人臉支付基于人臉識別，人臉識別是針對人的臉部特征信息進行身份識別的一種生物識別技術。用攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，通常也叫做人像識別、面部識別。人臉識別系統需要先產生人臉的特征模板并存儲在數據庫中，這些模板將被用于與提交來比對的模板一一匹配，如果相似程度超過系統預先的設定值，系統就認為比對成功。

人類的日常生活中每天都在進行人臉識別，因此也使得人臉識別最能接受這種身份認證方式。全球人臉識別的發展大致可以分為四個階段。

第一階段（1964s-1990s），人臉識別的探索階段，被當作一般性的模式識別問題智能訪客系統，主流技術是基于人臉的幾何結構特征，但沒有突出的研究成果，也沒有獲得實際應用。

第二階段（1991s-1997s），人臉識別初步發展階段，出現了很多經典的方法，例如Eigen Face（特殊臉）, Fisher Face和彈性圖匹配，主流的技術路線為人臉表觀建模。

第三階段（1998s-2014s），人臉識別技術快速發展階段，光照、姿態問題成為研究重點，主要技術路線是“人造或基于學習的局部描述子(如LBP，Gabor)+度量學習(DML)”。以美國、德國和日本的技術實現為主，人臉識別商業系統被逐漸開發，通常用于檢查證件照等反恐安全領域，如美國911后在115座機場和14個主要港口設立的“美國訪客和移民身份顯示技術”系統。

第四階段（2014s至今），人臉識別應用快速滲透階段，主流技術轉為“深度學習+人臉圖像大數據”，被廣泛應用于公安、安防、金融、教育、交通等各個領域。從應用層面看，安防作為人臉識別的熱點領域，除了在全市布局視頻監控系統外，還增加了“刷臉進站”、“刷臉登機”等應用場景。

行行查，行業研究數據庫

剖開深度學習基礎上的人臉識別產業鏈，可以看到，產業鏈上游為基礎層，包括人工智能芯片、算法技術和數據集；中游由視頻人臉識別、圖片人臉識別和數據庫對比檢驗等技術層構成，大體包括人臉檢測、活體檢測、人臉識別、視頻對象提取與分析等技術；下游則是具體的場景應用，即應用方案、消費類終端或服務等。下游以攝像頭為主的硬件采集端和應用端采集人臉數據智能訪客系統，為數據集豐富數據，對于基礎層算法的更新迭代形成正反饋。

人臉識別主要包括圖像采集、人臉檢測、預處理、 人臉特征點提取和人臉匹配/識別等一系列 流程。

圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。

人臉檢測：人臉檢測在實際中主要用于人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。

人臉圖像預處理：對于人臉的圖像預處理是基于人臉檢測結果，對圖像進行處理并最終服務于特征提取的過程。

人臉圖像特征點提取：人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。

人臉圖像匹配與識別：提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。

行行查，行業研究數據庫

請至網站

手機訪問“行行查”小程序更方便