人脸识别主要分1:1识别和1:N识别。 1:1识别达到99.7%是很简单的。什么是1:1识别？就是将你的证件照片（可以是身份证、出入证、工作证等带芯片并存储有个人照片的身份证卡）和你的现场照片比对（举个栗子：北京火车站的进站口）。这种情况下，环境是可控的，光照稳定充足、入场速度可控（通过闸机控制，比对不成功就别想过去，后面的人也得老老实实远远站着等你比对完）、人脸与识别机的距离（很近！50cm左右）、人几乎是静止的，脱帽脱口罩、牢牢盯着识别机器的屏幕，各项条件很稳定，比对时间既快又准。 1：N就很复杂了，一般是出入口设立一个无障碍闸机，一大波人乌拉乌拉进，全靠人脸抓拍机去抓。由于距离远（几米开外），运动速度快（抓不到清晰的正面照片）、抓拍出来的照片又可能出现多个人脸，种种因素导致准确率比较低。算法再好也比不出来一张模糊的侧脸照片。 现阶段，想要1：N比对结果好还是需要对入场人员进行一些限制，比如人流速度限制、提示正脸给到抓拍机、不戴帽子等遮挡物、RFID刷卡与人脸识别结合等方式。

作为做人脸验证和分类的小渣硕总结一下说的几个常见挑战吧，不一定正确：（对了，听导师说今年某司有用自己的算法帮助公安部在火车站成功抓捕到犯罪分子，虽然不知道具体什么形式采集到的犯罪分子待识别人脸图片，但是可喜可贺啊～） 1.目前做的lfw刷烂了，但是lfw其实主要是pose，背景变化最大。而且往往大部分论文的实验是基于严格提取关键点、矫正后的训练样本和测试样本。但是实际应用中，光照，抖动，模糊，遮挡，分辨率都是影响人脸识别的重要因素。特别是在做已注册样本为身份证照，待识别样本为手机或者摄像头采集的视频帧时候，图像在质量（FQI指标）上存在严重不同的情况，这时候识别难度是很大的ʕ •ᴥ•ʔ 2.工业界应用中，用CNN train出来的model，往往是比较大的，公司怎么用一个单机版app做相似性度量？又或者加速卷积和pooling的前向这块可能比较耗时。当需要已注册大样本提取的特征进行一一匹配的时候。 3.之前有问过导师，某些公司不是都和银行合作推出了人脸取款流程吗，这难道不是说算法效果特别好？实际上，银行操作人脸也是走了一个实验室条件的流程。当你进行人脸验证的时候，实际上人是正脸对着摄像头采集与已注册身份证照一样的高质量的人脸图像。而且结合身份证原件，安全性才得以保证。 4.人脸图像输入是活体吗？如果拍了A的照片去开锁A的手机，怎么样更好的更有产品经理气息去做这种问题的检测。 5.随着人的年龄、五官本身变化，本人与已注册身份证照片相似性在变化！！！

网红

特么的每次我卸完妆手机就不认识我了。。。

我倒是觉得不是计算机技术方面的问题，而是目前为止人类还不能明白大脑的工作方式。

拿到lfw上识别率99.15%的算法，用作人证比对的识别率55%

如何对韩国人进行人脸识别绝对是一大挑战! "韩国小姐(MISS KOREA)。是一年一度在韩国举办的韩国小姐选美大赛，自1955年第一届至今。比赛分为真、善、美三个竞赛选拔部分。三个竞赛部分分别选出冠亚季军一 名。“真”小姐为最高荣誉，是真正的“韩国小姐”。2013年韩国小姐候选人日前曝光。不过多位佳丽看上去样貌神似，难以分辨，一条整容流水线上的作品， 全无个人特色" .............

看了楼上技术的分析，我从社科伦理的角度来插个嘴么： [h1]挑战一：隐私的认知与突破[/h1]2017年9月9日出版的《经济学人》指出，人脸和其他生物数据（比如说指纹）的一个巨大区别是，人脸是可以进行远距离采集的，任何一个人在远处拍一张照，把照片放在人脸识别的软件里，理论上就欧了。 此外，很少有人会意识到，自己的脸是隐私，因为人脸是公开的。往往，我们会把隐私和私密划等号，现在看来，这样的等号得拆了。 当然，草根民营企业是很难有能力把人的面部图像和个人身份联系在一起的，但是政府可以啊。还记得你16岁时在公安系统留下的丑照么…… 当人脸只是一张美照或丑照时，问题还不大，但现在人脸可以用作支付或开锁工具时，你是不是应该开始慌了。 [h1]挑战二：应用场景中的公平问题[/h1]人脸不仅仅是一个name-tag，它呈现出很多机器可以识别的信息。这当然有很多好处，比如一些原本难以通过医者识别的疾病，可以更早地通过算法分析人脸、由机器诊断得出结论；再比如机器可以捕捉自闭症的一些表情，这样我们就知道他们在想什么了。 硬币的另一面是，技术也会加剧偏见和不平等。斯坦福大学近期发布的一份报告发现，机器能比人更准确地识别一个人是否为同性恋：机器识别的准确率是81%，人工识别的准确率仅为61%。在一些同性恋还被认为是犯罪的国家，这一技术的存在……还是有点吓人的。 更本质的一个不平等是——从机器学习的本质考虑，所有的脸部识别系统不可避免地玩的是一个概率游戏，但是，在白人偏多而少数族裔偏少的数据情况下（特指美国情况），训练出的结果一定是白人情境下算法表现更优的。这一类bias，在一些尝试将机器评估结果引入法院判决中的情况里，已经出现了。 [h1]挑战三：直逼人际关系的基础[/h1]都说，人是其社会关系的总和。能准确读出面部表情，会很深很远滴影响人与人之间的关系建立基础。 Dissembling helps grease the wheels of daily life. 试想，如果你的妻子/丈夫能识破你每次对话中的不耐烦；你的老板可以识别你工作场合中的每次炸毛，那婚姻和工作的关系确实会更真实，但也会更不和谐。 那所有社会关系的基础就会变，会从信任变为精准的“算计”。这样的关系可能是更理性的，但也会是更带有“功利性”（transactional）的吧。 ---------- 答案选自：独家编译 |《经济学人》警示：人脸识别会给我们带来哪些伤害？

