民法典人脸识别规定，人脸识别算法排名-华宇考试网

民法典人脸识别规定？

《民法典》人脸识别规定，反映于个人信息保护方面。第一百一十一条　自然人的个人信息受法律保护。任何组织或者个人需获取他人个人信息的，需要依法获取并保证信息安全，不可以非法收集、使用、加工、传输他人个人信息，不可以非法买卖、提供或者公开他人个人信息。第一千零三十四条　自然人的个人信息受法律保护。

个人信息是以电子或者其他方法记录的可以独自或者与其他信息结合识别特定自然人的各自不同的信息，涵盖自然人的姓名、出生日期、居民身份证件号码、生物识别信息、住址、手机号、网络电子邮件的信箱、健康信息、行踪信息等。

个人信息中的私密信息，适用相关隐私权的相关规定；没有规定的，适用相关个人信息保护的相关规定。

第一千零三十五条　处理个人信息的，需要遵守合法、正当、必要原则，不可以过度处理，并满足下方罗列出来的条件：

（一）征得该自然人或者其监护人同意，但是，法律、行政法规另有规定的除外；

（二）公开处理信息的规则；

（三）明示处理信息的目标、方法和范围；

（四）不违反法律、行政法规的相关规定和双方的约定。

个人信息的处理涵盖个人信息的收集、存储、使用、加工、传输、提供、公开等。

第一千零三十六条　处理个人信息，有下方罗列出来的情形之一的，行为人不担负民事责任：

（一）在该自然人或者其监护人同意的范围内合理开展的行为；

（二）合理处理该自然人自行公开的或者其他已经合法公开的信息，但是，该自然人明确拒绝或者处理该信息侵害其重要利益的除外；

（三）为维护公共利益或者该自然人合法权益，合理开展的其他行为。

《规定》注重个人利益和公共利益的平衡。在依法保护自然人人脸信息的同时，对民法典第1036条规定进行了细化，明确规定了使用人脸识别不担负民事责任的情形，涵盖：为应对突发公共卫生事件，或者紧急情况下为保护自然人的生命健康和财产安全所必需而处理人脸信息的；

为维护公共安全，依据国家相关规定在公共场所使用人脸识别技术的；为公共利益开展新闻报道、舆论监督等行为在合理的范围内处理人脸信息的；在自然人或者其监护人同意的范围内合理处理人脸信息的；满足法律、行政法规规定的其他情形。

物业服务企业或者其他建筑物管理人以人脸识别作为业主或者物业使用人出入物业服务区域的唯一验证方法，不一样意的业主或者物业使用人请求其提供其他合理验证方法的，人民法院依法予以支持。换句话其实就是常说的说，物业不可以强制将人脸识别作为出入小区唯一验证方法。

此外《民法典》第1034条规定自然人个人信息受法律保护；第1035条规定，处理个人信息需要遵守合法、正当、必要原则，需征得当事人同意。

第一，人脸识别的基本性质为可识别的个人信息。人脸识别并不是仅是对人脸特点的识别，而且，将人脸信息与个人身份、金融、行为、位置、偏好等信息对接，属于关联身份、行为、信息当中的纽带。根据网安法的相关规定，人脸识别信息属于“直接可识别”到个人身份的信息。故此人脸识别信息的性质并不是知识产权的大数据信息内容服务平台，而是被依法纳入到隐私法范畴的个人敏感信息。

第二，人脸识别信息属民事权利。个人信息属于民事权利的一类，可以被纳入到隐私权的大范畴。权利人自己当然可以处分民事权利，但应有一定的前提。第一，根据“一法一决定”有关规定，个人信息采集、使用和处分需遵循“合法性、正当性和必要性”基本原则。其次，根据合同法和消法的相关规定，用户应充分知情，并保证自己的选择权和退出权。再次，用户应享有删除权、更正权、控制权和注销权，这些基本权利是个人信息合理使用的前提。后，信息采集者应保证信息安全可控，既涵盖技术上的安全，也涵盖制度上的安全保证，还涵盖法律责任上的落实。

