胜利召唤

　　一、机器识别与人工识别相结合

　　目前市面上主流的一些人脸识别公司在引用国内外知名的人脸图像数据库进行测试时，其人脸识别的精准性一般都可以达到95%以上，而且进行精准人脸识别的速度也非常快，这也从侧面为人脸识别技术投入实际应用提供了强有力的实践证明。

　　不过在实际的生活中，每个人的人脸相对于摄像头而言并不是保持静止不动的，相反则是处于高速的运动状态之中，摄像机采集到的人脸图像会因为人脸的姿态、表情、光线、装饰物等不同而呈现出完全不同的样子，也极有可能会出现采集到的人脸图像不清晰、不完整、关键部位特征不明显的情况，这个时候人脸识别系统也就可能无法做到快速和精准的人脸识别了。

　　因此在设定了一定的人脸图像相似程度数值之后，人脸识别公司系统会对高于该相似程度数值的人脸图像作出提示，然后再由人工进行逐个的筛选，采用机器识别与人工识别相结合的方式才能最大限度的做到人脸图像的精准识别。

　　二、3D人脸识别技术的广泛应用

　　不论是时下主流的人脸图像数据库中已经保存好的人脸图像，还是在街边路口由摄像头实时采集到的人脸图像，绝大多数其实都是一张2D人脸图像。2D人脸图像本身其实存在着固有的缺陷，那就是它无法做到深度的表达人脸图像信息，在拍摄时特别容易受到光照、姿态、表情等因素的影响。而对于人脸来讲，人脸面部包括眼睛、鼻子、耳朵、下巴等诸多的关键部位并不是处于一个平面上的，人脸天然具有立体效果，拍摄2D人脸图像不能够很好的完全反映出人脸面部的全部关键特征。

　　不过就国内人脸识别公司中3D人脸识别技术的实际应用而言，尚处于一个初级的应用水平，远未达到广泛应用的阶段。影响3D人脸识别技术的广泛应用的因素主要有如下几个：一是采集3D人脸图像往往需要特定的采集设备，例如3D摄像机或者是双目摄像机等，目前这一类型的摄像摄影设备的市场价格都比较昂贵，仅在特定的场景中使用较多;二是对3D人脸图像的处理需要进行3D建模，相对应的3D人脸识别技术对于硬件设施的要求比较高，需要比较强的计算能力，在目前也不能做到广泛应用;三是现有的3D人脸图像的数量类型较少，相对应的3D人脸图像数据库也没有搭建起来，缺少足够的3D人脸图像测试样本，即使是在理论研究阶段也无法深入，就更谈不上更加广泛的实际应用了。

　　三、基于深度学习的人脸识别技术的广泛应用

　　目前主流的人脸识别技术大多都是针对轻量级的人脸图像数据库，对于未来完全可预见的亿万级的人脸图像数据库则还不太成熟，因此需要重点研究基于深度学习的人脸识别技术。

　　通俗意义上来讲就是，目前国内人口有十三亿之多，由实力雄厚的人脸识别公司牵头在不久的未来建立起一个覆盖全国范围的统一的人脸图像数据库也是可以预见的，那么该人脸图像数据库存储的人脸图像的容量可能会达到数十亿甚至是数百亿的级别，这时候可能就会存在大量表征相似、关键特征点相似的人脸，如果没有基于深度学习的人脸识别技术，建立更为复杂的多样化的人脸模型，那么在实现精准和快速的人脸识别就会比较困难。

　　四、人脸图像数据库的实质提升

　　建立具备优良的多样性和通用性的人脸图像数据库也是一个必然的事情，与目前主流的人脸识别公司引用的数据库相比，其实质上的提升主要体现在如下几个方面：一是人脸图像数据库量级的提升，将会从现在的十万百万级提升至未来的十亿级甚至是百亿级;二是质级的提升，将会由主流的2D人脸图像提升至各种关键特征点更为明显和清晰的3D人脸图像;三是人脸图像的类型提升，将会采集每个人在各个不同的姿态、表情、光线、装饰物等之下的人脸图像，以充实每个人的人脸表征进而做到精准的人脸识别。