部特征提取和量化是人臉識(shí)別的重要依據(jù)。面部特征提取的實(shí)現(xiàn)過程最常見的是先求出雙眼的中心位置，然后進(jìn)行人臉的歸一化，進(jìn)而提取其他一些特征的信息。常用方法：灰度積分投影曲線分析、Hough變換方法、可變形模板等。

4、人臉識(shí)別

人臉識(shí)別將待檢測(cè)人臉特征與人臉特征庫(kù)中人臉特征進(jìn)行比較和相似性度量。以確認(rèn)和識(shí)別待檢測(cè)人臉的身份，常用方法：基于幾何特征的方法、基于代數(shù)特征的方法、基于模板的方法和基于神經(jīng)網(wǎng)絡(luò)的方法等。

（1）以幾何特征為基礎(chǔ)的識(shí)別技術(shù)：該方法比較簡(jiǎn)單，只需用到人臉器官的形狀特征和幾何特征，即借助特征矢量表現(xiàn)整個(gè)面部。計(jì)算原理也易于理解，主要是利用人臉結(jié)構(gòu)的先驗(yàn)知識(shí)提取某些特征，并歸結(jié)為矢量之間的匹配，分量則指的是固定兩點(diǎn)之間形成的角度、距離等。然而此方法特征提取的標(biāo)準(zhǔn)未統(tǒng)一，而且受環(huán)境因素影響較大，人臉圖像信息保留不足，實(shí)際效果并不是很理想。

（2）以模塊為基礎(chǔ)的識(shí)別技術(shù)：與上述方法一樣，此技術(shù)也是以先驗(yàn)知識(shí)為基礎(chǔ)的，但其效果更好。特征臉方法，以統(tǒng)計(jì)特征為基礎(chǔ)的識(shí)別技術(shù)，即借助某種映射方法將原圖像空間中的像素點(diǎn)映射到另一個(gè)投影空間；彈性圖匹配方法。以動(dòng)態(tài)鏈接結(jié)構(gòu)為基礎(chǔ)，將人臉比作屬性拓?fù)鋱D，用特征向量表示節(jié)點(diǎn)，主要用于記錄臉部的局部特點(diǎn)；節(jié)點(diǎn)間的拓?fù)潢P(guān)系則由拓?fù)鋱D的邊來表示。該方法有利于識(shí)別，受表情、視角和光照變化影響較小。不足之處在于需計(jì)算并存儲(chǔ)大量信息，識(shí)別過程較長(zhǎng)。

近些年，關(guān)于神經(jīng)網(wǎng)絡(luò)的研究越來越多，人臉識(shí)別也引入了該技術(shù)，它具有良好的學(xué)習(xí)和分析能力，可隱性表達(dá)出許多臉部特征。其原理為，用灰度值表示人臉，將收集到的數(shù)據(jù)輸入相關(guān)訓(xùn)練模型以提高識(shí)別效果。其方便之處在于可利用一些硬件模型完成臉部信息的處理，且速度快，包括BP神經(jīng)網(wǎng)絡(luò)等多種識(shí)別形式。

（3）以局部模式為基礎(chǔ)的識(shí)別技術(shù)：受表情和光照等因素影響，整體人臉的識(shí)別準(zhǔn)確率得不到良好的保證，所以，可從局部細(xì)節(jié)入手，如輪廓、灰度、紋等在表情和光照的影響下能保證較好的魯棒性。

人臉識(shí)別技術(shù)難點(diǎn)

人臉識(shí)別技術(shù)在實(shí)際應(yīng)用中有一定的難度，人臉具有相似性，即多數(shù)人的面部結(jié)構(gòu)都沒有太大的差異，甚至器官外形都有很高的相似度，在定位時(shí)是極其有利的條件，但在區(qū)分個(gè)體方面會(huì)因相似度太高而加大識(shí)別難度。人臉雖具有唯一性，但細(xì)節(jié)比較復(fù)雜，變化較大，如不同的表情會(huì)引起臉部外形不同程度的變化。此外，年齡、光照、觀察角度等因素都會(huì)對(duì)人臉的外形造成一定的影響。人臉富有彈性，屬于非剛性目標(biāo)，三維建模難度較大。胡須、眼鏡等會(huì)破壞人臉的共同模式，不利于特征的提取。