第三，人脸识别信息类别应进行有效区分。从个人信息主体、目标和行为上看，人脸识别类信息是有区别的。其一，根据网安法和国安法等有关规定，在侦查犯罪和国家安全问题上，有关机关是可以直接依法获取人脸识别信息的。其二，根据《儿童个人信息互联网保护规定》，孩子的个人信息授权需监护人同意，而且，保护原则和适用情形有特殊类别保护。其三，商业型人脸识别应用与公共利益应用应有区别，公共利益是隐私个体权利的抗辩事由之一，在相对的程度上可以超越个体隐私权利以维护社会整体效率与安全，但根据商业利益的人脸识别应用则不是一回事，一定要以个体隐私权利为基础。其四，人脸识别信息等身份信息，大多数情况下不应允许搜集者以“共享”“开放平台”等方法进行处分，更不可以有非经用户事先授权和再次授权就进行转让使用的情况。

第四，人脸识别技术应用是未来发展方向。现在人脸识别技术在法律性质上，仍停留在身份信息识别的隐私权范畴。未来的5G技术普及后面，万物互联时代，人脸识别会通过大数据信息内容服务平台与云端，在可穿戴设备、物联网的加持下，以算法为核心，成为未来人与物，人与信息、身份与行为、物与物当中沟通的中心点之一。未来的人脸识别将不局限于支付、身份、监测等情形，将更广泛使用于医疗、资质、电商网络、体育、文化、家庭的各个方面。至于安全方面，也许区块链技术将代替现在的这些信息采集平台，去中心化会让整个信息系统相互信任，不会出现因黑客攻击导致的个人信息“不可逆性”损害，也不会出现大平台搞的“数据垄断”，或对用户数据的过度掠夺情况产生。未来的人脸识别会更与AI相匹配，真正掌控这些个人信息的并不是是哪个平台或哪个人，而是以人工智能为代表的“类人形态”，到时候，人脸识别的隐私观与伦理观可能才会被真正颠覆。

人脸识别算法？

人脸识别的算法：人脸识别法大部分都集中在二维图像方面，二维人脸识别主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等当中的间距来进行身份认证。人脸识别算法主要有：

1.根据模板匹配的方式:模板分为二维模板和三维模板，核心思想:利用人的脸部特点规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特点部位,处理人脸识别途中的观察的视角、遮挡和表情变化等原因影响。

2.根据奇异值特点方式：人脸图像矩阵的奇异值特点反映了图像的实质属性，能用到它来进行分类识别。

3.子空间分析法：因其具有描述性强、计算代价小、易达到及可分性好等特点，被广泛地应用于人脸特点提取，成为了现目前人脸识别的主流方式之一。

4.局部保持投影(Locality Preserving Projections，LPP)是一种新的子空间分析方式，它是非线性方式Laplacian Eigen map的线性近似，既处理了PCA等传统线性方式很难保持原始数据非线性流形的缺点，又处理了非线性方式很难取得新样本点低维投影的缺点。

5.主成分分析(PCA)

PCA模式识别领域一种重要的方式，已被广泛地应用于人脸识别算法中，根据PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题。增量PCA算法由新增样本重构为重要 PCS，但该方式随着样本的增多，需持续性舍弃一部分不重要PC，以维持子空间维数不变，因而该方式精度稍差。

6.其他方式：弹性匹配方式、特点脸法(根据KL变换)、人工神经互联网法、支持向量机法、根据积分图像特点法(adaboost学习)、根据可能性模型法。二维人脸识别方式的大不够是在面临姿态、光照条件不一样、表情变化还有脸部化妆等方面较为脆弱，识别的准确度受到很大限制，这些东西都是人脸在自然状态下会随时表现出来的。三维人脸识别可以非常大的提升识别精度，真正的三维人脸识别是利用深度图像进行研究，自90年代初期启动，已经有一定的进展。三维人脸识别方式有：

1.根据图像特点的方式：采用了从3D结构中分离出姿态的算法。第一匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，去作脸部不一样特点点(这些特点点是人工的鉴别出来)的局部匹配。

2.根据模型可变参数的方式：使用将通用人脸模型的3D变形和根据距离映射的矩阵迭代小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变持续性更新姿态参数，重复此过程直到小化尺度达到要求。根据模型可变参数的方式与根据图像特点的方式的大区别在于：后者在人脸姿态每变化一次后，需重新搜索特点点的坐标，而前者只要能调整3D变形模型的参数。

