随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金 融、网络安全、物业管理以及考勤等领域。

人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。我国在这方面也取得了较好的成就，国家863项目“面像检测与识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定的核心技术

人脸识别技术的发展经过了5个重要的阶段。最早在20世纪50年代，认知科学家就已着手对人脸识别展开研究。20世纪60年代，人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构，通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法简单直观，但是一旦人脸姿态、表情发生变化，则精度严重下降。这个方法是最早的人脸识别的算法，也叫几何法。

而在21世纪前10年，人脸识别技术又有了新的进展，整体法和基于特征法相继问世，1991年，著名的“特征脸”方法第一次将主成分分析和统计特征技术引入人脸识别，在实用效果上取得了长足的进步。这一思路也在后续研究中得到进一步发扬光大，例如，Belhumer成功将Fisher判别准则应用于人脸分类，提出了基于线性判别分析的Fisherface方法。而同样随着机器学习理论的发展，基于面部的稀疏表示，支持向量机（Support Vector Machine， SVM）等整体法也在占据了主流地位。

在2000年到2012年期间，随着局部描述子加入到人脸识别技术领域当中后，又进一步推动了人脸识别技术的发展，相对应的利用在面部图像中的不同位置处提取的局部特征的基于特征的方法，也逐渐发展了起来，一种非常流行的基于特征的方法是弹性束图匹配（EBGM）方法。

弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法，由于该算法较好的利用了人脸的结构和灰度分布信息，而且还具有自动精确定位面部特征点的功能，因而具有良好的识别效果，该技术在FERET测试中若干指标名列前茅，由于该方法利用 Gabor 小波变换来描述面部特征点的局部信息，因此受光照影响较小。此外，在弹性匹配的过程中，网格的形状随着特征点的搜索而不断变化，因此对姿态的变化也具有一定的自适应性。该方法的主要缺点是搜索过程中代价函数优化的计算量巨大，因而造成识别速度较慢，导致该方法的实用性不强。故缺点是时间复杂度高，实现复杂。

继而整体法和基于特征的面部识别方法进一步发展，并组合成混合法。使用混合法相较于单独使用这两种方法中的任何一种都获得了更好的准确性。到如今，这种方法仍然是最为先进的方法。而现在最为常用的方法是深度学习方法。

2014年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“DeepFace系统：达到肉眼级别的人脸识别系统”(翻译名)，之后Face 创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为97.52%，可以说深度学习技术让计算机人脸识别能力超越人类的识别程度。

在深度学习方法当中，最为常用的就是卷积神经网络（CNN）深度学习法。CNN在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。CNN以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。但缺点是虽然可以通过增加训练集的大小和/或网络的容量，从而直接扩展这些系统以实现更高的准确度。然而，收集大量标记的面部图像是昂贵的，并且非常深的CNN架构训练和部署缓慢。故成本与时间要求较大。但准确度与识别时间都有着显著地提高。但是同样的，他能得到更多的信息 例如CNN 也正被用于解决许多其它计算机视觉任务，比如目标检测和识别、分割、光学字符识别、面部表情分析、年龄估计等。

而为什么人们花那么大的气力去研究人脸识别技术，是由于其自然性、不被察觉性，故占据着在识别系统当中很重要的位置；其中自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。也就是说，当人脸识别系统做的足够完善时，就能够真正的实现，我们在科幻电影当中所见到的“天眼”系统了。也就是当输入我们想要的人的图片信息后，能够通过人脸识别的系统，找出与其相关的记录的视频资料与图片。对于这一点，国外已经初步具有了雏形。