人臉識(shí)別關(guān)鍵算法

人臉檢測(cè)算法

卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉識(shí)別領(lǐng)域是基于人臉特征的方法，而人臉檢測(cè)是人臉識(shí)別的基礎(chǔ)，檢測(cè)算法能否提取較完整的人臉會(huì)直接影響人臉識(shí)別的準(zhǔn)確率，所以在介紹人臉識(shí)別算法之前，需要介紹人臉檢測(cè)算法。

傳統(tǒng)人臉檢測(cè)方法使用人臉簡(jiǎn)單特征（如HOG特征、LBP特征、HAAR特征），并用SVM或者adaboost方法訓(xùn)練。由于傳統(tǒng)方法采用低級(jí)特征，無法找到不同角度人臉的共性，因此在檢測(cè)多角度人臉時(shí)，傳統(tǒng)方法的人臉檢測(cè)率極低。為了提高人臉檢測(cè)算法的準(zhǔn)確性，采用了基于全卷積神經(jīng)網(wǎng)絡(luò)，全卷積神經(jīng)網(wǎng)絡(luò)是由包含全連接層的傳統(tǒng)卷積網(wǎng)絡(luò)改造而來，將傳統(tǒng)的全連階層直接轉(zhuǎn)化為卷基層，包含全連階層網(wǎng)絡(luò)的分類問題轉(zhuǎn)化為只有卷積層網(wǎng)絡(luò)的定位問題。在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，將網(wǎng)絡(luò)輸入層大小設(shè)置為32*32，所以需要將所有的正負(fù)樣本歸一化成該大小，而輸出層是2個(gè)向量，分別代表非人臉和人臉概率序列。

人臉識(shí)別算法

采用的6層卷積神經(jīng)網(wǎng)絡(luò)模型由2個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層以及1個(gè)回歸層組成。卷積層和池化層由多個(gè)特征圖譜組成，每個(gè)特征圖譜表示卷積運(yùn)算所提取的不同特征，每一層的特征圖作為下一層的輸入。卷積層的特征圖譜可能與前一層的若干特征圖建立關(guān)系。從圖1和圖2的對(duì)比可知，人臉檢測(cè)卷積網(wǎng)絡(luò)的最后一層卷積層改成全連接層。

采用了webFace數(shù)據(jù)庫(kù)和FLW數(shù)據(jù)庫(kù)，人臉圖片大小為48*48，列出了本文卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)的多層感知器和徑向基神經(jīng)網(wǎng)絡(luò)在WebFace和FLW人臉庫(kù)中的識(shí)別效果，經(jīng)對(duì)比可知，本文設(shè)計(jì)的基于深度卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別的準(zhǔn)確率有較大提升。

入侵檢測(cè)算法

對(duì)于視頻圖像序列，入侵檢測(cè)算法包括實(shí)時(shí)的目標(biāo)跟蹤檢測(cè)和移動(dòng)物體檢測(cè)兩個(gè)功能。目標(biāo)跟蹤對(duì)象為上文登錄系統(tǒng)的用戶，除用戶外，其他可疑移動(dòng)物體為人侵對(duì)象。入侵算法檢測(cè)流程如下圖所示，具體實(shí)現(xiàn)步驟流程圖（見圖9-2）。

圖9-2 入侵檢測(cè)流程圖

（1）初始化：檢測(cè)視頻前5幀圖片均值像素點(diǎn)為背景，結(jié)合相鄰像素點(diǎn)擁有相近像素值的空間分別特性，隨機(jī)地選擇它的領(lǐng)域點(diǎn)的像素值作為它的模型樣本值，進(jìn)行運(yùn)動(dòng)檢測(cè)。

