人脸识别技术的主要用途人脸识别技术在各场景的应用

人脸自动识别系统作为一种重要的个人身份鉴别方法，最早用于罪犯照片管理和刑侦破案，现在这种技术在安全系统和商贸系统中都有很多的应用。

与其他身份鉴别方法相比，人脸识别具有直接、友好、方便和鲁棒性强等优点。其应用领域逐步推向日常生活的各个领域，一方面明显地提高了工作效率，另一方面，也具有极高的安全性和可靠性，其应用前景非常广阔。

人脸识别技术的主要用途

一般来说人脸识别技术在日常生活中主要是有两种用途，一是用来验证“你是不是某某某”，这是1：1的人脸验证。也就是说我们先告诉人脸识别系统，我是张三，然后用来验证站在机器面前的“我”到底是不是张三。二是让系统自动识别出来“我是谁”。系统采集了我的一张照片之后，从数万人的，或者是数百万人的库里面自动找出来我是谁。

这是两种完全不同的人脸识别的这两种应用。

人脸识别技术发展到今天，第一种用途——1：1的人脸验证，目前在可控的环境下，已经基本上达到了可使用的地步；而第二种这种动态识别，让系统自动识别出“我是谁”，还有很长的路要走，现在的技术还没有达到这个实际应用的需求。

人脸识别技术在金融领域的应用

刷脸办卡、远程贷款、自主开户、刷脸支付······随着人脸识别技术在金融行业的风起，越来越多的商业化应用也浮出水面。不仅仅是蚂蚁金服、微众银行等新兴互联网金融机构，传统金融机构如国有商行、证券、保险等均纷纷布局人脸识别技术。

基本上，人脸识别技术在金融领域有三大应用方向：自助终端、柜面系统、移动金融和营销。”

人脸识别”自助终端

简单来说，就是将人脸识别系统引入到自助设备中，利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，工作人员即可根据相似值的高低判断是否直接通过或进行人工审核。目前，用户可以在自助终端上实现自助开卡、业务变更、密码重置等个人业务。

移动金融/营销

其核心在于人脸远程身份核查，一般是包括两方面，一方面用户可以借助于手机等移动设备进行人脸身份核查；另一方面金融机构可将该人脸识别系统嵌入便携式移动终端，上门为客户办理业务。

柜面系统

其核心在于人脸联网核查，通过将现场照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。目前已经广泛应用于银行、保险、证券等金融机构的柜面开户等业务中。

人脸识别技术在公安系统的应用

人脸识别照片比对系统用于快速身份鉴别，在大量（几千到几百万）的数据库（失踪人口照片库、挡获人员照片库、常驻人口照片库、暂住人口照片库、追逃人员照片库、重点人口照片库、CCIC在逃人员照片库等）中查找检索特定人员的身份。

如在省厅、市局等单位建立比对中心，在分局、派出所、刑侦中心建立比对用户端，或通过GPRS/CDMA用手机和PDA拍照并发送照片比对请求。它充分利用非常有价值的人脸照片线索，大大加快公安侦查人员对嫌疑人的身份辨认过程，为加速“科技强警”进程，形成高智能的、社会化的、规模化的公安防范体系，提供了有效的技术手段。

人脸识别技术统重点实现对挡获人员登记管理、网络追逃、比对查证与事后处理，同时人像比对还可用于刑侦查案、维护社会稳定等业务上。

主要应用方向如下：

1、公安系统缉拿在逃罪犯：基于人脸识别的照片比对系统帮助加快对嫌疑人的身份确认，减少“人海战术”的低效率，在追逃、破案、寻人等应用中发挥巨大的能量。

2、寻人寻亲：对老百姓或其他业务部门提供的照片，直接送入系统进行比对、检索、筛选，最后人工确认。

3、派出所挡获违法人员：对派出所挡获的人员，登记笔录，对于其中一些少数民族、聋哑人或保持沉默者等无法查证身份的人员，可拍摄照片送入各种照片库中比对，排查涉及大案要案人员，以免漏网；或查证其前科，累计处理。

4、查证无名尸源：需要查证无名尸源时，先拍摄正面照片，送入计算机，如果照片闭眼、破损或变形，可用人像合成系统或人工绘制一幅标准照，送入比对系统比对查证。

5、目击者描述排查：获得现场目击者对嫌疑人的形象描述后，可用人像合成系统进行排查。

6、获得视频监控照片：一般监控系统针对场景，得到的涉案嫌疑人的图像都有模糊、偏转、逆侧光等质量不佳问题，这时需要根据图像用人像合成系统或人工绘制一幅标准照，送入照片比对系统比对查证。

