随着时代发展人脸识别将进入超前的进步，智能时代的来临，
人脸识别是一种根据人的面部特征(如统计或几何特征等)，自动停止身份辨认的一种生物辨认技术，又称为面像辨认、人像辨认、容颜辨认、面孔辨认、面部辨认等。通常我们所说的人脸辨认是基于光学人脸图像的身份辨认与考证的简称。
人脸辨认的开展简史
第一阶段｜初级阶段
人脸辨认被当作一个普通性的形式辨认问题，主流技术基于人脸的几何构造特征。这集中表现在人们关于剪影的研讨上，人们对面部剪影曲线的构造特征提取与剖析方面停止了大量研讨。人工神经网络也曾经一度被研讨人员用于人脸辨认问题中。
总体而言，这一阶段是人脸辨认研讨的初级阶段，十分重要的成果不是很多，也根本没有取得实践应用。
第二阶段｜高潮阶段
这一阶段虽然时间相对短暂，但人脸辨认却开展疾速，不但呈现了很多经典的办法，
第三阶段｜拓展阶段
人脸识别的研讨不时深化，研讨者开端关注面向真实条件的人脸辨认问题，主要包括以下四个方面的研讨：
提出不同的人脸空间模型，包括以线性判别剖析为代表的线性建模办法。
深化剖析和研讨影响人脸辨认的要素，包括光照不变人脸辨认、姿势不变人脸辨认和表情不变人脸辨认等。
应用新的特征表示，包括部分描绘子和深度学习办法。
应用新的数据源，例如基于视频的人脸辨认和基于素描、近红外图像的人脸辨认。
（1）人脸采集
不同的人脸图像经过摄像镜头采集得到，比方静态图像、动态图像、不同的位置、不同表情等，当采集对象在设备的拍摄范围内时，采集设备会自动搜索并拍摄人脸图像。
人脸采集的主要影响要素：
图像大小
人脸图像过小会影响辨认效果，人脸图像过大会影响辨认速度。非专业人脸辨认摄像头常见规则的最小辨认人脸像素为60*60或100*100以上。在规则的图像大小内，算法更容易提升精确率和召回率。图像大小反映在实践智慧社区应用场景就是人脸离摄像头的间隔。
图像分辨率
越低的图像分辨率越难辨认。图像大小综合图像分辨率，直接影响摄像头辨认间隔。现4K摄像头看清人脸的最远间隔是10米，7K摄像头是20米。
光照环境
过曝或过暗的光照环境都会影响人脸辨认效果。能够从摄像头自带的功用补光或滤光均衡光照影响，也能够应用算法模型优化图像光线。
含糊水平
实践场景主要着力处理运动含糊，人脸相关于摄像头的挪动经常会产生运动含糊。局部摄像头有抗含糊的功用，而在本钱有限的状况下，思索经过算法模型优化此问题。
遮挡水平
五官无遮挡、脸部边缘明晰的图像为最佳。而在实践场景中，很多人脸都会被帽子、眼镜、口罩等遮挡物遮挡，这局部数据需求依据算法请求决议能否留用锻炼。
采集角度
人脸相关于摄像头角度为正脸最佳。但实践场景中常常很难抓拍正脸。因而算法模型需锻炼包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安顿的角度，需满足人脸与摄像头构成的角度在算法辨认范围内的请求。
随着人工智能的炽热和开展，在全球信息化、云计算、大数据的背景下，生物辨认技术的应用面会越来越大，尤以
人脸识别为其中代表。目前生活中人脸辨认的运用也越来越多，因而控制一些人脸辨认的学问也更有利于我们对这新技术的控制与应用。
