人脸识别可以算是落地够快、效果也够炫的“智能技术”之一了，从2015年3月马云展示支付宝的刷脸支付，到最近很多机场、高铁站启用了刷脸进站，就连美图都说自己可以“AI自拍”。
先来泼一盆冷水，目前很多人脸识别的落地应用还处在一个非常初级的阶段，技术价值并不高。
首先，我们要弄明白人脸识别这一概念。人脸识别其实是个相对宽泛的大分类，基于生物特征识别技术，利用人的特征实现个体的区分。其中技术包括图像采集、特征定位、身份的确认和查找等等。
简单来说，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。
在应用上，人脸识别也分很多层级，目前在我国应用最多还是1：1等级，也就是人脸识别中最初级的“证明你是你”。
1：1等级的人脸识别通常是用户上传符合规则的照片在系统上，线下拍照，于系统中的照片进行对比。在机场、高铁站这种为线下拍照提供了较好条件（灯光、拍照像素等等）的环境中，说实话对于技术的硬性要求不算太高。而知乎中还有网友提到，关于人脸识别终端算法部署授权只需要500元/套，其使用成本可见一斑。而这一技术也绝非最近才出现，在高中时期，我的学校就用过刷脸考勤查验课间操跑步圈数。
对运算环境要求更高的是1：N级和N：N级的人脸识别。也就是单一特征对比多种特征和多种特征对比多种特征。而这两种等级的人脸识别在应用上也常常无法提供较好的环境，比如1：N级人脸识别可以应用于失踪人口搜索中，在特殊情况下拍的照片存在角度、光线的复杂性，加大了特征提取、对比的难度。
LBP，人脸识别的魔法根源
或许我们可以更深一步探究人脸识别的算法，比如Local Binary Pattern（局部二元模式）。这种算法可以将某一像素周边的灰度值和该像素作比较，从而去除光线的影响提取特征。
除了LBP外，常用的特征提取算法还有很多，像是Gabor滤波器。当然，提取特征只是第一步，接下来还要根据特征进行分类，这时就要应用贝叶斯、决策树等等分类算法。
最近大火的深度学习也正逐渐被应用于人脸识别中，深度学习将特征提取和分类两个步骤融合在一起。利用神经网络黑盒子的特性计算出最适合的特征提取模式，从而可以直接跳过“特征提取影响识别结果”这一怪圈，让算法的应用范围更大。
当然，由于深度学习需要应用大量的数据样本和较长时间的训练时间，对于整体运算环境要求也很高，相比物美价廉的LBP，应用范围还不大。
算法基础？实用性更重要！
虽然有人认为人脸识别只是个很基础的算法，但我们认为在应用上范畴上，人脸识别还是一座未经发掘的宝矿。
单纯从身份验证、识别角度来看，就有远程信贷、证券事务办理、实名制系统验证、来访记录、安检审核等等范畴的应用。在提高识别准确性的前提下，还可以利用进行罪犯/失踪人口追踪排查，总之科幻片里通过大街小巷摄像头找人的情节完全可以进入现实。
除了这些落地性强的应用模式，目前讨论热度最高的还有大数据+人脸识别，也就是通过大量人脸样本的累积，从中提取特征并总结规律。像是提取表情特征，构建情绪判断系统；或者通过面色、皱纹、斑点等等特征分析病情。不过这些应用范畴距离落地应用还很远，想要实现情绪判断、视觉诊断等等目的，人脸识别是否是最好的方式也不得而知。
总体看来，在中国的技术企业中，人脸识别算是泡沫较高的一个类别，不光Face++、云从等等企业都拿过千万美金级别的融资。各个企业也将该技术的引用视作踏入AI的一步，大肆PR吹捧，就连一些自拍工具也想来蹭一蹭热度。
其实目前人脸识别的应用还停留在基础上，也就是在较好环境中实现1：1人脸识别，而拍照美颜更仅仅应用到了人脸特征定点提取，连识别预处理都算不上，这样也要强吹只能说发言人的心理素质有些过于强悍了。
我们不应该神化任何一种技术，至于那些混淆视听蹭热度的，恰恰展示出了对于自家产品的不自信。对于流量的吹嘘或许可以“公关在前”，钱拿到了再做实，可技术不是靠营销就能堆砌出来的，最后往往只剩下打脸一个结果。