有关人脸识别的法律规定？

7月28日上午，高人民法院公布了《有关审理使用人脸识别技术处理个人信息有关民事案件适用法律若干问题的相关规定》，自2023年8月1日起施行。

高人民法院有关审理使用人脸识别技术处理个人信息有关民事案件适用法律若干问题的相关规定

法释〔2023〕15号

（2023年6月8日高人民法院审判委员会

第1841次会议通过，自2023年8月1日起施行）

为正确审理使用人脸识别技术处理个人信息有关民事案件，保护当事人合法权益，促进数字经济健康发展，按照《中华人民共和国民法典》《中华人民共和国互联网安全法》《中华人民共和国消费者权益保护法》《中华人民共和国电子商务法》《中华人民共和国民事诉讼法》等法律的相关规定，结合审判实践，制定本规定。

第一条因信息处理者违反法律、行政法规的相关规定或者双方的约定使用人脸识别技术处理人脸信息、处理根据人脸识别技术生成的人脸信息所导致的民事案件，适用本规定。

人脸信息的处理涵盖人脸信息的收集、存储、使用、加工、传输、提供、公开等。

本规定所称人脸信息属于民法典第一千零三十四条规定的“生物识别信息”。

第二条信息处理者处理人脸信息有下方罗列出来的情形之一的，人民法院需要认定属于侵害自然人人格权益的行为：

（一）在宾馆、商场、银行、车站、机场、体育场馆、娱乐场所等经营场所、公共场所违反法律、行政法规的相关规定使用人脸识别技术进行人脸验证、辨识或者分析；

（二）未公开处理人脸信息的规则或者未明示处理的目标、方法、范围；

（三）根据个人同意处理人脸信息的，未征得自然人或者其监护人的独自同意，或者没有按照法律、行政法规的相关规定征得自然人或者其监护人的书面同意；

（四）违反信息处理者明示或者双方约定的处理人脸信息的目标、方法、范围等；

（五）未采用应有的技术措施或者其他必要措施保证其收集、存储的人脸信息安全，致使人脸信息泄露、恶意修改、丢失；

（六）违反法律、行政法规的相关规定或者双方的约定，向他人提供人脸信息；

（七）违背公序良俗处理人脸信息；

（八）违反合法、正当、必要原则处理人脸信息的其他情形。

第三条人民法院认定信息处理者担负侵害自然人人格权益的民事责任，需要适用民法典第九百九十八条的相关规定，并结合案件详细情况综合考量受害人是不是为未成年人、告知同意情况还有信息处理的必要程度等原因。

第四条有下方罗列出来的情形之一，信息处理者以已征得自然人或者其监护人同意为由抗辩的，人民法院不能支持：

（一）信息处理者要求自然人同意处理其人脸信息才提供产品或者服务的，但是，处理人脸信息属于提供产品或者服务所必需的除外；

（二）信息处理者以与其他授权捆绑等方法要求自然人同意处理其人脸信息的；

（三）强迫或者变相强迫自然人同意处理其人脸信息的其他情形。

第五条有下方罗列出来的情形之一，信息处理者主张其不担负民事责任的，人民法院依法予以支持：

（一）为应对突发公共卫生事件，或者紧急情况下为保护自然人的生命健康和财产安全所必需而处理人脸信息的；

（二）为维护公共安全，依据国家相关规定在公共场所使用人脸识别技术的；

（三）为公共利益开展新闻报道、舆论监督等行为在合理的范围内处理人脸信息的；

（四）在自然人或者其监护人同意的范围内合理处理人脸信息的；

（五）满足法律、行政法规规定的其他情形。

第六条当事人请求信息处理者担负民事责任的，人民法院需要依据民事诉讼法第六十四条及《高人民法院有关适用〈中华人民共和国民事诉讼法〉的解释》第九十条、第九十一条，《高人民法院有关民事诉讼证据的若干规定》的有关规定确定双方当事人的举证责任。

