最近几天，我发现关于刷脸的新闻铺天盖地，很多项目纷纷落地。
不得不说，在我们国家，新兴技术项目落地效率真的很高。。。可能有朋友会问，人脸识别技术到底是什么原理？
如今在世界各地的大学，科研机构，以及科技公司目前都在研究人脸识别的技术。虽然大家的目的都是想让计算机识别人脸，但方法却截然不同。我简单给大家介绍一下主要的几种算法。第一种，基于几何特征的算法。
这种算法把人脸的五官视为一个个部件，然后计算这些部件之间可以量化的关系，例如眼睛和鼻子间的距离，角度等等，最终对人脸分析出一系列数字化特征。这种方式虽然原理简单粗暴，但是随着对脸采集的数据量增加以及分析样本的提升，识别效果也还不错~
第二种，特征脸。
这个算法和上一种的思路是类似的，也是通过数学方法，不过上一种属于幼儿园数学，这种属于硕士数学。。。首先，准备一个样本，每个图片的大小要一样。
然后，计算出每个像素的平均值，得到一张 “ 平均脸 ”
还有点小帅啊。。。
再把原来的人脸根据得到的平均脸做一些处理，得到了一系列 “ 特征脸 ”。
下方图片核能预警。
惊悚不？
最后，这组脸就可以拿来做识别了！当你要识别某张脸 X 的时候，拿它和每一张特征脸的相似度。比如说 X 和特征脸一号有10%的相似度，和特征脸二号有5%的相似度。。。我们可以把这些相似度都依次记录下来组合在一起，这组数就成了 X 专属的特征数值。如果特征脸的样本足够多，那么 X 的特征数值就 “ 更具有唯一性 ”。这时丢过来一张新的照片，如果跟样本依次对比后的特征数值和 X 的特征值吻合，那么这张新照片上的脸就几乎可以确定是 X 了。
以上两种方法的思路都是把脸部特征量化，然后把问题转化为数学模型通过计算来解决。这么做的好处是计算速度快，缺点是对于复杂场景处理能力不强，例如光照，表情等影响较大。
也许你很讨厌数学，但是对计算机问题来说数学是很重要的
其实对于我们普通人来说，知道机器到底怎么识脸没什么卵子用。。。我们更关心的是应用场景，毕竟科技最终要服务大众。刷脸可以解决很多问题，比如说有一天你身份证忘带了又跑去银行，就不会出现这种情况↓↓↓
你可以指着自己帅气漂亮的脸蛋让别人刷。由于刷脸技术的便利性，越来越多的公司都开始接入这种技术，就像文章开头说的京东和支付宝的一样~渐渐的，我们日常生活不光可以无现金化，还可以无证件化。然而，事情总有两面性，即将面临的问题也有不少。。
不得不说，在我们国家，新兴技术项目落地效率真的很高。。。可能有朋友会问，人脸识别技术到底是什么原理？
如今在世界各地的大学，科研机构，以及科技公司目前都在研究人脸识别的技术。虽然大家的目的都是想让计算机识别人脸，但方法却截然不同。我简单给大家介绍一下主要的几种算法。第一种，基于几何特征的算法。
这种算法把人脸的五官视为一个个部件，然后计算这些部件之间可以量化的关系，例如眼睛和鼻子间的距离，角度等等，最终对人脸分析出一系列数字化特征。这种方式虽然原理简单粗暴，但是随着对脸采集的数据量增加以及分析样本的提升，识别效果也还不错~
第二种，特征脸。
这个算法和上一种的思路是类似的，也是通过数学方法，不过上一种属于幼儿园数学，这种属于硕士数学。。。首先，准备一个样本，每个图片的大小要一样。
然后，计算出每个像素的平均值，得到一张 “ 平均脸 ”
还有点小帅啊。。。
再把原来的人脸根据得到的平均脸做一些处理，得到了一系列 “ 特征脸 ”。
下方图片核能预警。
惊悚不？
最后，这组脸就可以拿来做识别了！当你要识别某张脸 X 的时候，拿它和每一张特征脸的相似度。比如说 X 和特征脸一号有10%的相似度，和特征脸二号有5%的相似度。。。我们可以把这些相似度都依次记录下来组合在一起，这组数就成了 X 专属的特征数值。如果特征脸的样本足够多，那么 X 的特征数值就 “ 更具有唯一性 ”。这时丢过来一张新的照片，如果跟样本依次对比后的特征数值和 X 的特征值吻合，那么这张新照片上的脸就几乎可以确定是 X 了。
以上两种方法的思路都是把脸部特征量化，然后把问题转化为数学模型通过计算来解决。这么做的好处是计算速度快，缺点是对于复杂场景处理能力不强，例如光照，表情等影响较大。
也许你很讨厌数学，但是对计算机问题来说数学是很重要的
其实对于我们普通人来说，知道机器到底怎么识脸没什么卵子用。。。我们更关心的是应用场景，毕竟科技最终要服务大众。刷脸可以解决很多问题，比如说有一天你身份证忘带了又跑去银行，就不会出现这种情况↓↓↓
你可以指着自己帅气漂亮的脸蛋让别人刷。由于刷脸技术的便利性，越来越多的公司都开始接入这种技术，就像文章开头说的京东和支付宝的一样~渐渐的，我们日常生活不光可以无现金化，还可以无证件化。然而，事情总有两面性，即将面临的问题也有不少。。
