人脸识别的主要流程
人脸识别概述
人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)，自动进行身份识别的一种生物识别技术，又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。
人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸图像进行一系列的相关应用操作。
技术上包括图像采集、特征定位、身份的确认和查找等。特征定位，就是从照片中提取人脸中的特征，比如眉毛高度、嘴角等等，再通过特征的对比输出结果。
人脸识别主要流程
人脸检测是所有人脸研究的一个前提步骤，它的性能直接影响整个人脸图像应用系统得性能，因此是一个非常关键的步骤。
它的任务是首先对由摄像机输入的图像进行分割，即把整幅图像分割成两部：一部分为人脸区域，另一部分为非人脸区域，然后进一步获取脸部信息，并对人脸的行为进行描述，进而完成对人脸识别的分析和理解。
1 人脸采集
不同的人脸图像通过摄像镜头采集得到，比如静态图像、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因素：
图像大小：人脸图像过小会影响识别效果，人脸图像过大会影响识别速度。非专业人脸识别摄像头常见规定的最小识别人脸像素为6060或100100以上。在规定的图像大小内，算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。
图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率，直接影响摄像头识别距离。现4K摄像头看清人脸的最远距离是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识别效果。可以从摄像头自带的功能补光或滤光平衡光照影响，也可以利用算法模型优化图像光线。
不同遮挡下的人脸识别：
遮挡是指正面人脸图像中有眼镜、头发、围巾或者其他的配饰。在过去几年，主要致力于可控设置下的人脸识别；然而，在不可控制下的识别，像光照、表情和部分遮挡是需要考虑的问题
2 人脸检测
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的，常用人脸关键点检测，即自动估计人脸图片上脸部特征点的坐标。
主流方法：
基于检测出的特征采用Adaboost学习算法（一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法）挑选出一些最能代表人脸的矩形特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
viola-jones框架（性能一般速度尚可，适合移动端、嵌入式上使用），dpm（速度较慢），cnn（性能不错）。
在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的，常用人脸关键点检测，即自动估计人脸图片上脸部特征点的坐标。