信息处理者主张其行为满足民法典第一千零三十五条第一款规定情形的，需要就此所依据的事实担负举证责任。

信息处理者主张其不担负民事责任的，需要就其行为满足本规定第五条规定的情形担负举证责任。

第七条多个信息处理者处理人脸信息侵害自然人人格权益，该自然人主张多个信息处理者根据过错程度和导致损害结果的大小担负侵权责任的，人民法院依法予以支持；满足民法典第一千一百六十八条、第一千一百六十九条第一款、第一千一百七十条、第一千一百七十一条等规定的对应情形，该自然人主张多个信息处理者担负连带责任的，人民法院依法予以支持。

信息处理者利用互联网服务处理人脸信息侵害自然人人格权益的，适用民法典第一千一百九十五条、第一千一百九十六条、第一千一百九十七条等规定。

第八条信息处理者处理人脸信息侵害自然人人格权益导致财产损失，该自然人依据民法典第一千一百八十二条主张财产损害赔偿的，人民法院依法予以支持。

自然人为制止侵权行为所支付的合理开支，可以认定为民法典第一千一百八十二条规定的财产损失。合理开支涵盖该自然人或者委托代理人对侵权行为进行调查、取证的合理费用。人民法院按照当事人的请求和详细案情，可以将合理的律师费用计算在赔偿范围内。

第九条自然人有证据证明信息处理者使用人脸识别技术已经在开展或者马上就要开展侵害其隐私权或者其他人格权益的行为，不及时制止将使其合法权益受到很难补上来的损害，向人民法院申请采用责令信息处理者停止相关行为的措施的，人民法院可以按照案件详细情况依法作出人格权侵害禁令。

第十条物业服务企业或者其他建筑物管理人以人脸识别作为业主或者物业使用人出入物业服务区域的唯一验证方法，不一样意的业主或者物业使用人请求其提供其他合理验证方法的，人民法院依法予以支持。

人脸识别有几种方法还有做法？

人脸识别的方式不少，以下讲解一部分主要的人脸识别方式。

(1)几何特点的人脸识别方式

几何特点可以是眼、鼻、嘴等的形状和它们当中的几何关系(如相互当中的距离)。这些算法识别速度快，需的内存小，但识别率很低。

(2)根据特点脸(PCA)的人脸识别方式

特点脸方式是根据KL变换的人脸识别方式，KL变换是图像压缩的一种优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留这当中重要的正交基，由这些基可以张成低维线性空间。假设假设人脸在这些低维线性空间的投影具有可分性，完全就能够将这些投影用作识别的特点矢量，那就是特点脸方式的基本思想。这些方式需有点多的训练样本，而且，完全是根据图像灰度的统计特性的。现在有一部分改进型的特点脸方式。

(3)神经互联网的人脸识别方式

神经互联网的输入可以是降低分辨率的人脸图像、局部区域的自有关函数、局部纹理的二阶矩等。这种类型方式同样需有点多的样本进行训练，而在不少应用中，样本数量是很有限的。

(4)弹性图匹配的人脸识别方式

弹性图匹配法在二维的空间中定义了一种针对一般的人脸变形具有一定的不变性的距离，并采取属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特点向量，用来记录人脸在该顶点位置附近的信息。该方式结合了灰度特性和几何原因，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了很好的效果，同时针对单个人也不可以再需多个样本进行训练。

(5)线段Hausdorff 距离(LHD) 的人脸识别方式

心理学的研究表达，人类在识别轮廓图(例如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是根据从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集当中的距离，与众不一样的是，LHD依然不会建立不一样线段集当中线段的一一对应关系，因为这个原因它更能适应线段图当中的微小变化。实验结果表达，LHD在不一样光照条件下和不一样姿态情况下都拥有很出色的表现，但是，它在大表情的情况下识别效果不好。

(6)支持向量机(SVM) 的人脸识别方式

近几年来，支持向量机是统计模式识别领域的一个新的热点，它试图让学习机在经验风险和泛化能力上达到一种妥协，以此提升学习机的性能。支持向量机主要处理的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。一般的实验结果表达SVM有很好的识别率，但是，它需非常多的训练样本(每类300个)，这在实质上应用中时常是不现实的。而且，支持向量机训练时间长，方式达到复杂，该函数的取法没有统一的理论。

