傳統(tǒng)的人臉識別技術主要是基于可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發(fā)歷史。但這種方式有著難以克服的缺陷，尤其在環(huán)境光照發(fā)生變化時，識別效果會急劇下降，無法滿足實際系統(tǒng)的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。人臉識別系統(tǒng)主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。游人在網(wǎng)上預訂電子門票后，可以在檢票系統(tǒng)上通過刷臉進入景點，也可以憑借一張門票逛到所有景點。

人臉識別需要積累采集到的大量人臉圖像相關的數(shù)據(jù)，用來驗證算法，不斷提高識別準確性，這些數(shù)據(jù)諸如A Neural Network Face Recognition Assignment(神經(jīng)網(wǎng)絡人臉識別數(shù)據(jù))、orl人臉數(shù)據(jù)庫、麻省理工學院生物和計算學習中心人臉識別數(shù)據(jù)庫、埃塞克斯大學計算機與電子工程學院人臉識別數(shù)據(jù)等。同時抓取的照片還將通過網(wǎng)絡傳輸給公1安相對應的人口庫（黑名單庫）進行比對識別，結(jié)果將實時傳回前端。該理論側(cè)重于人臉實時數(shù)據(jù)的中間值處理，從而可以在識別速率和識別效能之間，達到1佳的匹配效果

這些應用場景的共同特點是：人臉識別系統(tǒng)都事先存儲了大量的不同人臉和身1份信息，系統(tǒng)運行時需要將見到的人臉與之前存儲的大量人臉做比對，找出匹配的人臉。

兩者在早期（2012年~2015年）是通過不同的算法框架來實現(xiàn)的，想同時擁有人臉驗證和人臉識別系統(tǒng)，需要分開訓練兩個神經(jīng)網(wǎng)絡。而 2015 年 Google 的 FaceNet [1] 的發(fā)表改變了這一現(xiàn)狀，將兩者統(tǒng)一到一個框架里。

人臉識別同樣考慮一個場景，人臉考勤。公司 X 有員工 A,B,C，公司會要求三名員工在入職的時候各提供一張個人照片用于注冊在公司系統(tǒng)里，靜靜地躺在特征空間中。

第二天早上員工 A 上班打卡時，將臉對準考勤機器，系統(tǒng)會把當前員工 A 的臉放到特征空間里，與之前特征空間里注冊好的臉一一對比，發(fā)現(xiàn)注冊的臉中距離當前采集到的臉近的特征臉是員工 A，打卡完畢。

知道了人臉識別的基本原理，便能看清它的技術局限。