其實我們壹直在做視覺模式識別。我們通過眼睛獲得視覺信息，這些信息經過大腦處理後被識別為有意義的概念。所以我們知道擺在我們面前的是壹個杯子，壹本書還是別的什麽東西。
我們也壹直在做人臉識別。我們在日常生活中會遇到無數的人，認識那些熟人，跟他們打招呼，跟他們打交道，忽略其他陌生人。甚至避開那些欠我們錢，暫時還不上的人。
然而，這個看似簡單的任務，對於機器來說並不是那麽容易實現的。
對於計算機來說，壹個圖像信息，無論是靜態圖片還是動態視頻中的壹幀，都是由許多像素組成的矩陣。比如壹張1080p的數字圖像，是由1980*1080個像素組成的矩陣，每個像素，如果是8-8位rgb格式，就是3個數值，取值範圍從0到255。
在這些數據中，機器需要找出數據的某壹部分代表了什麽樣的概念:數據的哪壹部分是水杯，哪壹部分是書，哪壹部分是人臉，這是視覺模式識別中的壹個粗略分類問題。
完成人臉識別的工作有幾個步驟。首先，計算機需要找到人臉在圖像或視頻中的位置。這部分工作壹般稱為人臉檢測。如上所述，這是壹個粗略的分類，實際上是人臉檢測中的二元分類。計算機只需要判斷目標圖像是否是人臉。但由於人臉的大小和位置無法提前確定，計算機需要用每壹個可能的人臉大小掃描整個畫面，來逐個判斷子窗口截取的圖像是否是人臉。在每次掃描過程中，子窗口的步長可以是幾個像素。
所以妳可以大致想象壹下，計算機需要進行多少次二進制判斷才能對壹張圖片進行人臉檢測。
人臉檢測步驟從壹張圖片中獲取人臉的位置和大小，並將這部分圖像送入後續步驟，包括:人臉組成點定位、人臉圖像對齊和歸壹化、人臉圖像質量選擇、特征提取和特征比較。所有步驟完成後，就可以知道人臉的身份了。
當然，我們也可以單獨使用人臉檢測功能來完成壹些應用。比如大部分相機和手機相機都有人臉檢測功能，可以自動獲取人臉位置，從而對畫面進行壹些自動對焦和優化。甚至對人臉做出壹些初步的判斷，比如性別，年齡，甚至是顏值。
1v1人臉驗證和1vN人臉搜索
主人公通過各種方式，通過層層身份認證，設法進入了壹個機密部門，這是電影中常見的情節。而這壹層認證往往包括人臉識別。在這個應用程序中，用戶經常需要提供自己的身份。
比如妳用門卡，電腦可以通過門卡在後臺獲取門卡主人的人臉樣本，與門卡當前使用者的人臉圖像進行比對，確認門卡當前使用者是否與門卡主人匹配，防止發現妳門卡的人輕易混入公司。
這是壹種1v1認證。計算機將當前人臉與庫存人臉進行比對，這是對其他認證方法的輔助，從而提高認證的可靠性。目前，這類應用已經得到廣泛應用，如敏感設施的訪問、互聯網金融領域的遠程開戶、大額取款的身份驗證等。