人脸识别的方式不少，现目前的一个研究方向是多方式的融合，以提升识别率。

人像识别的基本方式？

人像识别的方式不少，主要的人像识别方式有：

（1）几何特点的人脸识别方式：几何特点可以是眼、鼻、嘴等的形状和它们当中的几何关系（如相互当中的距离）。这些算法识别速度快，需的内存小，但识别率很低。

（2）根据特点脸（PCA）的人脸识别方式：特点脸方式是根据KL变换的人脸识别方式，KL变换是图像压缩的一种优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留这当中重要的正交基，由这些基可以张成低维线性空间。假设假设人脸在这些低维线性空间的投影具有可分性，完全就能够将这些投影用作识别的特点矢量，那就是特点脸方式的基本思想。这些方式需有点多的训练样本，而且，完全是根据图像灰度的统计特性的。现在有一部分改进型的特点脸方式。

（3）神经互联网的人脸识别方式：神经互联网的输入可以是降低分辨率的人脸图像、局部区域的自有关函数、局部纹理的二阶矩等。这种类型方式同样需有点多的样本进行训练，而在不少应用中，样本数量是很有限的。

（4）弹性图匹配的人脸识别方式：弹性图匹配法在二维的空间中定义了一种针对一般的人脸变形具有一定的不变性的距离，并采取属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特点向量，用来记录人脸在该顶点位置附近的信息。该方式结合了灰度特性和几何原因，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了很好的效果，同时针对单个人也不可以再需多个样本进行训练。

（5）线段Hausdorff 距离(LHD) 的人脸识别方式：心理学的研究表达，人类在识别轮廓图（例如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是根据从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集当中的距离，与众不一样的是，LHD依然不会建立不一样线段集当中线段的一一对应关系，因为这个原因它更能适应线段图当中的微小变化。实验结果表达，LHD在不一样光照条件下和不一样姿态情况下都拥有很出色的表现，但是，它在大表情的情况下识别效果不好。

（6）支持向量机(SVM) 的人脸识别方式：支持向量机是统计模式识别领域的一个新的热点，它试图让学习机在经验风险和泛化能力上达到一种妥协，以此提升学习机的性能。支持向量机主要处理的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。一般的实验结果表达SVM有很好的识别率，但是，它需非常多的训练样本（每类300个），这在实质上应用中时常是不现实的。而且，支持向量机训练时间长，方式达到复杂，该函数的取法没有统一的理论。

一、根据特点脸的方式

　　特点脸的方式，它是一种比较经典而又应用比较广的人脸识别方式，其主要原理是把图像做降维算法，让数据的处理更容易，同时，速度又可以做的比较快。

　　特点脸的人脸识别方式，其实是将图像做 K-L 变换，把一个高维的向量转化为低维的向量，以此消除每个分量存在的关联性，让变换得到的图像与之对应特点值递减。在图像经过 K-L 变换后，其具有很好的位移不变性和稳定性。故此特点脸的人脸识别方式具有方便达到，还可以做到速度很快，还有对正面人脸图像的识别率相当高等优点。

　　但是该方式也具有不够的地方，就是比较容易受人脸表情、姿态和光照改变等原因的影响，以此致使识别率低的情况。

　　通过上面的讲解，我们不难发现，在人脸识别系统中，使用特点脸的方式进行，在现在来说还是比较占上风的，因为它是现目前识别速度比较快的方式是其他方式没办法比拟的，因为这个原因，在人脸正面识别技术领域中，也还是深得大家喜爱。

二、根据几何特点的方式

　　根据几何特点的识别方式，它是按照人脸面部器官的特点及其几何形状进行的一种人脸识别方式是大家早研究及使用的识别方式，它主要是采取不一样人脸的不一样特点等信息进行匹配识别，这样的算法具有较快的识别速度，同时，其占用的内存也比较小，但是其识别率也依然不会算高。该方式主要做法是第一对人脸的嘴巴、鼻子、眼睛等人脸主要特点器官的位置和大小进行检测，然后利用这些器官的几何分布关系和比例来匹配，以此达到人脸识别。