7、公共场所集会：在政府、球场等公共场所，时常会有人员滋事，此时公安民警不便直接带人处理，可以采用长焦摄像机拍摄特写镜头，如果效果不够好可以用人像合成系统修正，送入比对系统比对查证。

8、一代/二代居民身份证识别：根据犯罪人员的身份证照片信息，与系统照片库中的信息资料进行比对，提取出与证件上照片相似的人员信息，能充分利用现有的二代身份证照片资源，为公安部门的工作提供高效有利的帮助。

9、失踪人口调查，收容救助、强制戒毒以及海关出入境等场所，照片比对系统帮助提高工作效率，极大地降低人工比对强度。

10、其他应用：常住人口的比对查询、暂住人口的比对查询、重点人口的比对查询、CCIC在逃人员的比对查询等。

智能人脸识别分析技术，来实现对千万级照片库进行准确的计算与检索、筛选所需的人员信息，并确保分析的结果能够满足人工二次分析处理的要求，人脸识别系统实现架构图如下：

人脸识别技术在社保领域的应用

为确保基本养老保险基金安全，防止冒领骗领养老金，将人脸识别技术引入人脸识别自证（人证合一认证系统），利用人脸识别特征的唯一性，精准、便捷的实现参保人身份真实性的有效核查，减少保险金发放的漏洞，最大限度的避免骗保、冒领等问题。

自证终端通过在本地对证件内信息进行自动读取，同时对被核查人的人脸进行自动检测抓拍，获取证件上的人脸照片，经过高清人脸识别分析仪，与现场持证人的人脸进行比对，检查持证人与当前证件是否同一个人，从而有效阻止认证工作中的一切造假行为，包括使用照片、视频以及三维模型进行身份验证等造假行为。

系统结构图：

人脸识别技术的应用，不仅能有效遏止养老金流失，大大减少工作量，提高工作效率；同时还能优化经办工作服务质量，减少服务摩擦，极大地方便了离退休人员，真正起到一箭三雕，一石三鸟的作用。

人脸识别技术在机场边检中的应用

随着现在都市生活节奏的加快和生活水平的不断提高，飞机已成为除火车、汽车之外，一大出行选择。然而目前的机场登机流程及安保措施显得复杂而薄弱。

对于机场这样人员密集的公共场所而言，安全防护一直是机场管理的重中之重。现今许多机场已经开始使用高清人脸证件比对系统，以此辅助机场人工查验工作。

高清人脸证件比对系统的核心是进行身份证和人像的对比。快速的识别出证件与证件使用人是否相一致，识别率达到98%以上，比肉眼更快速、更准确。当发现证件信息与持证人员不一致时，系统会自动提示安检人员加强人工核查工作。

当乘客准备进入候机大厅时，位于安检口的摄像头会自动捕捉人脸图像，人脸识别系统会自动将乘客证件照片与之进行比对，以识别乘客身份。即使乘客换了发型、化了浓妆也没关系。人脸识别系统采集的人脸图像还可以作为非常重要的监控数据被记录下来，存储在数据库中，作为事后检索的索引，或者与公安、安全部门的数据库接驳，进行取证、认定。

在机场出入境安全检测系统中，人脸识别系统发挥着多重功效。其一可以对机场人流量情况进行控制管理，其二可以对出入境人员的身份信息验证检测，不给可疑人员入境或出逃的机会。

人脸识别的技术难点

人脸识别虽说发展到现在3、40年的时间了，但它一直存在的几个难点，到现在也没能彻底解决。

1、光照问题

光照问题是机器视觉重的老问题，在人脸识别中的表现尤为明显。由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。

2、表情姿态问题

与光照问题类似，姿态问题也是目前人脸识别研究中需要解决的一个技术难点。姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化，其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失。针对姿态的研究相对比较的少，目前多数的人脸识别算法主要针列正面、准正而人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。

3、遮挡问题

对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题。特别是在监控环境下，往往彼监控对象都会带着眼镜，帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。

4、年龄变化

随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。一个人从少年变成青年，变成老年，他的容貌可能会发生比较大的变化，从而导致识别率的下降。对于不同的年龄段，人脸识别算法的识别率也不同。

5、人脸相似性

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。

6、图像质量

人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。同样的，对于高分辨图像对人脸识别算法的影响也需要进一步的研究。

7、样本缺乏

基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。

8、海量数据

传统人脸识别方法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据，这些方法其训练过程难以进行，甚至有可能崩溃。