从计算机视觉问题诞生开始，业界就开始了对人脸识别技术的研究。从早期基于cascade+haar特征的人脸检测结合基于eigenface fisherface等人脸识别的技术，业界搭建了勉强可用的小规模人脸识别系统。到后来深度学习技术的兴起，人脸识别系统的规模扩展到万、十万、百万、千万的级别，当然也包括精度更高的人脸验证技术，同时针对金融场景，又出现了活体检测，虹膜验证等一系列新的实用的人脸技术。

商汤、face++、格林深瞳、依图、腾讯优图、百度、阿里都拥有业界领先的人脸识别技术，同时由于人脸识别技术也几乎是计算机视觉领域被大家研究最深入、最久、最成熟的方向之一，同时公共渠道也有非常多的人脸识别技术资料；因此本文重点不在于人脸相关cv技术或者是新技术的介绍，主要是列出一些公共渠道大家能够获得的个人认为有用的资料共大家参考。相反，本文的重点在于通过介绍人脸cv技术在业界都存在哪些应用，以及这些应用对于人脸cv技术的诉求。

技术层面：

这里我们不仅仅介绍人脸识别技术一项，而是介绍和人脸cv技术相关的技术。每项单独的技术只是列出一些相关的学习材料供大家参考。

1. 人脸检测、跟踪+人脸关键点定位：

YaqiLYU：人脸检测背景介绍和发展现状​zhuanlan.zhihu.com Amusi：重磅！最快人脸检测库开源​zhuanlan.zhihu.com 丘学文：人脸检测--MTCNN从头到尾的详解​zhuanlan.zhihu.com VALSE 2017 | 人脸检测与识别技术年度进展概述​mp.weixin.qq.com 旷视研究院新出8000点人脸关键点，堪比电影级表情捕捉​mp.weixin.qq.com开源啦，一个极快速的CNN人脸检测算法​mp.weixin.qq.com

2. 人脸识别：

狗头山人七：基于深度学习的人脸识别技术综述​zhuanlan.zhihu.com 新智元：中国团队夺得 MegaFace 百万人脸识别冠军，精度 98% 再创纪录，论文代码 + 数据全开源​zhuanlan.zhihu.com YaqiLYU：人脸识别的LOSS（上）​zhuanlan.zhihu.com YaqiLYU：人脸识别的LOSS（下）​zhuanlan.zhihu.com

推荐格林深瞳的几篇完整的介绍：

格灵深瞳：人脸识别最新进展以及工业级大规模人脸识别实践探讨（含视频）​mp.weixin.qq.com极市干货|小美&张德兵：分布式人脸识别及工业运用经验​mp.weixin.qq.com

3. 活体检测：

岑雨：人脸识别中的活体检测​zhuanlan.zhihu.com 风雨兼程：人脸活体检测技术简介​zhuanlan.zhihu.com Fisher Yu余梓彤：活体检测Face Anti-spoofing综述​zhuanlan.zhihu.com

4. 人脸属性、表情预测：

https://blog.csdn.net/weixin_41278720/article/details/80591573​blog.csdn.netGEETEST极验：论文分享 | 基于自监督学习的人脸属性识别​zhuanlan.zhihu.com 【资源】聚焦人脸表情识别 (FER) 的顶级会议和期刊文献与资源列表​bbs.cvmart.net

5. 人脸重建技术：

https://blog.csdn.net/u011681952/article/details/82623328​blog.csdn.net风雨兼程：ECCV 2018录取论文解读：3D人脸重建​zhuanlan.zhihu.com

6. 人脸美化、编辑、风格化等：

基于GAN的方法基本上占据了主流，辛苦大家自行学习。技术点不是本文的重点，我们着重来介绍人脸识别技术的应用。

应用层面：

首先，我们通过下面的一张图来概括：

比如娱乐社交场景：

比如银行金融场景：

比如安防场景：

在不同场景，我们需要的可能是整体的解决方案，而非单一的技术点。当然，单一的技术点也有其特定的使用场景。以上的整体技术栈在face++和商汤都分别有提供，我们从两家公司的官网可以看到如下信息：

（face++和商汤官网截图，一并感谢）

可以看到，两家公司都有全人脸技术栈的技术提供，接下来我们来看不同场景对人脸技术的需求。并且接下来的场景我们从设备角度进行区分：

1. 移动设备上的人脸技术（手机、pad、机器人、嵌入式设备等）

速度、稳定性优先。

以典型的直播软件为例。在移动设备上，需要高效的完成人脸检测、跟踪、关键点定位、编辑、滤镜、表情、属性分析等任务；基本上其中基础的检测、跟踪、关键点定位技术都要求准实时，其他任务也有较高的实时性要求。同时需要应对大角度、夸张表情、快速移动等比较难的场景。

针对嵌入式设备，比如大家看到的机场、高铁站的人脸闸机，不仅需要完成高效的检测等任务，还需要保证高的比对精度以及稳定性。

2. 安防设备（私有服务器）

稳定性、精度优先。

安防场景，基本上都是单台服务器需要同时处理多路视频数据，并且视频数据基本上都是24h全天候工作，因此对于稳定性的要求非常高。精度方面，比如通缉人员发现这一个任务，需要保证足够高的召回率和低的误报率。因此对于识别算法的精度需要有非常高的要求。

3. 云服务（云服务器）

精度、效率、稳定性优先。

云服务器的计算资源相对是充足的，也因此云上模型的精度一般都更高，但当存在大量的调用时，云服务也需要追求高的性价比。另外，云服务的稳定性和精度同样重要，比如人脸支付，如果crash掉1分钟，将会影响到几万笔的交易。

总的来说，人脸相关的cv技术目前在业界已经倾向于成熟，更多的机会在于通过这些基础的技术栈去构建完整的行业解决方案的场景。单点人脸技术的技术门槛越来越低，因此对于体量较大的技术需求方而言，即便早期会使用第三方的技术解决方案，但当业务相对稳定和成熟时自己开发人脸技术的难度也不是很大。

本质上还是场景为王。设备本身也是为场景服务的，只是设备的替换成本相对更高一些。Keep in mind

场景！场景！场景！

再次一并感谢文中的链接的作者以及感谢face++、商汤的官网图片！