　　其流程大体请看下方具体内容：第一对人脸面部的各个特点点及其位置进行检测，如鼻子、嘴巴和眼睛等位置，然后计算这些特点当中的距离，得到可以表达每个特点脸的矢量特点信息，比如眼睛的位置，眉毛的长度等，其次还计算每个特点与之相对应关系，与人脸数据库中已知人脸对应特点信息来作比较，后得出更佳的匹配人脸。

　　根据几何特点的方式满足大家对人脸特点的认识，此外每幅人脸只存储一个特点，故此，占用的空间比较小;同时，这样的方式对光照导致的变化依然不会降低其识别率，而且，特点模板的匹配和识别率比非常高。但是根据几何特点的方式也存在着鲁棒性不好，但凡是表情和姿态稍微变化，识别效果将大打折扣。

　　三、根据神经互联网的方式

　　将神经互联网模型应用于图像识别的中已经有比较久的年代了，如的 BP 神经互联网等，它是模仿人类大脑活动方法去达到的。现在，比较有代表性的神经互联网模型设计的方式主要有混合型神经互联网、主元神经网，还有卷积神经互联网等方式。神经互联网的方式在现在来说，可以做到相对比非常高的识别率，其也存在着互联网训练时间长，还有很难收敛等问题。

　　四、根据支持向量机的方式

　　将支持向量机(SVM)的方式应用到人脸识别中，其起源自于统计学理论，它研究的方向是如何构造有效的学习机器，并用来处理模式的分类问题。其特点是将图像变换空间，在其他空间做分类。

　　支持向量机结构相对简单，而且，可以达到全局更优等特点，故此支持向量机在现在人脸识别领域获取了广泛的应用。但是该方式也和神经互联网的方式具有一样的不够，就是需很大的存储空间，还训练速度还比较慢。

　　五、其他综合方式

　　以上是几种比较经常会用到的人脸识别方式，我们不难看出，每一种识别方式都不可以做到完美的识别率与很快的识别速度，都拥有着各自的优点和缺点，因为这个原因，目前不少研究人员则更喜欢使用各种识别方式综合起来应用，取各自不同的识别方式的优势，综合运用，以达到更高的识别率和识别效果。

人脸识别是属于什么成像？

人脸识别是根据人的脸部特点信息进行身份识别的一种生物识别技术。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，进一步对检测到的人脸进行脸部识别的一系列有关技术，一般也叫做人像识别、面部识别

