人脸识别技术这些年已经发生了重大的变化。传统方法依赖于人工设计的特征（比如边和纹理描述量）与机器学习技术（比如主成分分析、线性判别分析或支持向量机）的组合。人工设计在无约束环境中对不同变化情况稳健的特征是很困难的，这使得过去的研究者侧重研究针对每种变化类型的专用方法，比如能应对不同年龄的方法、能应对不同姿势的方法、能应对不同光照条件的方法等。
近段时间，传统的人脸识别方法已经被基于卷积神经网络（CNN）的深度学习方法接替。深度学习方法的主要优势是它们可用非常大型的数据集进行训练，从而学习到表征这些数据的蕞佳特征。网络上可用的大量自然人脸图像已让研究者可收集到大规模的人脸数据集，这些图像包含了真实世界中的各种变化情况。使用这些数据集训练的基于 CNN 的人脸识别方法已经实现了非常高的准确度，因为它们能够学到人脸图像中稳健的特征，从而能够应对在训练过程中使用的人脸图像所呈现出的真实世界变化情况。
此外，深度学习方法在计算机视觉方面的不断普及也在加速人脸识别研究的发展，因为 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。
?人脸识别技术应用概况
2014年是我国人脸识别技术的转折点，使人脸识别技术从理论走向了应用，2018年则是人脸识别技术全方面应用的重要节点，"刷脸"时代正式到来。
目前，从我国人脸识别技术应用来看，主要集中在三大领域：考勤门禁、安防以及金融。
从具体应用来看，主要包含了公共安全领域的刑侦追逃、罪犯识别以及边防安全等；信息安全领域的政府职能领域的电子政务、户籍管理、社会福利和保险；商业企业领域的电子商务、电子货币和支付、考勤、市场营销；场所进出领域的军事机要部门、金融机构的门禁控制和进出管理等。
传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们蕞熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但这两种技术还远不成熟，识别效果不尽人意。
迅速发展起来的一种解决方案是基于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，已经取得了识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别系统逐渐走向实用化。
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的 性和不易被复质的良好特性为身份鉴别提供了必要的前提。
人脸识别闸机是硬件闸机的基础上，增加了面部识别模块，通过采集访客面部信息，经过一定的算法处理判断出访问权限，现常用于公共场所来替代人工审核。
人脸识别ESD门禁系统标准操作步骤
1、准备测试工作：测试员工双脚必须站在脚踏板(上)准备检测测试项，双脚必须站在脚印中间
2、如需测试防静电手腕带，请插入测试仪上手腕带测试孔，或者用鱼夹直接夹到仪器旁边的鱼夹柱上即可
3、眼睛正对人脸识别设备，人脸识别自动读取人员的信息资料
4、以上工作做好后将手指轻按或触摸测试键进行测试，观看测试仪上的LED显示测试结果，或者看8寸LCD液晶显示屏。
6、根据人员信息测试项目测试OK，系统则开启通道闸令测试人员进入;如果测试结果为NO，检查您手腕带或者鞋，LCD屏与静电测试仪会直观的显示测试结果及未通过原因。