身份证照和现场人脸的跨场景识别一直都是人脸识别技术中的难点之一，很多在标准测试数据集（一般是网络图片）上做的效果还不错的人脸识别算法，到了实际现场应用时却往往大打折扣。由于二代身份证照片分辨率较低，再加上现场真人的拍摄照片可能受到光线照射不均、人脸部分遮挡（帽子、头巾、胡须、眼镜等），或者与身份证拍摄的时间跨度较大，这些因素的影响，导致人眼和传统的人脸识别技术都很难判断是否为同一人。 从业界的观点来看，人脸识别技术有着广阔的应用前景，因为与其它生物识别方式相比，人脸识别技术有着设备兼容性强、非接触、大规模识别等有点。但是人脸识别技术在发展上还存在着一些障碍，影响人脸识别效果的原因主要有以下的几个方面： 1）人脸图像的获取过程中的不确定性（如光的方向，以及光的强度等）； 2）人脸模式的多样性（如胡须，发型等）； 3）人脸塑性变形的不确定性（如表情等）； 4）所涉及的领域知识的综合性（如心理学，医学，模式识别，图像处理，数学等）。 正因为在人脸识别的过程中存在上述的各种各样的问题，因此在实际的检测和识别过程中，当这些因素叠加到一起的时候，情况就变得更加复杂。 从某种意义上来说，人脸识别的各种方法，实际上就是在寻找一种人脸的描述方式，但是要找到一种能够不受各种因素影响的描述方式非常地困难，无论是最早使用的几何描述方式以及后来比较常用的代数描述方式，都不可避免地存在各种干扰。我们只能是在以后的研究中，逐渐去完善人脸的描述方式，使之更加有效，更加准确。

海关技术狗一只（不是边检不是边检不是边检） 大学毕设做的人脸识别，虽然基本是抄的，但也还算是了解一些基本知识吧，基本上那时候（四五年前吧）实验室里面识别率就可以到90%以上了，但是为啥到现在也没有特别好的应用。 拿海关来说吧，国内旅检口岸流量最大的属珠海的拱北口岸（一天30万左右）和深圳罗湖口岸（一天25万左右），我们也在口岸装过好几套人脸识别系统，用来识别水客，但是效果都不理想，最好的识别率也就40-50%吧，分析主要有以下原因： 1、人多，行为无法控制。一天30万是什么概念，一年就是一个亿，保守估计一年检测到的人脸也有千万级，需要对比识别的水客至少也有几万个。同时海关通道都是一条大通道，通道大概也就是8米*15米，每秒钟都有几十个人向你涌过来，而这些人里面脸朝各个方向的都有，甚至低着头的、带着口罩戴墨镜的，这对于摄像机数据采集是很大的挑战。一直认为人眼是最好的人脸数据采集的前端设备，人眼都不能很好的解决这些问题，更别说不能移动的摄像机了。所以这点和边检有很大差别，边检要么是自助通关，要么是人工，这些都是一个一个人过关，然后还会要求摘掉所有的遮挡（墨镜、口罩等）对准摄像头，这样才能保证人的脸部数据采集的准确性。被检测人员对系统的配合程度是会极大影响识别效果的，而出于某些政策的原因，海关不可能采取边检的通关方式，因此难度可想而知。有些人可能会说，那把戴口罩，戴墨镜，低头的都叫过来检查不就好了，但是通常把守一条通道的也就三四个关员，而香港和澳门人又很喜欢戴口罩，更何况水客还有可能一起十几个人一起过关，这无疑无法实现。 2、现场环境老旧，很难进行改造。口岸的旅检楼很多都是有着二三十年历史，整体环境都比较差，而且不能进行大面积改造，例如楼层层高不够，摄像机可选择的角度严重受限制；灯光昏暗，补光不够；通道狭窄又短，对系统运算效率较高等等。 3、目前我们能拿到的照片数据库来源较少，且部分质量一般，增加识别难度。由于某些原因，我们只能拿到一小部分的水客的证件照片，而其他水客的照片主要靠系统进行抓取，这导致数据库内的模版质量较差，直接影响识别效果。 所以人脸识别目前对于我们来说只能起到一个辅助作用，能有40%的识别率我们就已经很满足了，同时也希望还在做这方面研究的朋友能够看到实验室和实际应用的差距，加大对这方面的研究投入，做出更好的产品来。