（2）前背景檢測(cè)：新圖像和原背景模型像素比較，計(jì)算樣本像素值和背景模型樣本集的每個(gè)樣本值的距離，連續(xù)3次距離小于10，此像素點(diǎn)為前景。對(duì)前景為像素1、背景像素為0的圖片進(jìn)行開運(yùn)算。集合所有前景連通區(qū)域，利用上文的人臉檢測(cè)方法檢測(cè)到的人臉區(qū)域，判斷人臉?biāo)趨^(qū)域的連通區(qū)域，也即以電腦前用戶本人為跟蹤目標(biāo)作為正樣本，去除跟蹤目標(biāo)外的圖片為負(fù)樣本，提取LBP（局部二值模式）邊緣特征，進(jìn)行級(jí)聯(lián)訓(xùn)練，從而生成xml文件。

（3）目標(biāo)檢測(cè)跟蹤：以檢測(cè)到的用戶所在連通區(qū)域外接矩形中心為初始中心，進(jìn)行窗口掃描，窗口的尺度縮放系數(shù)為1.2，最小掃描窗口大小為30像素，水平和垂直步長(zhǎng)為窗口對(duì)應(yīng)方向尺寸的10%。如果掃描窗口的區(qū)域，基本分類器的后驗(yàn)概率大于50％，且最近鄰分類器檢測(cè)閾值大于0.5，則認(rèn)定當(dāng)前區(qū)域含有跟蹤目標(biāo)。

（4）模型更新：由于視頻監(jiān)控區(qū)域背景環(huán)境會(huì)出現(xiàn)一些變化，跟蹤的用戶目標(biāo)也會(huì)進(jìn)行動(dòng)態(tài)改變，因此模型更新包括背景模型更新和跟蹤物體更新兩部分。背景模型根據(jù)時(shí)間取樣更新策略，由于本文系統(tǒng)使用環(huán)境變化相對(duì)不大，因此使用1/16的更新率更新背景模型。當(dāng)一個(gè)像素點(diǎn)連續(xù)被判定為背景時(shí)，它有1/16的概率隨機(jī)地選擇該像素點(diǎn)鄰域的背景模型，以新的像素點(diǎn)更新被選中的背景模型。對(duì)于實(shí)時(shí)檢測(cè)到的目標(biāo)，壓縮到15*15后減去均值的列向量與原來跟蹤訓(xùn)練模型的正樣本比較相似性，如果相似閾值小于0.9，則把當(dāng)前樣本添加到模型，負(fù)樣本閾值選擇為0.95，重新更新跟蹤模型。

（5）跟蹤移動(dòng)目標(biāo)：發(fā)現(xiàn)跟蹤目標(biāo)離開指定視頻區(qū)域后，自動(dòng)退出遠(yuǎn)程終端系統(tǒng)；發(fā)現(xiàn)多個(gè)移動(dòng)物體，則進(jìn)行預(yù)警，向服務(wù)器發(fā)送當(dāng)前可疑圖片，并退出遠(yuǎn)程登錄系統(tǒng)。用戶排除預(yù)警后，方可重新登錄遠(yuǎn)程系統(tǒng)。

人臉識(shí)別技術(shù)應(yīng)用領(lǐng)域

人臉識(shí)別技術(shù)還可應(yīng)用于很多場(chǎng)景中，在金融、安防、社保、教育、公安、商業(yè)等行業(yè)中都已經(jīng)有了人臉識(shí)別技術(shù)的身影。

在金融、電信等領(lǐng)域：人臉驗(yàn)證通常被用作業(yè)務(wù)辦理的前置身份驗(yàn)證，以確保業(yè)務(wù)辦理者是身份證持有者本人，在此基礎(chǔ)上可有效實(shí)現(xiàn)柜面輔助認(rèn)證、遠(yuǎn)程身份核實(shí)、遠(yuǎn)程業(yè)務(wù)辦理、機(jī)具業(yè)務(wù)辦理等相關(guān)應(yīng)用場(chǎng)景。尤其在解決電信實(shí)名制認(rèn)證問題上，遠(yuǎn)程身份認(rèn)證既能有效覆蓋到遠(yuǎn)端發(fā)卡渠道，滿足政策驅(qū)動(dòng)要求，又不會(huì)產(chǎn)生過多的冗余流程及實(shí)施成本。

