2016年即將結束，2017年春運也剛剛開始，你搶到火車票回家了嗎？
和往年春運相比，今年春運的一大亮點是——刷臉進站。據稱，手持身份證并且已領車票的乘客，可以在閘機前通過人臉識別實現身份驗證，自助驗票進站，進站速度最快可在5秒內。
在首都，北京西站的北邊一層入口，東側一半已經換成了自助驗票驗證的入口，現場有語音廣播以及相關指示牌，指引乘客準備好相關證件。乘客需要將車票和身份證一起放入閘機插入口，攝像頭則會采集旅客的人臉信息，與身份證人臉信息進行識別，如果一致，閘機就會打開，旅客就可以通過進站。
一般只要放對證件的順序和方向，操作正確，幾秒鐘就能夠進站，比人工檢票更快一些。未來如果這項技術大范圍使用，火車站排長龍進站的現象或許可以得到一定的緩解，更能減少人工操作失誤和相關人員的工作量。
人臉識別技術大揭秘
含義及特點
人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術，通常也叫做人像識別、面部識別。它可以分為兩個大類：一類是確認(verification)，這是人臉圖像與數據庫中已存的該人圖像比對的過程，回答“你是不是你”的問題；另一類是辨認(identification)，這是人臉圖像與數據庫中已存的所有圖像匹配的過程，回答“你是誰”的問題。
春運中的“刷臉進站”可以歸為人臉確認一類，而人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配、特征提取和分類算法的選擇等。
人臉與人體的其它生物特征（指紋、虹膜、聲音等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較，人臉識別具有如下特點：
精準度較高。從精準度的角度來講，最精準的是虹膜，但是虹膜的識別采集成本非常高，識別的效率相對不是很高，需要等待的時間。
不可復制性。每個人的臉部特征都不一樣。指紋雖然也具有唯一性，但由于是一個靜態圖像之間的比對，可復制性較高；
非強制性。用戶不需要專門配合人臉采集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，而聲音則不能；
非接觸性。用戶不需要和設備直接接觸就能獲取人臉圖像；
并發性。在實際應用場景下可以進行多個人臉的分揀、判斷及識別；
操作簡單、結果直觀、隱蔽性好等等。
發展現狀
人臉識別系統的研究始于20世紀60年代，80年代后隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年后期，并且以美國、德國和日本的技術實現為主。
從不同的角度，業界對人臉識別技術有許多不同的分類。例如，根據應用場景的不同，人臉識別可分為針對二維圖像的人臉識別、針對監控視頻的人臉識別、針對近紅外、熱紅外成像或素描等的多模態人臉識別和針對深度信息的三維人臉識別等；依據識別對象，分為動態和靜態配合式的識別還是非配合式的識別；最普遍的還分為，基于特征的人臉識別算法和基于外觀的人臉識別算法。小編炮以下舉例了各種類型的識別技術，但也可能不全面，歡迎指正補充：
-幾何特征的人臉識別方法
幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些算法識別速度快，需要的內存小，但識別率較低。
-基于特征臉(PCA)的人臉識別方法
特征臉方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以轉成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基于圖像灰度的統計特性的。
-神經網絡的人臉識別方法
神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。
-彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓練。
-線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明，人類在識別輪廓圖(比如漫畫)的速度和準確度上絲毫不比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。
-支持向量機(SVM) 的人臉識別方法
近年來，支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本(每類300個)，這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，核函數的取法沒有統一的理論。
-多光源人臉識別技術
傳統的人臉識別技術主要是基于可見光圖像的人臉識別，但在環境光照發生變化時，識別效果會急劇下降?；谥鲃咏t外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。
應用領域
目前，人臉識別方法正日趨成熟，在現實場景中也已經得到了比較廣泛的應用，照片的檢索、門禁考勤等應用已基本成熟，諸如金融、司法、軍隊、公安、邊檢、政府、航天、電力、工廠、教育、醫療及眾多企事業單位等領域都有涉及。最主要的應用有以下六個方面：
1.企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。
2.電子護照及身份證。如民航、出入境、旅行證件等，這或許是未來規模最大的應用。
3.公安、司法和刑偵。如利用人臉識別系統和網絡，在全國范圍內搜捕逃犯。
4.自助服務。如銀行的自動提款機，同時應用人臉識別可避免被他人盜取現金現象的發生。
5.信息安全。如計算機登錄、電子政務和電子商務，可大大增加電子商務和電子政務系統的可靠性。
6.娛樂應用。如笑臉識別、年齡猜測等。
但是，人臉識別問題還并沒有被完全解決，復雜多樣的姿態變化、千奇百怪的遮擋情況、捉摸不定的光照條件、不同的分辨率、迥異的清晰度、微妙的膚色差，各種內外因素的共同作用讓人臉的變化模式變得極其豐富。在非配合場景下的萬級及以上的目標檢測（如安防監控庫）的應用，依舊任重道遠。
前景和未來
《2016-2020年中國人臉識別行業投資分析及前景預測報告》中提到，從人臉識別的非軍方應用領域來看，目前國內的人臉識別技術，基本都是在金融及安全領域。而在娛樂領域，也只有百度推出的臉優真正在后臺使用了人臉識別技術。其他領域因為技術難度以及投入等原因，短期內還無法實現人臉識別。
事實上，如果人臉識別的技術得到突破，準確率得到提升并普及用戶習慣以后，其商業化應用前景是十分廣闊的，且有助于線下生物識別格局的改變，很有可能會成為下一個科技時代的商業爆發點。另外，人臉識別包含人工智能等技術，當前商家們布局人臉識別就是布局人工智能以及人機交互的未來。
從資本市場來看，騰訊、阿里、微軟、民生銀行等多個巨頭紛紛布局人臉識別產業（如阿里旗下的螞蟻金服和face++；微軟曾風靡社交網站的“傳照片測年齡”、“雙胞胎了沒”，以及Win10的Windows Hello人臉識別系統）。而川大智勝、海康威視、佳都科技、科大訊飛、海能達、賽為智能、高新興、漢王科技、衛士通、高鴻股份等上市公司也成為人臉識別以及人工智能的潛力股。
由此看來，以人臉識別為代表的新一代技術驅動的產業革命已經興起。這個新的經濟單元將是技術比拼的時代，技術壁壘也會越積越高。技術研發會成為企業發展的主要因素，同時商業模式也會因為技術的不管革新而不斷演變。如百度深度學習研究院這樣的組織會越來越多，如臉優這樣技術性應用也會越來越多。
當然，最終還是要看各組織的技術革新能力、創新能力以及商業變現能力等綜合實力強大與否。以后的技術革命中會衍生更多的新興技術，而人臉識別技術或將成為拉開這個帷幕的直接導火索。
