这些应用场景的共同特点是：人脸识别系统都事先存储了大量的不同人脸和身1份信息，系统运行时需要将见到的人脸与之前存储的大量人脸做比对，找出匹配的人脸。
两者在早期（2012年~2015年）是通过不同的算法框架来实现的，想同时拥有人脸验证和人脸识别系统，需要分开训练两个***网络。而 2015 年 Google 的 FaceNet [1] 的发表改变了这一现状，将两者统一到一个框架里。
用于表示人脸的大量特征从哪来？这便是深度学习（深度***网络）发挥作用的地方。它通过在千万甚至亿级别的人脸数据库上学习训练后，会自动总结出适合于计算机理解和区分的人脸特征。
算法工程师通常需要一定的可视化手段才能知道机器到底学习到了哪些利于区分不同人的特征，当然这部分不是本节***。
阐明了不同人脸由不同特征组成后，我们便有了足够的知识来分析人脸识别，到底怎么识别。
人脸的属性检测，包括种族识别、年龄识别、表情识别、性别识别，以及人脸的特征点检测；
人脸关键点检测是指精准***面部关键部门的位置(如眼角，嘴角等)。我们使用1新的基于卷积***网络的级联框架，可以精1确***脸部特征点，有5点，27点，68点，194点等不同选择；
一比一人脸对比；
一比N人脸搜索；
人脸识别技术是图像分析的关键步骤，我们可以通过提供open API的方式，简化用户的开发成本，用于电子***中的人脸识别身份认证、机场海关的人脸识别身份识别、视频中的名人识别等场合。