人脸识别技术的比较维度很多，比如图像比对级的1：1，1：N，N：N;衡量的标准和维度都不同。单单是精确度上面，国内国外的人脸识别技术大多数在开源OPENCV等开源库上进行新规则添加，公司之间的识别正确率差异仅仅在小数点上，提升意义不大，最关键的强化方向是商业适用性，使用表现的准确率和高可用性。
先看看人脸识别的基本流程：
人脸识别最难的部分是有充分适应各大光线环境的人脸预处理算法，需要在各种复杂的光线环境中提取到人脸信息，特别是移动互联网时代，摄像头拍照的地方可以在斑驳的树影下，也可以在昏暗的街灯下，以及深夜出租车内，这对算法的鲁棒性考验极大。同时还要考虑照片和视频欺诈，二次成像的光线污染等问题。
人脸识别的主要用法有两个方向：
1vs1，主要用于快速的人脸识别比对，作为身份确认的一种新方式，比如考生身份确认、公司考勤确认、各种证件照和本人确认，由于这些照片源不一定有权威统一的接口调用，所以一直没有用起来。目前市面上做的都是用户自传照片，比如支付宝的人脸比对。
还有一些公司使用身份证中心返照接口的照片进行消网纹处理，进行比对，我们做过实验，成功率大概只有6成，因为人脸的很多特征点被损毁(不过这个接口在2016年5月已经被关闭，现在只有银行有这个接口)。
最可靠的是直接用手机摄像头跟调用身份证中心的人脸源照片比对。连接权威人脸库，可以解决很多问题，比如用户对传身份证照片的不信任，对持照拍摄的抵触等，以及未来信息泄露的隐患担忧。特别是P2P，婚恋社交以及各种需要实名上传的医疗APP，并可以通过这种方式直接12306的黄牛票贩，以及彻底解决手机远程登记的实名制问题。(从黑市得知，很多大型P2P的整套用户验证照片在拍卖，包括身份证照片、本人持证照片)。
下图来自百度的图片搜索结果截图：
1vsN，这个主要用于公安部犯罪嫌疑人、失踪人口的全库搜寻、一人多证的重复排查，以此相似度列出相应的结果，可以大大提高排查效率。
N vs N 该算法实际上是基于视频流的帧处理所用，对服务器的计算环境要求严苛，目前的算法系统所支撑的输出率非常有限，需要等待下一代GPU算法，特别是基于CUDA架构的。该应用主要在一些高级赛事会议场合，以及安保公司的人脸警报系统。
人脸识别的技术发展方向：
结合三维信息：二维和三维信息融合使特征更加鲁棒
多特征融合：单一特征难以应对复杂的光照和姿态变化
大规模人脸比对：面向海量数据的人脸比对与搜索
深度学习：在大数据条件下充分发挥深度神经网络强大的学习能力
人脸识别的算法能力：拒识率、误识率、通过率，准确率
在视频级N:N的校验中，如果要提高通过率，很多时候是采取降低准确率的方式;同样在一些比赛中为了降低误识率，大大提高了准确率，所以算法在校验的过程中必须遵循至少一个固定标准，追求的是速度效率还是最高准确率。
国内公司
1 北京华盛恒辉科技有限公司
2北京五木恒润科技有限公司
3 佳都科技
4. 商汤科技
5 科大讯飞
6 铂亚信息
7 中科奥森
8 安捷天盾科技
9 银晨科技
10 骏聿科技
11 飞瑞斯科技
13 科葩信息技术
14 灏泷科技(上海)
15 赛为智能
16 智慧眼科技
17 像素数据技术
18 清大维森科技
19 瑞为信息技术
20 苏慧信息技狮
21 众智益华科技
22 瑞奥风软件科技
23 千搜科技
24 威富安防
25 可信网络科技
26 一登科技
国外公司
1 美国Identix公司
2 美国Bioscrypt公司
3 德国Cognitec Systems公司
4 西班牙Herta Security公司
5 日本NEC公司
6 日本Softwise公司