人脸识别特指利用分析比较人脸视觉特点信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特点识别技术是对生物体(大多数情况下特指人)本身的生物特点来区分生物体个体。广义的人脸识别实质上涵盖构建人脸识别系统的一系列有关技术，涵盖人脸图像采集、人脸定位、人脸识别预处理、身份确认还有身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特点识别技术所研究的生物特点涵盖人脸、指纹、手掌纹、掌型、虹膜、视网膜、静脉、声音(语音)、体形、红外温谱、耳型、气味、个人习惯(比如敲击键盘的力度和频率、签字、步态)等，对应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、静脉识别、语音识别(用语音识别可以进行身份识别，也可进行语音内容的识别，唯有前者属于生物特点识别技术)、体形识别、键盘敲击识别、签字识别等。几何特点的人脸识别方式几何特点可以是眼、鼻、嘴等的形状和它们当中的几何关系(如相互当中的距离)。这些算法识别速度快，需的内存小，但识别率很低。根据特点脸(PCA)的人脸识别方式特点脸方式是根据KL变换的人脸识别方式，KL变换是图像压缩的一种优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留这当中重要的正交基，由这些基可以转成低维线性空间。假设假设人脸在这些低维线性空间的投影具有可分性，完全就能够将这些投影用作识别的特点矢量，那就是特点脸方式的基本思想。这些方式需有点多的训练样本，而且，完全是根据图像灰度的统计特性的。现在有一部分改进型的特点脸方式。神经互联网的人脸识别方式神经互联网的输入可以是降低分辨率的人脸图像、局部区域的自有关函数、局部纹理的二阶矩等。这种类型方式同样需有点多的样本进行训练，而在不少应用中，样本数量是很有限的。弹性图匹配的人脸识别方式弹性图匹配法在二维的空间中定义了一种针对一般的人脸变形具有一定的不变性的距离，并采取属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特点向量，用来记录人脸在该顶点位置附近的信息。该方式结合了灰度特性和几何原因，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了很好的效果，同时针对单个人也不可以再需多个样本进行训练。线段Hausdorff 距离(LHD) 的人脸识别方式心理学的研究表达，人类在识别轮廓图(例如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是根据从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集当中的距离，与众不一样的是，LHD依然不会建立不一样线段集当中线段的一一对应关系，因为这个原因它更能适应线段图当中的微小变化。实验结果表达，LHD在不一样光照条件下和不一样姿态情况下都拥有很出色的表现，但是，它在大表情的情况下识别效果不好。支持向量机(SVM) 的人脸识别方式近几年来，支持向量机是统计模式识别领域的一个新的热点，它试图让学习机在经验风险和泛化能力上达到一种妥协，以此提升学习机的性能。支持向量机主要处理的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。一般的实验结果表达SVM有很好的识别率，但是，它需非常多的训练样本(每类300个)，这在实质上应用中时常是不现实的。而且，支持向量机训练时间长，方式达到复杂，核函数的取法没有统一的理论。人脸识别新技术传统的人脸识别技术主要是根据可见光图像的人脸识别，这也是大家熟悉的识别方法，已有30多年的研发历史。但这样的方法有着很难克服的缺陷，特别在环境光照出现变化时，识别效果会急剧下降，没办法满足实质上系统的需。处理光照问题的方案有三维图像人脸识别，和热成像人脸识别。但现在这两种技术还远不成熟，识别效果不尽人意。近快速发展起来的一种处理方案是根据主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经获取了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超越三维图像人脸识别。这项技术在近两三年发展快速，使人脸识别技术渐渐走向实用化。数码相机人脸自动对焦和笑脸快门技术第一是面部捕捉。它按照人的头部的部位进行判断，第一确定头部，然后判断眼睛和嘴巴等头部特点，通过特点库的比对，确认是人面部，完成面部捕捉。然后以人脸为焦点进行自动对焦，可以大大的提高拍出照片的清晰度。笑脸快门技术就是在人脸识别的基础上，完成了面部捕捉，然后启动判断嘴的上弯程度和眼的下弯程度，来判断是不是笑了。以上全部的捕捉和比较全部在对比特点库的情况下完成的，故此，特点库是基础，里面有各自不同的典型的面部和笑脸特点数据。第一是面部捕捉。它按照人的头部的部位进行判断，第一确定头部，然后判断眼睛和嘴巴等头部特点，通过特点库的比对，确认是人面部，完成面部捕捉。然后以人脸为焦点进行自动对焦，可以大大的提高拍出照片的清晰度。笑脸快门技术就是在人脸识别的基础上，完成了面部捕捉，然后启动判断嘴的上弯程度和眼的下弯程度，来判断是不是笑了。以上全部的捕捉和比较全部在对比特点库的情况下完成的，故此，特点库是基础，里面有各自不同的典型的面部和笑脸特点数据。

人脸阀值是什么？

人脸阀值是计算机视觉领域的一个研究热点，它涉及到人工智能、机器学习、模式识别、计算机视觉、图像处理等多个学科领域和专业技术。人脸识别主要用于身份识别，随着视频监控设备的普及，非常多的场景需进行身份识别。人脸识别提供了一种用户不易察觉还在非配合状态下的识别方式。

人脸阀值的研究早时间是在上个世纪60年代，经过多年的研究，人脸识别技术获取了长足的发展，涌现了一大批具有代表性的技术。代表性算法主要有：PCA(Principal Component Analysis，主成份分析法)方式、LDA(local-density approximation，局域密度近似)方式、弹性匹配技术、贝叶斯方式等。现在来说，就算人脸识别在学术上已经获取了长足的进步，但是，实质上环境下，复杂的光照条件和人脸的多变性让人脸识别也还是具有挑战性。

人脸比对可以得到相似性成绩，但是，阈值的选择是一个需凭经验确定的问题，在不一样质量的人脸图像比对中，经验阈值不好确定。

人脸阈值，可以理解为人脸的大值