用于表示人脸的大量特征从哪来？这便是深度学习（深度神经网络）发挥作用的地方。它通过在千万甚至亿级别的人脸数据库上学习训练后，会自动总结出适合于计算机理解和区分的人脸特征。
算法工程师通常需要一定的可视化手段才能知道机器到底学习到了哪些利于区分不同人的特征，当然这部分不是本节重点。
阐明了不同人脸由不同特征组成后，我们便有了足够的知识来分析人脸识别，到
人脸识别生产厂家
用于表示人脸的大量特征从哪来？这便是深度学习（深度神经网络）发挥作用的地方。它通过在千万甚至亿级别的人脸数据库上学习训练后，会自动总结出适合于计算机理解和区分的人脸特征。
算法工程师通常需要一定的可视化手段才能知道机器到底学习到了哪些利于区分不同人的特征，当然这部分不是本节重点。
阐明了不同人脸由不同特征组成后，我们便有了足够的知识来分析人脸识别，到底怎么识别。
人脸识别基于一个默认成立的假设：同一个人在不同照片里的脸，在特征空间里非常接近。
为什么这个假设默认成立，设想一下，一个棕色头发的人，在不同光照，遮挡，角度条件下，发色看起来虽然有轻微的区别，但依然与真实颜色非常接近，反应在发色的特征值上，可能是 0 到 0.1 之间的浮动。
深度学习的另一任务和挑战便是在各种极端复杂的环境条件下，精1确的识别各个特征。
人脸识别技术在今年普及后，各行各业都开始应用此技术来改进本行业的业务流程。众所周知的金融刷脸支付，刷脸开门，刷脸考勤，刷脸过闸机，刷脸布控，刷脸领1养老金等等，可谓是五花八门，但核心确是方便了广大用户。
大家都能体会钥匙丢失，各种卡忘带，丢失所造成的各种麻烦事件，数不胜数。
但是一件极其普通的小事，可在当时确实要大费周章。譬如证明你是你等令人啼笑皆非的事。
近两年人脸识别技术迅速发展，识别精度及速度的有效提升为人脸识别在众多领域的应用提供了基础，自2015年起人脸识别的应用领域开始逐渐增多，尤其从2016年下半年，人脸识别技术各类应用案例落地速度明显加快。在光照较差，遮挡，形变（大笑），侧脸等诸多条件下，神经网络很难提取出与“标准脸”相似的特征，异常脸在特征空间里落到错误的位置，导致识别和验证失败。进入2017年之后，更是迎来了井喷式的爆发，多种应用、多个领域内都闪耀着它的身影。 按功能应用可以分为：安防型人脸识别产品、提升管理型人脸识别产品、娱乐型人脸识别产品。
（作者： 来源：）
