功能：对任意一副给定的图像，对其进行识别以确定其中是否含有人脸，如果是则返回人脸的位置、大小，性别，姿态等属性。 优势：基于深度学习模型，依托海量多年高质训练数据积累，拥有百万级训练样本。支持多姿态人脸检测，在暗光、逆光等极端光线下依然保证超高稳定性。 准确率：2014年在国际权威数据库FDDB评测，检测准确率99%，召回率99.5%。人脸检测技术持续保持业界领先。

《经济学人》9月9号最新一期文章：“人脸识别：无处遁形”。人脸识别技术大踏步提升，例如已可从脸部特征识别性取向异常，诊断某些疾病等。但这是双刃剑，好处多多，如可用于支付，报到（替代打卡），追捕罪犯等；但潜在风险也不少，例如泄露隐私，助长用人单位“以貌取人”歧视等。http://www.economist.com/news/leaders/21728617-life-age-facial-re

看了大侠们的回答，晕晕乎乎的，我只想说对于高科技这个玩意儿，最大的挑战就是“落地”，好产品才是科技发展的好出路。

最大的挑战? 个人觉得目前无法作为唯一验证方式，而且实际应用挑战也很大，纸面数据与实际场景效果有较大的差距，都说的很NB，但是实际测试都会遇到各种场景壁垒。目前已经应用的很多场景，距离预期目标实际也都有差距。只能说可用状态，好用还达不到。以动态被动识别为例，准确率都说95%，98%甚至99%的···实际人脸抓拍率能达到95%就算不错了，识别率在大场景下80%都是一大关。静态识别相对准确度更好一些，但是场景受限，在B端有较大的考验。大部分是多维身份校验。

目前的算法技术，在实验室应该是完全可以应用了，但到部署到项目实际场地，还是有误差率。还有就是光线影响。2018年人脸识别应用项目应该是遍地开花，亲民价格化，而不是仅在国家级项目中应用。

唉，就400来幅图像，用facenet提取特征，欧式测距，正确也就百分之七十，刷的分再高，实际还是不能用啊

99.7并不是一个很高的数字,除非能像NDA检测那种99.9....N个9的那种 上面这句话其实已经简单表述了我的意思了,现在的人脸识别有一个最大的问题就是不唯一,任何一种识别系统,他的最高境界应该是任意一个个体的标识是唯一的,就像你的身份证号一样.而目前的人脸识别算法由于特征提取不完备,所以会出现不是同一个人提取出来的特征是一样的,光这一点就足以说明这个系统是不完备的了,这还是抛开人脸识别本身监测环境就会有干扰(遮挡,光照变化,分辨率不足等等)的情况下. 简而言之,现在的人脸识别,核心算法本身就还有很长的路要走,图像预处理相关的东西就更多了.

当然是人类阻挡人工智能的最后一座堡垒—— 白百合和王珞丹了（大雾

这个问题比较难回答，因为面部识别技术涉及很多方面的内容。有很多难点，比如人脸图像的最佳表示格式，存储方法，索引方法，匹配依据，甚至评估方案等等。 我觉得你要问的问题应该是：影响人脸识别准确度的因素都有哪些吧? 人脸识别的基本算法是计算面部轮廓，五官的特征点，然后根据这些点连接的结构来识别人脸，比如两眼之间的距离，两耳到鼻尖的距离，眼窝的深度等等吧，大概是这样。但是因为人脸图像不一定都是正面证件照那样的，所以光照，拍摄角度对图像的影响很大，如何在各种光照和视角环境中准确地获得人脸的特征，是其中一个难点。 第二个难点我个人觉得是匹配，本质上来讲人脸识别是一个分类(classification)任务：学习一组带标签(身份)的人脸图像，然后对未加标签的人脸图像和标签进行配对(图像-->身份)，怎么构造 "高效" "准确" 的算法来进行有督导学习也是一个难点。

伦敦警方最近试用了一种新的面部识别系统，但是他们犯了一个令人尴尬的错误。在诺丁山狂欢节上，警方使用这项技术搜寻嫌疑人时，发生了大约35次错误的身份匹配，并且其中一人被“错误地”逮捕。 以摄像头为基础的的视觉监视系统理论上是能保证社会环境更安全。但是，即使经过了几十年的发展，它们依然无法完全处理现实生活中的情况。例如，在2011年伦敦骚乱期间，面部识别软件只识别出4962个嫌疑人中的一个，并对其完成了逮捕。 这一技术的失败意味着，视觉监控仍然主要依靠坐在黑暗房间里的监控人员观看数小时的摄像机镜头，这完全不足以保护一个城市的人们。但最近的研究表明，视频分析软件可能会得到极大的改进，这要归功于一个完全不同领域的软件进步:DNA序列分析。将DNA的进化方式匹配到视频上，这些软件工具和技术可以转变成自动的视觉监控。 自从1960年伦敦警察厅在伦敦安装了第一批闭路电视摄像头以来，多达600万的摄像头已经被部署在英国各个地方。现在，前线的警官们已经佩戴了体戴式相机，不仅可以拍摄到更多的视频来分析，还可以提取到更复杂的数据。 然而，自动化的视觉监控仍然局限于相对可控的环境中的任务。可以检测某一特定财产的非法侵入，计算出经过某一扇门的人数，或者可以非常精确地识别数字车牌。但仅仅分析特定的一组人群或在公共街道上辨认个人的镜头是不可靠的，因为户外场景变化很大、变化速度也很快。 为了改进自动化视频分析，我们需要能够处理这种变化的软件，而不是因为它的不方便就放弃改进——这是一个根本性的改变。一个可以用于处理大量可变数据的领域是基因组学。 自从2001年第一个人类基因组的30亿个DNA序列(人类的全部基因数据)被测序以来，这种基因组数据的产量呈指数级增长。这些数据的庞大数量及其变化的程度意味着，我们需要大量资金和资源来开发专门的软件和计算设备来处理这些数据。 今天，科学家们可以相对轻松地访问基因组分析服务，研究各种各样的东西，从如何对抗疾病，设计个性化医疗服务，到人类历史的奥秘。 基因组分析包括通过研究已经发生的基因突变来研究基因的进化过程。这与视觉监控领域的挑战惊人地相似，视觉监控依赖于对一段时间的演变进行分析，以发现和追踪移动的行人。通过处理构成视频的图像之间的差异，我们可以把用于基因组分析的技术应用到视频中。 对这种“视频组学”原理的早期测试已经证明了它的潜力。我在Kingston University的研究小组首次发现，即使是在一个自由移动的相机拍摄的时候，视频也可以被分析。将摄像机的移动识别为突变过程，通过特殊的操作，这样一个场景就像被固定摄像机拍摄下来一样。 与此同时，University of Verona的研究人员已经证明，图像处理任务可以被编码成标准基因组学工具被利用的方式。这一点尤其重要，因为这种方法大大降低了软件开发的成本和时间。 将这一技术与我们的战略相结合，最终可能会带来多年前承诺的视频监视革命。如果要采用“视频组学”原则，未来十年可能会发明出更智能的摄像头。在这种情况下，我们要做好更频繁地出现在监控视频中的准备。（选自：thenextweb编译：网易见外编译机器人 审校：雨蛋） 关注网易智能公众号（smartman163），获取人工智能行业最新报告。