在安防領(lǐng)域：人臉識(shí)別技術(shù)可用于邊檢及通關(guān)口岸的人、證身份核實(shí)，公安刑偵領(lǐng)域的大庫(kù)搜索比對(duì)，以及動(dòng)態(tài)人臉識(shí)別等。簡(jiǎn)而言之，就是基于相關(guān)數(shù)據(jù)庫(kù)，幫助有關(guān)部門在毫秒之間，動(dòng)態(tài)、精準(zhǔn)地識(shí)別出可疑人員，提升安防能力。為戶籍管理、治安管理、刑偵破案、維護(hù)穩(wěn)定等提供高科技手段，使不法分子無處藏身。

在商業(yè)領(lǐng)域：除了應(yīng)用于智能門禁、VIP識(shí)別外，人臉驗(yàn)證還可以應(yīng)用在智能商業(yè)分析中，幫助商家分析消費(fèi)者偏好，實(shí)現(xiàn)精準(zhǔn)化和個(gè)性化的推送，以提升用戶體驗(yàn)，輔助用戶決策。

在社保行業(yè)：人臉識(shí)別技術(shù)可有效防止跑冒滴漏現(xiàn)象發(fā)生，對(duì)于內(nèi)部工作人員，日常工作通過人臉識(shí)別進(jìn)行身份驗(yàn)證，加強(qiáng)了內(nèi)部管控，做到事后可追溯;對(duì)于參保人員，通過人臉識(shí)別杜絕冒領(lǐng)、騙保現(xiàn)象發(fā)生，針對(duì)遠(yuǎn)距離、年齡大等人群，足不出戶，他們就可以通過人臉識(shí)別及檢活技術(shù)遠(yuǎn)程完成身份驗(yàn)證。

在教育行業(yè)：人臉識(shí)別技術(shù)在考生身份確認(rèn)、校園安保方面大放異彩，在中小學(xué)、幼兒園，偏重于校園安全，通過人臉識(shí)別，杜絕小孩被冒領(lǐng)現(xiàn)象發(fā)生;在高考、大學(xué)，偏重于考生身份確認(rèn)，杜絕中途替考現(xiàn)象發(fā)生，既保證了考試的公平公正性，又大大降低了學(xué)校的人工成本。

在物業(yè)方面：人臉識(shí)別常常用于智能門禁和監(jiān)控，刷臉代替刷卡，使住戶出入更加輕松、便捷，也杜絕了陌生人復(fù)制門禁卡進(jìn)出小區(qū)，極大的增強(qiáng)了小區(qū)安保力度;在小區(qū)重要角落安裝攝像頭，可實(shí)時(shí)排查可疑人物，對(duì)于慣偷等黑名單人員有很好的預(yù)警功能。

結(jié)束：誠(chéng)然，人臉識(shí)別技術(shù)在實(shí)際使用中仍存在著“矯枉過正”等問題，但隨著應(yīng)用越來越廣泛人臉識(shí)別技術(shù)將會(huì)備受矚目。相信未來，將會(huì)有越來越多先進(jìn)的應(yīng)用人臉識(shí)別技術(shù)的設(shè)備應(yīng)用到生活當(dāng)中，為我們的生活帶來便利與安全。

生物特征是指唯一的可以測(cè)量或可自動(dòng)識(shí)別和驗(yàn)證的生理特征或行為方式。人體的生物特征除了以上介紹的指紋識(shí)別和人臉識(shí)別等特征外，還有一種行為特征，行為特征包括：簽名、語音、行走步態(tài)等。在接下來的章節(jié)中，將帶大家了解聲紋識(shí)別有哪些特點(diǎn)及應(yīng)用，敬請(qǐng)期待！